Aufbau von Autoren-Hubs: ORCID, Crossref und Wissenschaftlerprofile als Vertrauensgrundlagen

Aufbau von Autoren-Hubs: ORCID, Crossref und Wissenschaftlerprofile als Vertrauensgrundlagen

Autoren-Hubs sind öffentliche, vernetzte Datensätze, die Menschen und Maschinen helfen, drei grundlegende Fragen zu beantworten:

1. Wer hat diese Arbeit erstellt?
2. Was genau ist die Arbeit?
3. Warum sollte jemand der Verbindung zwischen der Person, der Arbeit und der Organisation vertrauen?

Für menschliche Leser mag ein Autoren-Hub wie eine Profilseite mit einer Biografie, Publikationen, Referenzen und Links aussehen. Für künstliche Intelligenz-Systeme ist es nützlicher, ihn als einen vernetzten Evidenzgraph zu betrachten.

Ein starker Autoren-Hub verbindet:

• Eine Person mit einer ORCID iD
• Eine Publikation, einen Datensatz, einen Bericht oder ein Softwarepaket mit einem Digital Object Identifier
• Eine Arbeit mit vollständigen Crossref- oder DataCite-Metadaten
• Einen Forschenden mit verifizierten Zugehörigkeiten und Organisationen
• Ein öffentliches Profil mit einer stabilen institutionellen Webseite
• Beiträge mit klaren Rollen, wie denen in der Contributor Roles Taxonomy
• Aktuelle und frühere Rollen mit Daten, Quellen und Aktualisierungsaufzeichnungen

Diese Verbindungen können die Identitätsauflösung, den Abruf, die Zitationsgenauigkeit und die Quellverifizierung verbessern. Sie garantieren nicht, dass ein System künstlicher Intelligenz einen Autor zitieren wird. Es gibt keine glaubwürdigen öffentlichen Beweise dafür, dass das Hinzufügen einer ORCID iD zu einem festen Anstieg von Zitationen durch künstliche Intelligenz führt. Die stärkere Behauptung ist enger gefasst und besser zu verteidigen: Gute Identitäts- und Arbeitsmetadaten erleichtern es Such- und Forschungssystemen, wissenschaftliches Material zu finden, abzugleichen, zu verifizieren und korrekt zu zitieren.

Dieser Artikel spiegelt die zum Stichtag 13. August 2026 verfügbare öffentliche Dokumentation und Forschung wider.

Warum Autoren-Hubs für künstliche Intelligenz-Systeme wichtig sind

Systeme künstlicher Intelligenz verwenden nicht alle dieselben Suchindizes, Datenbanken oder Ranking-Methoden. Einige verlassen sich auf die Live-Websuche. Andere nutzen wissenschaftliche Datenbanken, lizenzierte Indizes, interne Wissensspeicher oder Abrufsysteme, die Dokumente durchsuchen, bevor sie eine Antwort generieren.

Dennoch stehen viele Systeme vor denselben technischen Problemen:

• Namen können unterschiedlich geschrieben werden.
• Mehrere Forschende können denselben Namen tragen.
• Eine Arbeit kann eine Preprint-, Konferenz-, akzeptierte Manuskript- und Endversion haben.
• Ein Zeitschriftenartikel kann mit einem Datensatz, einem Softwarepaket, einem Stipendium oder einer Korrektur verknüpft sein.
• Ein Autor kann Institutionen oder Namen ändern.
• Eine Webseite kann eine Qualifikation beschreiben, ohne anzugeben, wer sie ausgestellt hat oder wann sie gültig war.

Persistente Identifikatoren und strukturierte Metadaten helfen, diese Probleme zu lösen.

Das Digital Object Identifier System beschreibt einen Identifikator als persistenten Namen für ein digitales, physisches oder abstraktes Objekt. Sein Wert hängt nicht nur vom Identifikator ab, sondern auch von den damit verbundenen Metadaten. DOI Handbuch (doi.org)

Eine nützliche Art, einen Autoren-Hub zu betrachten, ist als vier verbundene Schichten:

Das Ziel ist nicht, ein Profil voller beeindruckender Worte zu erstellen. Das Ziel ist es, einen Datensatz zu schaffen, in dem wichtige Behauptungen überprüft werden können.

Die drei Hauptteile eines Autoren-Hubs

1. ORCID: Die Schicht der Personenidentität

ORCID steht für Open Researcher and Contributor ID. Es bietet einen persistenten Identifikator für eine Person und hilft, Forschende zu unterscheiden, die ähnliche Namen haben, unterschiedliche Namensformen verwenden oder ihre Namen im Laufe der Zeit ändern. ORCID Übersicht (support.orcid.org)

Ein ORCID-Datensatz kann Folgendes enthalten:

• Namen und Namensvarianten
• Berufstätigkeit und Ausbildung
• Forschungsarbeiten
• Förderungen
• Peer-Review-Aktivitäten
• Redaktionelle Tätigkeiten
• Mitgliedschaften und Auszeichnungen
• Forschungsressourcen
• Links zu anderen Identifikatoren

Das wichtigste Merkmal ist nicht die 16-stellige Nummer selbst. Es ist das Netzwerk der unterstützten Verbindungen, die an diese Nummer geknüpft sind.

