English
资源说明：在科学出版物数量不断增加的背景下，科学影响力预测变得日益迫切。传统的科学影响力预测主要依赖于长时间积累的引用网络、元数据以及论文全文，但这种方法相对滞后，很难适应技术的快速发展。此外，Twitter由于其快速的信息传播速度成为传播最新技术信息的重要渠道之一。实时发布新消息的优点能够补偿传统科学影响力预测方法的不足。因此，本研究提出了一种新的方法，旨在通过Twitter实时预测科学影响力，而无需发布论文内容。研究过滤了学术性推文(STtweets)，并提取了Tweet Scholar Blocks(TSBs)来指示论文的元数据，帮助实时预测科学影响力。此外，作者社交特征、会议流行度特征和标题特征被用来预测文章是否能在五年后增加其第一作者的h指数。
本研究提出的模型取得了卓越的预测结果，最佳准确率达到了80.95%。最佳特征组合包括所有合著者的朋友和关注者数量之和、第一作者的关注者数量以及标题嵌入。而所有合著者的关注者数量则是最关键的特征。研究发现Twitter有潜力实时预测科学影响力。作者希望在Twitter上实时进行的科学影响力预测可以帮助研究人员扩大他们的影响力，并更方便地站在巨人的肩膀上。
从这篇文章中，我们可以提炼出以下知识点：
1. 科学影响力预测的需求：随着科学出版物数量的增加，判断科学工作的影响力变得越来越重要，因为这有助于确定研究的质量和对科学界的长远贡献。
2. 传统科学影响力预测方法的局限性：这些方法依赖于引用网络和文献元数据，更新周期长，难以适应快速变化的技术发展，因此对于预测新兴研究的影响力不够灵敏。
***itter作为信息传播平台的作用：Twitter是一个即时消息发布平台，可以快速传播最新技术信息，对于科学社区而言，这是一个极佳的工具来实时分享和讨论研究成果。
4. 实时科学影响力预测方法：研究者提出了一种新的预测方法，通过分析Twitter上的信息来实时预测科学论文的影响力，而不是依赖于长期的引用分析。
5. 学术性推文(STtweets)和Tweet Scholar Blocks(TSBs)的概念：这两个概念涉及到了用于科学影响力预测的数据提取过程，其中STtweets指的是与学术相关的推文，而TSBs是指含有论文元数据的推文部分。
6. 影响力预测模型：模型采用各种特征，例如作者的社交特征、会议的受欢迎程度以及论文标题的特征来进行预测。
7. 模型的有效性与特征重要性：研究揭示了所提出的模型的准确度高达80.95%，并且确认了合著者关注度总数是最关键的特征。
***itter在科学研究中的应用前景：研究结果表明，Twitter不仅是一个社交媒体工具，还可以作为一种研究工具，有助于预测和衡量科学工作在实际社会中的潜在影响。
9. 研究的实际影响：研究希望提供的实时科学影响力预测能够帮助科研人员更有效地传播他们的工作，并扩大他们的学术影响力。
10. 关键词：本研究的关键词包括Twitter、科学影响力预测和实时，它们强调了文章研究的核心议题和关注点。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
