Opbygning af forfatter-hubs: ORCID, Crossref og forskerprofiler som grundlæggende tillidselementer

Opbygning af forfatter-hubs: ORCID, Crossref og forskerprofiler som grundlæggende tillidselementer

Forfatter-hubs er offentlige, forbundne optegnelser, der hjælper mennesker og maskiner med at besvare tre grundlæggende spørgsmål:

1. Hvem skabte dette værk?
2. Hvad er værket præcist?
3. Hvorfor skulle nogen stole på forbindelsen mellem personen, værket og organisationen?

For menneskelige læsere kan en forfatter-hub se ud som en profilside med en biografi, publikationer, kvalifikationer og links. For kunstig intelligens-systemer er det mere nyttigt at tænke på det som en forbundet bevisgraf.

En stærk forfatter-hub forbinder:

• En person med et ORCID iD
• En publikation, et datasæt, en rapport eller en softwarepakke med en Digital Objektidentifikator
• Et værk med komplette Crossref- eller DataCite-metadata
• En forsker med verificerede tilknytninger og organisationer
• En offentlig profil med en stabil institutionel webside
• Bidrag med klare roller, såsom dem i Contributor Roles Taxonomy
• Nuværende og tidligere roller med datoer, kilder og opdateringsoptegnelser

Disse forbindelser kan forbedre identitetsopløsning, genfinding, citeringsnøjagtighed og kildeverifikation. De garanterer ikke, at et kunstig intelligens-system vil citere en forfatter. Der er ingen troværdig offentlig dokumentation for, at tilføjelse af ét ORCID iD giver en fast stigning i kunstig intelligens-citeringer. Det stærkere argument er smallere og mere forsvarligt: gode identitets- og værkmetadata gør det lettere for søge- og forskningssystemer at finde, matche, verificere og korrekt citere videnskabeligt materiale.

Denne artikel afspejler offentlig dokumentation og forskning, der er tilgængelig pr. 13. august 2026.

Hvorfor forfatter-hubs er vigtige for kunstig intelligens-systemer

Kunstig intelligens-systemer bruger ikke alle de samme søgeindekser, databaser eller rangeringsmetoder. Nogle er afhængige af live websøgning. Andre bruger videnskabelige databaser, licenserede indekser, interne videnslagre eller genfindingssystemer, der søger i dokumenter, før de genererer et svar.

Alligevel står mange systemer over for de samme tekniske problemer:

• Navne kan staves på forskellige måder.
• Flere forskere kan have samme navn.
• Et værk kan have en preprint, en konferenceversion, et accepteret manuskript og en endelig version.
• En tidsskriftsartikel kan være forbundet med et datasæt, en softwarepakke, et stipendium eller en rettelse.
• En forfatter kan skifte institution eller navn.
• En webside kan beskrive en kvalifikation uden at vise, hvem der udstedte den, eller hvornår den var gyldig.

Vedvarende identifikatorer og strukturerede metadata hjælper med at løse disse problemer.

Digital Object Identifier-systemet beskriver en identifikator som et vedvarende navn for et digitalt, fysisk eller abstrakt objekt. Dets værdi afhænger ikke kun af identificeringsoplysningen, men også af de metadata, der er forbundet hermed. DOI-håndbog (doi.org)

En nyttig måde at tænke på en forfatter-hub er som fire forbundne lag:

Målet er ikke at skabe en profil fuld af imponerende ord. Målet er at skabe en optegnelse, hvor vigtige påstande kan kontrolleres.

De tre hoveddele af en forfatter-hub

1. ORCID: Laget for personidentitet

ORCID står for Open Researcher and Contributor ID. Det giver en vedvarende identifikator for en person og hjælper med at skelne forskere, der har lignende navne, bruger forskellige navneformer eller ændrer deres navne over tid. ORCID-oversigt (support.orcid.org)

En ORCID-optegnelse kan indeholde:

• Navne og navnevarianter
• Ansættelse og uddannelse
• Forskningsarbejder
• Finansiering
• Peer review-aktivitet
• Redaktionel tjeneste
• Medlemskaber og udmærkelser
• Forskningsressourcer
• Links til andre identifikatorer

Den vigtigste funktion er ikke selve det 16-cifrede nummer. Det er netværket af understøttede forbindelser, der er knyttet til dette nummer.

