从短期语言影响预测长期引用
本文使用基于分位数回归的模型，预测了物理领域一大组出版物的未来引用次数分布，并发现出版物所在期刊的影响因子和出版物出现后一年的引用次数均有助于准确预测其长期的引用次数影响，为评估研究机构提供了一种方法学上的过渡。
Mar, 2015
本文利用混合方法分析了互联网上关于计算语言学的出版趋势、行为对研究聚焦点 —— 方法、材料和任务 —— 的采用、持久和退役的因果影响，发现了快速新方法 —— 双向 LSTMs 的引入影响了 LSTMs 的退役，深度学习，嵌入，生成和语言模型等趋势任务和技术在研究社区中持续受关注，并发现科学家所在地（中国等）和大规模研究项目的资金可能会对超出英语之外的语言进行研究的倾向产生影响。这项工作为计算语言学和更广泛的科学社区提供了有用的见解，提高了关于因果推断的潜力的认识。
Oct, 2021
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
通过分析大约 71.5K 篇论文，系统而实证地研究了引文的广泛时空模式，重点关注了 NLP 领域，发现引用文献的年代多集中在最近 5 年，而且引用多样性呈下降趋势，最近十年高引用论文的引文多样性也较低。
May, 2023
本研究提出了一种叫做 CausalCite 的因果推断方法，通过高维文本嵌入将每篇论文编码，利用余弦相似度提取相似的样本并综合计算出反事实样本，用于衡量论文被引用的因果关系，该方法在科学专家对 1,000 篇论文进行的实验、历史论文的奖项和 AI 各个子领域的稳定性等各种标准中表现出了很高的相关性和有效性，并给出了一些建议供未来研究者利用我们的度量方法以更好地理解论文质量。
Nov, 2023