核心原理：基于全文引用段落的匹配
在谈论引用提高之前，我们先要了解Google Scholar 的论文收录机制。谷歌会解析 PDF 或 HTML 正文（尤其是最后的 “References” 区块，再抽取每一条参考文献的核心信息：作者、标题、期刊名、年份等，在全库中查找与这些指纹最相似的条目，从而判断“这篇文章引用了哪一篇”。
因此，“被引用次数”并非人工提供的元数据，只要有其他论文的参考文献中出现与你论文匹配的条目（哪怕格式不同），Google Scholar 就会增加一次引用计数。 关键在于：论文的 PDF 必须可公开访问，并且包含可解析的参考文献文本。
从零开始：六个月做到20条引用
以我三月份做的一个案例为例，原始状态是没有已发表论文，没有学术圈人脉，没有会议资源。我们在Week1迅速根据客户NIW申请方向和实际工作内容，拟定出了10条备选题目，其中包含AI热门方向如LLM知识蒸馏，RAG系统优化）。这些主题具备高搜索热度（被他人引用的概率更大），技术名词标准化（便于Scholar匹配）。Week3我们即完成初稿提交到 preprints.org / ResearchGate / arXiv，等待google检索以及拿到DOI号开始我们的引用提升。
主动出击
论文上传后，仅仅“放在那里”远远不够。Bigocodes通过以下方式提高曝光和引用：
- 交叉引用策略：在撰写第二篇或他人合作论文时，有意在参考文献中加入前一篇论文；提供标准化引用格式（BibTeX）供他人复制。例如：
Following Zhang et al. (2024), we adopted a consistency-based retrieval framework for …
- 合作引用网络矩阵：在Bigocodes的引用增长体系中，我们建立了一个主题一致的作者与论文网络。 每当新的论文发表时，将在参考文献中优先引用先前的代表性论文，逐步形成一个高关联度的“引用矩阵”。换句话说，后续发表的论文作者（包括同主题合作作者）都会系统性地引用这篇核心论文， 从而形成一个稳定且可持续的引用增长链条，既增强了论文间的主题一致性，也提升了整体学术影响力。例如：
在最初的“RAG Distillation”论文基础上，后续的“RAG-KD Extension”、“Cross-Domain RAG Adaptation”等论文都将其列为基础引用，从而在短时间内累积出 20+ 条有效引用。
NIW申请中的实际作用
在NIW文件撰写中，律师通常会将“被引用次数”用于以下部分：
- Exhibit B：Evidence of Impact（展示学术影响力）
- Exhibit C：Independent Citations（说明被独立第三方引用）
如果在提交时能展示：
- 多篇论文；
- 总引用量30+；
- 且有第三方独立引用来源（非合作作者）， USCIS在判断“national interest”时的正向倾向会显著提高。
总结
引用量不是运气，而是一种可设计的学术转播途径。这套方法不仅能增强论文的可见度与影响力，更能在 NIW 审理中，形成一份可量化、可验证的学术影响力证明。Bigocodes 所做的，就是把这套逻辑系统化、工具化，让每一个 NIW 申请人都能拥有属于自己的“引用增长曲线”。
