长期以来,衡量一名学者的学术价值已经被各个研究领域内的学者们从多个角度进行了研究分析,各种学术机构也以此作为科研基金和科研奖项发放和分配的依据。但是却很少有学者致力于研究如何通过学术生涯初始阶段学者的学术表现来预测评估学者在未来的学术表现。而实际上,对于所有的学术组织以及各类研究机构来说,在日益庞大的学术新人团体中,准确定位到有潜力的学者是一项意义重大而又充满挑战的人力资源问题。本文要寻找的潜力学者指那些刚刚步入学术领域,现阶段在其研究领域中还没有突出贡献,但是在以后的学术生涯中,他们将成长为研究领域内的专家级学者以及团队骨干成员的学术新人。然而对学术新人的学术能力进行评估时,目前已有的研究方案中对作为评估依据的数据选取过于粗糙,他们都是无差别的随机截取5年时间作为研究时间窗进行处理,这是不合理的。本文提出的挖掘模型在选取研究时间窗时,充分考虑到学者自身加入学术领域的时间因素,将学者发表第一篇论文的时间视为学术生涯的起始时间,并截取这之后5年的数据作为判断依据。并且本文的挖掘模型采用研究时间段内学者的论文数、论文被引用总次数、论文平均被引用次数、合作者数量、合作者平均被引次数、论文合著网络中学者节点重要性分值、作者引用网络中学者的节点重要性分值7个特征因素作为评判依据,并且使用机器学习算法为以上特征值的权重做出区分。最后根据权重值以及特征值为学者计算出潜力学者分值,以此寻找潜力学者。本文不仅完成了挖掘模型的构建,同时也通过在实际数据集上进行的仿真实验进行了效果验证。实验中使用了分别属于物理学领域的APS数据集和属于计算机领域的DBLP数据集,在这两个数据集上的实验结果不仅证明了本文提出的挖掘方案的有效性和合理性,同时也证明了该挖掘方案的普适性。