For eksempel:

text Jane Smith └── ORCID iD ├── Article DOI ├── Dataset DOI ├── Grant identifier ├── University affiliation ├── Software record └── Editorial role

Godkendte forbindelser er stærkere

Organisationer bør indsamle ORCID iD'er gennem en godkendt log-in-proces i stedet for at bede folk om at indtaste en identifikator i en formular. ORCID anbefaler at bruge sin autorisationsproces, så forskeren bekræfter den korrekte optegnelse. Vejledning til ORCID-integration og API (info.orcid.org)

Denne skelnen er vigtig:

• Ubekræftet påstand: “Dette ORCID iD tilhører Jane Smith.”
• Godkendt påstand: “Jane Smith loggede ind via ORCID og godkendte dette system til at bruge hendes iD.”
• Institutionel påstand: “Universitetet bekræfter, at denne person havde denne tilknytning i disse perioder.”

ORCID gemmer også kilden og oprindelsen af påstande. Et værk eller en tilknytning kan tilføjes af forskeren, en udgiver, en finansieringskilde eller en anden betroet organisation. ORCID-tillidsvejledning (info.orcid.org)

Dette skaber et nyttigt tillidssignal for både mennesker og maskiner:

Optegnelsen siger ikke kun, hvad der påstås. Den kan også vise, hvem der fremsatte påstanden, og hvornår den blev tilføjet.

Vigtig begrænsning

Et ORCID iD er ikke en garanti for, at hvert element i en optegnelse er korrekt. ORCID selv opfordrer brugere til at undersøge tillidsmarkører, kilder, datoer og de organisationer, der har tilføjet information. ORCID-tillidsmarkører (info.orcid.org)

Derfor bør organisationer ikke behandle “har et ORCID iD” som lig med “er fuldt verificeret.” En bedre model er:

• Selv-påstået
• Godkendt
• Institutionelt bekræftet
• Udgiver-bekræftet
• Finansieringskilde-bekræftet
• Nyligt gennemgået

2. Crossref og DataCite: Laget for værkidentitet

ORCID identificerer personen. Crossref og DataCite hjælper med at identificere værket.

En Digital Objektidentifikator kan identificere:

• Tidsskriftsartikler
• Bøger og bogkapitler
• Konferencebidrag
• Datasæt
• Software
• Rapporter
• Preprints
• Peer reviews
• Standarder
• Plakater og præsentationer

Et DOI skal løse til en stabil landingsside. Vigtigere er det, at det skal have komplette metadata, der beskriver værket.

Crossref anbefaler at registrere information såsom:

• Efternavn og fornavn
• Bidragsyderroller
• Tilknytninger
• Organisationsidentifikatorer
• ORCID iD'er
• Publikationsdatoer
• Abstracts
• Referencer
• Finansiering
• Licenser
• Versionsinformation
• Opdateringer og rettelser

Crossref påkrævede og anbefalede metadata (crossref.org)

Crossref beskriver sine metadata som en delt ressource, der kan tilgås via webgrænseflader, applikationsprogrammeringsgrænseflader og bulk-downloads. Downstream-systemer kan bruge denne information til at opdage og forbinde videnskabelige resultater. Crossref metadata-genfinding (crossref.org)

DataCite tjener en lignende funktion for datasæt og mange andre forskningsresultater. Deres nuværende Metadata Schema 4.7, udgivet den 3. marts 2026, understøtter skabere, bidragsydere, ORCID-identifikatorer, tilknytninger, organisationsidentifikatorer, relaterede identifikatorer, finansiering, beskrivelser og ressourcetyper. DataCite Metadata Schema (schema.datacite.org)

DataCite anbefaler specifikt at forbinde skaber- og bidragsyderoptegnelser med ORCID-identifikatorer og organisatoriske tilknytninger med organisationsidentifikatorer. DataCite navneidentifikatorer (support.datacite.org)

Et DOI er ikke et kvalitetsstempel

Et DOI beviser, at en optegnelse eksisterer i et DOI-registreringssystem. Det beviser ikke, at:

• Forskningen er korrekt
• Publikationen er fagfællebedømt
• Tidsskriftet er anerkendt
• Forfatteren er ekspert
• Resultaterne er vigtige

Crossref gør dette punkt klart: selve DOI'en angiver ikke objektets værdi eller nøjagtighed. De omkringliggende metadata giver kontekst og muliggør forbindelser. Crossref DOI-vejledning (support.crossref.org)

Det er derfor, en komplet DOI-optegnelse er meget mere nyttig end en DOI-streng placeret nederst på en side.

