FAME：基于连续时间流形演化的学术影响预测
机器学习
2026-05-11 v1
摘要
大型语言模型（LLMs）日益用于头脑风暴和评估研究想法，但由于新想法的真实影响可能需要数年才能显现，因此对此类判断 fundamentally difficult。我们通过使用人类撰写的手稿影响预测作为可验证的代理任务来解决这一挑战。在一项纵向预测研究中，我们发现前沿 LLMs 无法可靠地区区高影响力论文与普通出版物，表明基于静态文本的判断对科学评估不够。为此，我们提出了 （orecastingcademicanifoldvolution），一个用于建模科学主题动态轨迹的时空框架。FAME 将论文投影到由文本特征和已验证知识流图信息驱动的动态潜在空间中，学习几何约束，将有影响力的手稿与其领域的前进动力力学相一致。在三个快速演化的子领域中对 3,200 篇 arXiv 论文进行实验，表明 FAME 在纵向多维度学术影响预测中始终显著优于最先进的 LLM 评估器。此外，将 FAME 的动态几何信号整合到 LLM 中可显著提升其预测性能。这些结果支持手稿影响预测作为一种有用的、可衡量的代理基准，并将 FAME 定位为自动科学评估的强大、具轨迹感知的基础。
引用
@article{arxiv.2605.07208,
title = {FAME: Forecasting Academic Impact via Continuous-Time Manifold Evolution},
author = {Jianrong Ding and Jianyuan Zhong and Zhengyan Shi and Qiang Xu},
journal= {arXiv preprint arXiv:2605.07208},
year = {2026}
}