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
本研究提出一种包含学术特征设计、非线性、领域异质性和动态性等多个方面的考虑的预测模型,采用数据挖掘技术,在大规模真实学术数据集上进行实证研究。
Apr, 2015
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
探索机器学习算法和方法在个体金融成功中所发挥的各种社会经济因素,以理解和揭示影响金融成功的真正决定因素,其中包括最高学历、职业、性别、年工作小时、年龄和工作资历等。
May, 2024
本文通过创建数据集,采用监督式机器学习,使用四种特征对引文学术影响力进行预测并设计了一种新的基于引文提升的 H 指数,证明其比传统 H 指数更好地衡量研究人员的表现。
Jan, 2015
本文提出一种相对于 impact factor 更能准确评估学者研究成果的指标 Author Impact Factor,并分析了其与 h-index 等指标的不同之处。
Dec, 2013
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
研究论文提供一种基于机械模型的引用动态模式,具有预测科学影响力和潜在政策意义的可靠测量方式。
Jun, 2013
本研究提出了 GeneticFlow(GF),一组新颖的基于图的学者概况,通过包括一个新的非监督型指导者 - 顾问检测算法、一个良好设计的可解释特征的引文类型分类器以及一个经过微调的图神经网络(GNN)模型,计算大规模学术数据源上的 GF,实现了 “结构化上下文”、“以学者为中心” 和 “演化丰富” 三个基本要求,在真实世界的科学奖推断任务方面进行了评估。实验结果表明,GF 概况最好的 F1 得分在所有考虑的 6 个计算机科学领域中显着优于影响因子和文献计量网络的替代方法。 此外,63.6%-66.5%节点和 12.5%-29.9%边的核心 GF 概况仍显著优于现有方法中的 5 个研究领域。
Apr, 2023
本调查是关于 NLP 社区对于同行评审匹配系统中应该考虑的因素,旨在为改进未来的 NLP 会议提供可行建议和可解释的同行评审分配的愿景。
May, 2022