Bidragsyderroller tilføjer mening

I juli 2026 tilføjede Crossref Schema 5.5 bedre understøttelse af flere bidragsyderroller, korresponderende forfattere og Contributor Roles Taxonomy. Crossref Schema 5.5 (crossref.org)

Contributor Roles Taxonomy indeholder 14 roller, herunder:

• Konceptualisering
• Datakuratering
• Formel analyse
• Undersøgelse
• Metodologi
• Software
• Supervision
• Validering
• Visualisering
• Skrivning af det originale udkast
• Skrivning, gennemgang og redigering

Taksonomien blev designet til at gøre bidrag mere gennemsigtige og understøtte kredit, ansvarlighed, forskningsevaluering og forskningsintegritet. Contributor Roles Taxonomy (credit.niso.org)

For kunstig intelligens-systemer skaber dette et rigere svar end “Jane Smith er en forfatter.” Et system kan potentielt skelne mellem:

• Personen, der designede studiet
• Personen, der skrev softwaren
• Personen, der analyserede dataene
• Personen, der overvågede projektet
• Personen, der skrev det originale manuskript

Det er især vigtigt for store forskerhold og tekniske projekter.

3. Forskerprofiler: Kontekstlaget

Forskerprofiler gør identitetsgrafen forståelig for mennesker og lettere for søgesystemer at fortolke.

En robust profil bør omfatte:

• En stabil institutionel side
• Et konsekvent navn
• Navnevarianter, hvor det er relevant
• ORCID iD
• Nuværende og tidligere tilknytninger
• Forskningsområder
• Udvalgte værker med DOI-links
• Datasæt, software og rapporter
• Finansiering og priser
• Redaktionelle eller bedømmelsesroller
• Bidragsyderroller
• Datoer for nuværende og tidligere stillinger
• En senest gennemgåede dato
• Links til andre offentlige profiler

Google Scholar-profiler giver forskere mulighed for at liste publikationer, gøre profilen offentlig, se hvem der citerer deres arbejde og spore citeringsmålinger. En offentlig profil med en verificeret institutionel e-mailadresse kan være berettiget til at optræde i Google Scholar-søgeresultater. Google Scholar-profiler (scholar.google.com)

Google Scholar bør dog behandles som et synligheds- og opdagelseslag, ikke den primære kilde til sandhed. Forskere kan administrere deres egne publikationslister, og automatisk matching kan inkludere forkerte eller duplikerede værker. Citeringsantal varierer også på tværs af databaser.

OpenAlex tilbyder et andet nyttigt opdagelseslag. Det opretholder entydige forfatteroptegnelser og forbinder forfattere, værker, institutioner, kilder og emner. OpenAlex oplyser, at det trækker information fra kilder som Crossref og DataCite, og derefter matcher forfattere med ORCID iD'er og tilknytninger med organisationsidentifikatorer. OpenAlex økosystembeskrivelse (help.openalex.org)

Den bedste praksis er derfor profilføderation:

text Institutional author page ↕ ORCID record ↕ Crossref or DataCite work records ↕ OpenAlex and Google Scholar profiles ↕ Publisher, repository, funder, and professional pages

Ingen enkelt profil behøver at indeholde alt. De bør pege på hinanden og bruge de samme identifikatorer.

Hvordan disse signaler kan påvirke kunstig intelligens-citeringer

Det er vigtigt at skelne mellem fem forskellige hændelser:

1. Opdagelse: Kan et system finde siden eller værket?
2. Identitetsopløsning: Kan det afgøre, hvilken person og organisation der er involveret?
3. Genfinding: Inddrager systemet værket i sit bevisgrundlag?
4. Citeringsudvælgelse: Citerer det værket i svaret?
5. Citeringskorrekthed: Peger citationen på det rigtige værk og understøtter påstanden?

ORCID, DOI-metadata og forskerprofiler kan hjælpe mest direkte med de første tre trin. De kan også forbedre citeringskorrektheden. Deres effekt på citeringsudvælgelsen afhænger sandsynligvis af emnets relevans, kildekvalitet, aktualitet, tilgængelighed og det specifikke kunstig intelligens-system.

