本文介绍了一种基于当前科研影响力的预测作者未来 h 指数的模型，并分析了导致文章对未来 h 指数贡献的因素。研究发现，学术权威和出版场所对预测科研影响力至关重要。

Jun, 2016

该论文研究了科学影响力的衡量指标，使用真实学术数据集分析研究者的学术影响力指标 h-index 的提高因素，指出研究者在该主题领域的权威性以及论文发表的期刊是提高 h-index 的关键因素。

Dec, 2014

该研究提出使用加权引用技术来衡量论文的声望，该技术通过考虑引用期刊的影响和引用时间间隔来分配不同的权重，从而捕捉论文的声望；与引用次数所反映的受欢迎程度不同。通过对《信息科学与技术美国协会杂志》1998 至 2007 年发表的论文的声望和受欢迎程度进行比较，我们发现大多数论文的地位相当。

Dec, 2010

本研究提出了一种基于图形和半监督学习的模型 (GraLap)，用于测量引用的强度。实验结果表明，该方法相比基线方法在参考文献的强度标记方面取得了显著的提高，可以更好地设计真实世界的应用。

Sep, 2016

该研究提出了一种基于语言影响力的新方法来量化文献对后续出版物内容的影响程度，并通过测量高维度的 Hawkes 过程来预测未来引用次数。

Oct, 2022

本研究提出了使用神经网络预测论文未来引用次数的新方法，该方法有效地提高了年度和总引用次数的预测准确性。

Sep, 2018

比较预印本和已发表论文的引用情况，推断高影响期刊对引用量的因果效应。发现高影响期刊不仅选择引用量更高的文章，同时还提高文章的引用率。研究表明，即使不考虑影响因子，期刊在研究评估中的影响仍然存在，对研究评估实践的改变具有重要影响。

Dec, 2019

研究了学术论文引用格局随时间演变的特点，提出了基于 “学术论文固有质量”、“论文引用的时效性”、“早期引用” 和 “早期引用的影响力” 四个因素的学术论文潜力指数模型 (PPI)，并通过分析影响论文引用增长的因素，提出了多特征的影响力预测模型，实验证明这两种模型的预测准确性得到了改善。其中，相对于多特征模型，PPI 模型的预测性能更好，且不需要调整参数，因此更好的解释了引用的变化。而多特征模型在平均绝对百分误差和准确性方面表现更好，但它们的预测效果更依赖于参数调整。

Aug, 2020

该研究论文提出了一种名为 hI 指数的科学研究生产力评估指标，它可以消除学科领域的影响，与传统 h 指数相比，具有更强的数据对比能力。

Sep, 2005

通过对每篇论文的全文应用无监督可解释的机器学习方法，系统地识别出隐藏的引文，发现对有影响力的发现来说，隐藏的引文数量超过引文计数，不受出版渠道和学科的影响。隐藏的引文数量取决于论文内对该主题讨论的程度，表明对于标准的文献计量分析而言，讨论得越多的发现越不可见。隐藏的引文表明文献计量衡量了一个发现的影响的真实度有限，因此需要从科学文献的全文中提取知识。

Oct, 2023