《自然-生物技术》发表的一篇论文Learning on knowledge graph dynamics provides an early warning of impactful research指出，一个机器学习模型可用于预测科学文献中已发表研究的未来“影响力”。这个模型的打分可用来预测任意年份发表的“前5%的论文”，或能补充当前依赖论文引用量指标的文献计量分析系统。
有许多系统都被用来评估研究人员的科研产出，包括基于他们所著论文引用量的指标。随着机器学习的兴起，我们可以从研究人员产出的更多角度去评判他们发表研究的潜在影响力。为此，研究团队推出了一个机器学习模型，该模型能预测以时间为尺度的“PageRank”（网页排名）分数——类似于用来给网页重要性排名的指标，并提议将该模型用于评估研究人员的产出。
为实现这个想法，美国麻省理工学院的James Weis和Joseph Jacobson建立了一个名为DELPHI（Dynamic Early-warning by Learning to Predict High Impact，通过学习预测高影响实现动态预警）的模型，并用科学研究图谱加以训练。作者使用的数据集包含1980-2019年期间发表的1687850篇具有唯一性的论文，从中得到了论文发表后1-5年与每例论文、作者、期刊、网络相关的29个特征。作者再用每篇论文的特征训练一个机器学习模型，让这个模型给出影响力“预警”分数。
在一次回顾性盲法研究中，作者的模型准确识别出了1980-2014年期间20项具有重大影响的生物技术中的19项。这个模型还预测，2018年在42本生物技术领域期刊发表的50篇论文可能会跻身未来排名的前5%，或能以数据驱动的方式发现并让经费流向那些“深藏不露”的好研究。在将这类模型应用于其他研究领域前，仍需开展进一步测试，将该方法在生物技术以外领域的表现与常规影响力指数相比较，比如领域归一化的引用分数。