Googles søgedokumentation anbefaler at bruge en forfatterside, url og sameAs-links for at hjælpe med at identificere artikelforfattere. For datasæt anbefaler Google specifikt at bruge et ORCID iD i sameAs-egenskaben for en personlig skaber. Google artikel strukturerede data Google datasæt strukturerede data (developers.google.com)

En simpel profilside kunne bruge strukturerede data som dette:

{ "@context": "https://schema.org", "@type": "Person", "@id": "https://institution.edu/people/jane-doe#person", "name": "Jane Doe", "url": "https://institution.edu/people/jane-doe", "sameAs": [ "https://orcid.org/0000-0000-0000-0000", "https://scholar.google.com/citations?user=EXAMPLE", "https://openalex.org/authors/A0000000000" ], "affiliation": { "@type": "Organization", "name": "Example University", "sameAs": "https://ror.org/000000000" }, "subjectOf": [ { "@type": "ScholarlyArticle", "identifier": "https://doi.org/10.0000/example" } ] }

Strukturerede data garanterer ikke en søgefunktion eller en kunstig intelligens-citation. Google angiver, at selv korrekt implementerede strukturerede data muligvis ikke vises i søgeresultaterne. Deres værdi ligger i, at de giver maskiner en klar, standardiseret måde at fortolke siden på. Google vejledning om strukturerede data (developers.google.com)

Den praktiske konklusion er:

Identifikatorer forbedrer vejen til bevis. De erstatter ikke bevis.

Hvad den nuværende forskning siger om kunstig intelligens-citeringer

Forskning i kunstig intelligens' citeringsadfærd har primært studeret citeringsnøjagtighed, kildevalg og verificerbarhed. Den har endnu ikke produceret et pålideligt, generelt estimat for effekten af ORCID-knyttet identitetsstyrke.

Et studie fra 2023 af citeringer genereret af ChatGPT fandt betydelige rater af fabrikerede referencer og fejl i reelle referencer. Studiet undersøgte 636 citeringer genereret på tværs af 84 artikler og fandt, at citeringsproblemerne fortsatte selv i den nyere model, der blev testet. Scientific Reports studie (nature.com)

Et andet studie af generative søgemaskiner fandt, at mange genererede sætninger ikke var fuldt understøttet af citeringer, og at mange citeringer ikke i tilstrækkelig grad understøttede de udsagn, de ledsagede. Evaluering af verificerbarhed i generative søgemaskiner (arxiv.org)

Nyere forskning viser også, at generative søgesystemer adskiller sig i deres kildevalg, kildeoverlap, stabilitet og brug af intern versus ekstern viden. Karakterisering af websøgning i den generative kunstige intelligens' tidsalder (aclanthology.org)

Disse fund understøtter en forsigtig holdning:

• Et DOI kan reducere tvetydighed om det citerede værk.
• ORCID kan reducere tvetydighed om personen.
• Tilknytningsidentifikatorer kan reducere tvetydighed om organisationen.
• Bidragsyderroller kan forbedre tilskrivning.
• En offentlig profil kan give kontekst.
• Ingen af disse signaler garanterer, at et system vil hente eller citere værket.

Et forskningsprogram til måling af identitetsstyrke og kunstig intelligens-citeringsfrekvens

Organisationer bør ikke hævde, at forfatter-hubs forbedrer kunstig intelligens-citeringer, før de måler forholdet direkte.

Definer en score for forfatteridentitetsstyrke

Følgende er en foreslået score, ikke en officiel standard.

Inkluder ikke citeringsantal, tidsskriftpræstige eller institutionel rang i denne score. Disse faktorer bør behandles som separate variabler. At inkludere dem ville gøre det svært at afgøre, om identitetsstyrke i sig selv er relateret til citeringsfrekvens.

Mål mere end én type citering

Et nyttigt studie bør spore mindst seks resultater:

1. Værkciteringsrate
   Procentdelen af berettigede svar, der citerer et specifikt værk.

2. Forfattertilskrivningsrate
   Procentdelen af svar, der korrekt navngiver eller tilskriver værket til den rigtige forfatter.

