被引频次是学术论文评价中应用最广泛的指标,与此同时,学者对网络平台论文的下载、点击,等其他效用指标的关注也越来越多,WoS平台发布的的学术用量级指标Usage,在论文评价领域提出了新视角。本研究从论文作者、发表的期刊、所在研究机构等外在因素和论文篇幅、作者数量、参考文献数量等内在因素两方面对比分析高低Usage论文的异同,并尝试通过机器学习的方法实现高Usage论文的预测,以探索高Usage论文的成因。本研究以WoS数据库2013年发表的“COMPUTER SCIENCE ARTIFICIAL INTELLIGENCE”学科下的11008篇论文的题录信息作为原始数据;按照Usage指标降序排序,选取前5%共550篇论文作为高Usage论文集;下载全记录格式的题录信息作为高Usage论文数据集,另外按照发布时间排序取并排除掉高Usage论文的550篇文献,下载全记录格式的题录信息,作为低Usage论文数据集。全部数据下载时间为2018年11月,最终获得1100篇论文的题录信息作为原始数据,然后根据作者机构和期刊的信息,分别在WoS平台的ESI数据库和JCR年度报告中获取论文的机构和期刊的指标数据。研究发现:(1)论文自身特征:两种论文合著率均比较高,高Usage论文的参考文献数量明显大于低Usage论文,而作者数量、论文篇幅,两种论文集不存在显著差异。(2)论文作者:无论是作者的发文量、h指数、还是总被引频次,低Usage论文作者相比于高Usage论文作者,明显处于弱势。(3)论文所在机构:两种论文所在机构在发文量、总被引频次、被引频次/发文量上均不存在显著性差异。这一点与论文作者量化指标不同,作者所在机构的影响力对论文Usage的影响远没有上升到显著水平。(4)高Usage论文所在期刊的总被引频次明显高于低Usage论文所在期刊;在被引半衰期和引用半衰期上高Usage论文也略高一些,但影响因子JIF、发文量、以及文章影响值两种论文不存在显著差异。结果表明,高Usage论文主要集中在,参考文献多,研究基础扎实,作者影响力大,期刊影响力大,引用较新,老化速度较慢的期刊。(5)对比发现CHAID决策树分类模型对Usage指标预测效果最好,模型匹配度较高,在测试集上预测准确率都达到84%以上。