3. Gyldig identifikatorrate
   Procentdelen af citeringer, der indeholder et DOI, der løser til det korrekte værk.

4. Citeringspræcision
   Procentdelen af citeringer, der faktisk understøtter det fremsatte udsagn.

5. Citeringsgenkaldelse
   Procentdelen af vigtige understøttende kilder, som systemet citerer.

6. Tværplatformsstabilitet
   Procentdelen af citeringer, der gentages på tværs af forskellige systemer eller gentagne kørsler.

En nylig målemodel for generativ søgning adskiller citeringsudvælgelse fra citeringsabsorption, hvilket betyder, om en kilde blot optræder på citeringslisten eller faktisk bidrager med bevis til svaret. Denne skelnen bør inkluderes i fremtidige forfatter-hub studier. Ramme for citeringsudvælgelse og citeringsabsorption (arxiv.org)

Studie Én: Observationelt korrelationsstudie

Dette studie spørger:

Bliver værker, der er forbundet med stærkere forfatteridentiteter, citeret oftere af kunstig intelligens-systemer efter kontrol for emne- og publikationsfaktorer?

Foreslået design

• Udvælg 10.000 til 50.000 videnskabelige værker
• Dæk flere discipliner, sprog og publikationstyper
• Brug Crossref, DataCite, OpenAlex og offentlige ORCID-data
• Beregn en identitetsstyrkescore for hver forfatter og hvert værk
• Opret et sæt spørgsmål, som de udvalgte værker er relevante for
• Kør spørgsmålene på tværs af flere citeringsgenererende systemer
• Gentag hvert spørgsmål flere gange
• Registrer dato, system, modelindstilling, region og citerede kilder

Vigtige kontrolvariabler

Studiet bør kontrollere for:

• Emnerelevans
• Publikationsår
• Open access-status
• Tilgængelighed af abstract
• Tilgængelighed af fuldtekst
• Udgivelsessted
• Eksisterende videnskabeligt citeringsantal
• Institutionel omdømme
• Sprog
• Sidehastighed og crawlbarhed
• Værktype
• Forfatternavnets almindelighed
• Antal medforfattere
• Forespørgselsordlyd
• Søgesystem

Den primære statistiske model kunne estimere:

text Probability of correct citation = identity strength

• topical relevance
• work age
• open access
• scholarly citations
• system
• query
• author and topic controls

En logistisk regression eller en mixed-effects model ville være passende for et ja-eller-nej-resultat, såsom hvorvidt et værk blev citeret. En negativ binomial model kan være nyttig for citeringsantal, da citeringsdata ofte er ujævnt fordelt.

Resultatet bør rapporteres som et odds ratio med et konfidensinterval, ikke som en simpel procentdel. For eksempel:

En stigning på én standardafvigelse i identitetsstyrke var forbundet med en ændring i citeringssandsynlighed efter kontrol for relevans, alder, adgang og tidligere videnskabelig opmærksomhed.

Studiet bør også rapportere nulresultater. Et fund af ingen sammenhæng ville være nyttigt, fordi det ville vise, at identifikatorer forbedrer datakvaliteten uden nødvendigvis at ændre kunstig intelligens' citeringsadfærd.

Studie To: Kontrolleret metadataeksperiment

Et observationsstudie kan forveksle identitetsstyrke med popularitet. Et kontrolleret eksperiment kan isolere nogle effekter.

Der er to praktiske versioner.

Version A: Offentligt webeksperiment

Opret matchede sider med samme substantielle indhold, men forskellige metadata-behandlinger:

• Kun grundlæggende forfatternavn
• Forfatternavn plus institutionel profil
• Forfatternavn plus ORCID-link
• Forfatternavn, ORCID, DOI, tilknytningsidentifikator og strukturerede data

Udgiv siderne samtidigt og overvåg:

• Søgeopdagelse
• Korrekt forfattermatching
• Genfinding i kunstig intelligens-svar
• Citeringsfrekvens
• Citeringskorrekthed

Dette eksperiment skal fortolkes omhyggeligt. Offentlige systemer kan crawle sider på forskellige tidspunkter, og organisationer kan ikke nemt ændre Crossref- eller DataCite-optegnelser for et allerede publiceret værk.

Version B: Kontrolleret forskningsindeks

Byg et lille genfindingssystem, der indeholder de samme dokumenter under forskellige metadata-betingelser. Varier kun:

• Forfatteridentifikator
• DOI
• Tilknytning
• Bidragsyderrolle
• Profil-links
• Herkomstfelter

Stil derefter de samme spørgsmål og mål genfinding og citeringsudvælgelse. Dette eksperiment giver bedre kontrol, men det måler et forskningssystem snarere end kommercielle platforme.

Studie Tre: Forskudt organisatorisk udrulning

Det stærkeste praktiske design er et difference-in-differences studie.

En organisation kan udrulle forfatter-hubs i faser:

• Afdeling Én modtager det fulde program i oktober 2026.
• Afdeling To modtager det i januar 2027.
• Afdeling Tre modtager det i april 2027.

Alle afdelinger måles før og efter implementering. Afdelinger, der endnu ikke har modtaget programmet, fungerer som midlertidige sammenligningsgrupper.

Mål:

• Korrekt forfattertilskrivning
• DOI-opløsning
• Citeringsfrekvens
• Citeringsnøjagtighed
• Søgevisninger
• Profilsidebesøg
• Tid nødvendig for at korrigere dårlige metadata

Dette design er stærkere end en simpel før-og-efter-sammenligning, fordi det hjælper med at adskille effekten af udrulningen fra bredere ændringer i kunstig intelligens-systemer.

Hypoteser, der er værd at teste

Organisationer kan forhåndsregistrere disse hypoteser:

• H1: Stærkere identitetslinks forbedrer korrekt forfattertilskrivning.
• H2: Komplette DOI-metadata forbedrer gyldige citeringsrater.
• H3: Tilknytningsidentifikatorer hjælper mest, når forfattere har almindelige navne eller flytter mellem institutioner.
• H4: Forskerprofiler forbedrer opdagelse mere, end de forbedrer den endelige citeringsfrekvens.
• H5: Identitetsstyrke har en større effekt på 'long-tail' forfattere end på allerede berømte forfattere.
• H6: Effekten varierer efter system, emne, sprog og publikationstype.
• H7: Friskhed og emnerelevans betyder mere end profiludsmykning.

Hvilke kvalifikationer bør offentliggøres?

En profil bør offentliggøre kvalifikationer, der kan kontrolleres. Hver kvalifikation bør have:

• En kvalifikationstype
• Personen, der besidder den
• Den udstedende organisation
• En vedvarende identifikator for organisationen, når den er tilgængelig
• Start- og slutdatoer
• En verificeringskilde
• En status som nuværende, udløbet, bestridt eller arkiveret
• En senest gennemgåede dato

Organisationer bør mærke kilden til hver kvalifikation:

• Selvrapporteret
• Institutionelt verificeret
• Udgiver verificeret
• Finansieringskilde verificeret
• Importeret fra et register
• Afventer gennemgang

Undgå at offentliggøre ubegrundede etiketter såsom “førende ekspert” eller “verdensberømt forsker.” Erstat dem med beviser:

• Antal og type værker
• Forskningsområder
• Verificerede roller
• Finansierede projekter
• Redaktionel tjeneste
• Offentlige datasæt eller software
• Institutionelle udnævnelser

Denne tilgang er mere nyttig for både læsere og maskiner.

Udrulningsplan for organisationer

Fase Én: Opret metadata-politikken

Udpeg en lille styringsgruppe med repræsentanter fra:

• Forskningsadministration
• Bibliotekstjenester
• Informationsteknologi
• Kommunikation
• Udgivelses- eller repository-tjenester
• Privatliv
• Forskningsintegritet

Opret en kort datalov, der definerer:

• Påkrævede felter
• Godkendte identifikationssystemer
• Hvem der må bekræfte hvert felt
• Hvilke felter er offentlige
• Hvordan rettelser håndteres
• Hvor lang tid opdateringer bør tage
• Hvad der sker, når en person forlader

Brug en enkelt datakontrakt på tværs af systemer. Som minimum bør hver person-, værk-, organisations- og kvalifikationsoptegnelse have:

text persistent_id display_name source asserted_by valid_from valid_to last_verified status evidence_url

Fase To: Indsaml godkendte identifikatorer

Bed forskere om at forbinde deres ORCID-optegnelser via en godkendt proces. Gør ikke institutionen ansvarlig for at gætte, hvilket ORCID iD der tilhører en person.

Samtidig:

• Tildel organisationsidentifikatorer til afdelinger og institutioner
• Link personaloptegnelser til ORCID
• Match eksisterende publikationer med DOI-optegnelser
• Marker navnekollisioner
• Bevar alternative navneformer
• Registrer samtykke- og synlighedsindstillinger

Fase Tre: Forbedr DOI-metadata

For nye værker, kræv at publikationsarbejdsgangen indsamler:

• Fulde forfatternavne
• Godkendte ORCID iD'er
• Tilknytninger
• Organisationsidentifikatorer
• Bidragsyderroller
• Finansieringsidentifikatorer
• Abstracts
• Referencer
• Licenser
• Versions- og opdateringsinformation

For ældre værker, start med de seneste fem år og organisationens mest brugte forfattere.

Crossref og DataCite bør modtage rettelser og opdateringer snarere end kun den originale deponering. DOI-strenge forbliver vedvarende, mens tilknyttede metadata kan vedligeholdes. Crossref metadata-vedligeholdelse (crossref.org)

Fase Fire: Byg kanoniske forfattersider

Hver forsker bør have én stabil institutionel side. Denne side bør:

• Bruge en permanent webadresse
• Vise den nuværende rolle
• Bevare tidligere roller med datoer
• Linke til ORCID
• Linke til udvalgte DOI-optegnelser
• Linke til offentlige forskerprofiler
• Vise forskningsområder
• Vise en sidst opdateret dato
• Bruge strukturerede data
• Forblive tilgængelig for søgemaskinerobotter
• Undgå at kræve et login

Google anbefaler at bruge klare forfatter-URL'er og sameAs-links for at hjælpe med at skelne forfattere. Google vejledning til forfatter-markup (developers.google.com)

Fase Fem: Føderér og overvåg profiler

Link den institutionelle side til:

• ORCID
• Google Scholar
• OpenAlex
• Udgiversider
• Repository-optegnelser
• Stipendiesider
• Offentlige faglige profiler, hvor det er relevant

Brug automatiserede kontroller til at finde:

• Brudte DOI-links
• Manglende ORCID-links
• Duplikerede forfattere
• Forkerte medforfattermatches
• Gamle tilknytninger
• Udløbne kvalifikationer
• Manglende opdateringsdatoer
• Manglende navne-matches
• Tilbagetrækninger eller rettelser

Styring af opdateringer og rolleændringer

En forfatter-hub skal bevare historien. Den bør ikke omskrive fortiden, hver gang en person skifter job.

Anbefalet kildehierarki

Når en forsker skifter institution

Slet ikke den gamle tilknytning fra historiske værker.

I stedet:

1. Tilføj en slutdato til den tidligere ansættelsesoptegnelse.
2. Tilføj den nye tilknytning med en startdato.
3. Opdater den institutionelle profil.
4. Bevar historiske publikationstilknytninger uændret, medmindre udgiveren udsender en rettelse.
5. Opdater ORCID-optegnelsen via den korrekte kilde.
6. Omdiriger den gamle profilside til en arkiveret eller ny side.

Når en person skifter navn

Brug ORCID til at forbinde navnevarianter. Tilføj tidligere eller alternative navne, hvor forskeren samtykker. Ændr ikke forfatternavnet i en publiceret DOI-optegnelse blot for at få det til at matche en nuværende profil.

Formålet med den vedvarende identifikator er at forbinde værker på tværs af navneændringer uden at omskrive publikationsoptegnelsen.

Når en bidragsyders rolle ændres

En bidragsyders rolle i et færdiggjort værk bør behandles som en del af den historiske optegnelse.

For eksempel:

• En persons rolle i en publiceret artikel bør ikke ændre sig, fordi vedkommende senere bliver institutleder.
• En redaktionel rolle bør have en start- og slutdato.
• En stipendierolle bør være knyttet til stipendieperioden.
• En software-rolle bør være knyttet til versionen eller udgivelsen.

Hvis den originale bidragsoptegnelse er forkert, brug en formel rettelsesproces. Overskriv den ikke stiltiende.

Når en kvalifikation udløber

Brug klare statusværdier:

• Nuværende
• Udløbet
• Fornyet
• Suspendert
• Bestridt
• Arkiveret

Automatiske påmindelser bør sendes før udløb. Offentlige profiler bør vise status og dato i stedet for at lade en forældet kvalifikation være synlig uden forklaring.

Når en forsker forlader organisationen

Organisationen bør:

• Bevare den historiske profil
• Markere den tidligere rolle tydeligt
• Bevare links til publicerede værker
• Overføre profil-ejerskab
• Opsæt en omdirigering for den tidligere side
• Fjern private kontaktoplysninger
• Bevar institutionelle påstande, der var sande under den tidligere ansættelsesperiode

Når forfatterskab bestrides

Frys det bestridte felt, bevar den originale kilde, og registrer tvisten. Fjern ikke en forfatter eller ændre bidragsroller udelukkende baseret på en uformel anmodning.

Kontoret for forskningsintegritet, udgiveren eller den ansvarlige projektmyndighed bør fastlægge den formelle rettelsesvej.

Succesmål

Organisationer bør spore operationel kvalitet, før de lover øget kunstig intelligens-synlighed.

Foreslåede mål inkluderer:

• 95 procent af aktive forskere har godkendte ORCID iD'er
• 95 procent af nye værker inkluderer ORCID, hvor det er tilgængeligt
• 95 procent af tilknytninger bruger en vedvarende organisationsidentifikator
• 100 procent af nye DOI-deponeringer passerer metadata-validering
• 100 procent af forfattersider indeholder en stabil profiladresse
• 100 procent af rolleændringer inkluderer datoer
• Færre end 1 procent af værker er forkert tildelt en forfatter
• Metadata-rettelser er afsluttet inden for 30 dage
• Nuværende ansættelsesændringer vises inden for syv dage
• Tilbagetrækninger og formelle rettelser afspejles omgående

For studiet af kunstig intelligens-citeringer, spor:

• Korrekt forfattertilskrivningsrate
• Gyldig DOI-rate
• Citeringspræcision
• Citeringsgenkaldelse
• Værkciteringsfrekvens
• Tværsystems-overensstemmelse
• Tid fra metadata-rettelse til forbedret indeksering
• Forskel mellem profilopdagelse og endelig svarcitering

Organisationen bør rapportere disse mål efter disciplin, sprog, karrieretrin og navnehyppighed. Ellers kan en gennemsnitlig score skjule ulige resultater.

Risici og sikkerhedsforanstaltninger

Forfatter-hubs kan skabe nye risici, hvis de bliver et gatekeeping-system.

Organisationer bør ikke:

• Straffe forskere, der holder visse ORCID-oplysninger private
• Behandle en offentlig Google Scholar-profil som bevis for kvalitet
• Bruge citeringsantal som erstatning for fagfællebedømmelse
• Offentliggøre personlige kontaktoplysninger unødvendigt
• Udlede ekspertise udelukkende fra institutionel prestige
• Kræve, at hver forsker bruger den samme offentlige profiltjeneste
• Behandle manglende identifikatorer som bevis for forseelse
• Tillade automatiserede systemer at overskrive optegnelser uden gennemgang

ORCID-adoption og metadata-kvalitet varierer efter felt, land, karrieretrin og publikationstype. Et retfærdigt system skal understøtte manuel korrektion, privatlivskontrol, navnediversitet og mennesker, hvis arbejde ikke er godt repræsenteret af tidsskriftpublikationsmetrikker.

Konklusion

En stærk forfatter-hub er ikke et personligt brandingprojekt. Det er et maskinlæsbart bevis-system.

• ORCID forbinder en person med en vedvarende identitet.
• Crossref og DataCite forbinder værker med stabile identifikatorer og rige metadata.
• Research Organization Registry-identifikatorer forbinder mennesker og værker med institutioner.
• Bidragsyderroller viser, hvad hver person faktisk gjorde.
• Institutionelle og forskerprofiler giver offentlig kontekst.
• Strukturerede data hjælper søgesystemer med at fortolke forholdene.
• Styring og versionshistorik viser, hvad der er aktuelt, hvad der var sandt i fortiden, og hvem der bekræftede hver påstand.

Den sandsynlige fordel er ikke et automatisk rangeringsboost. Fordelen er en stærkere kæde fra person → værk → organisation → bevis.

Organisationer bør derfor give to tilsagn:

1. Standardiser og vedligehold metadataene.
2. Mål kunstig intelligens' citeringsadfærd i stedet for at antage en effekt.

Den mest troværdige forfatter-hub er ikke den med flest badges. Det er den, hvis vigtige påstande er vedvarende, forbundne, kildebelagte, aktuelle og nemme at verificere.