Zum Beispiel:

text Jane Smith └── ORCID iD ├── Artikel DOI ├── Datensatz DOI ├── Förderkennzeichen ├── Universitätszugehörigkeit ├── Software-Datensatz └── Redaktionelle Rolle

Authentifizierte Verbindungen sind stärker

Organisationen sollten ORCID iDs über einen authentifizierten Anmeldevorgang erfassen, anstatt Personen zu bitten, einen Identifikator in ein Formular einzugeben. ORCID empfiehlt die Verwendung seines Autorisierungsprozesses, damit der Forschende den korrekten Datensatz bestätigt. ORCID Integrations- und API-Leitfaden (info.orcid.org)

Dieser Unterschied ist wichtig:

• Unverifizierte Behauptung: „Diese ORCID iD gehört Jane Smith.“
• Authentifizierte Behauptung: „Jane Smith hat sich über ORCID angemeldet und dieses System autorisiert, ihre iD zu verwenden.“
• Institutionelle Behauptung: „Die Universität bestätigt, dass diese Person während dieser Zeit diese Zugehörigkeit hatte.“

ORCID speichert auch die Quelle und den Ursprung von Behauptungen. Eine Arbeit oder Zugehörigkeit kann vom Forschenden, einem Verlag, einem Geldgeber oder einer anderen vertrauenswürdigen Organisation hinzugefügt werden. ORCID Vertrauensleitfaden (info.orcid.org)

Dies erzeugt ein nützliches Vertrauenssignal sowohl für Menschen als auch für Maschinen:

Der Datensatz sagt nicht nur, was behauptet wird. Er kann auch zeigen, wer die Behauptung gemacht hat und wann sie hinzugefügt wurde.

Wichtige Einschränkung

Eine ORCID iD ist keine Garantie dafür, dass jeder Eintrag in einem Datensatz korrekt ist. ORCID selbst ermutigt Nutzer, Vertrauensmarker, Quellen, Daten und die Organisationen, die Informationen hinzugefügt haben, zu überprüfen. ORCID Vertrauensmarker (info.orcid.org)

Daher sollten Organisationen „hat eine ORCID iD“ nicht gleichsetzen mit „ist vollständig verifiziert“. Ein besseres Modell ist:

• Selbst deklariert
• Authentifiziert
• Institutionell bestätigt
• Vom Verlag bestätigt
• Vom Förderer bestätigt
• Kürzlich überprüft

2. Crossref und DataCite: Die Schicht der Arbeitsidentität

ORCID identifiziert die Person. Crossref und DataCite helfen, die Arbeit zu identifizieren.

Ein Digital Object Identifier kann identifizieren:

• Zeitschriftenartikel
• Bücher und Buchkapitel
• Konferenzbeiträge
• Datensätze
• Software
• Berichte
• Preprints
• Peer Reviews
• Standards
• Poster und Präsentationen

Ein DOI sollte auf eine stabile Landingpage verweisen. Wichtiger ist, dass er vollständige Metadaten zur Beschreibung der Arbeit enthalten sollte.

Crossref empfiehlt die Aufzeichnung von Informationen wie:

• Familienname und Vorname
• Beitragende Rollen
• Zugehörigkeiten
• Organisations-Identifikatoren
• ORCID iDs
• Veröffentlichungsdaten
• Zusammenfassungen
• Referenzen
• Finanzierung
• Lizenzen
• Versionsinformationen
• Aktualisierungen und Korrekturen

Crossref erforderliche und empfohlene Metadaten (crossref.org)

Crossref beschreibt seine Metadaten als eine gemeinsame Ressource, die über Weboberflächen, Anwendungsprogrammierschnittstellen und Massendownloads zugänglich ist. Nachgeschaltete Systeme können diese Informationen nutzen, um wissenschaftliche Ergebnisse zu entdecken und zu verbinden. Crossref Metadaten-Abruf (crossref.org)

DataCite erfüllt eine ähnliche Funktion für Datensätze und viele andere Forschungsergebnisse. Sein aktuelles Metadatenschema 4.7, veröffentlicht am 3. März 2026, unterstützt Ersteller, Beitragende, ORCID-Identifikatoren, Zugehörigkeiten, Organisations-Identifikatoren, verwandte Identifikatoren, Finanzierung, Beschreibungen und Ressourcentypen. DataCite Metadatenschema (schema.datacite.org)

DataCite empfiehlt insbesondere, Ersteller- und Beitragsdatensätze mit ORCID-Identifikatoren und organisatorische Zugehörigkeiten mit Organisations-Identifikatoren zu verbinden. DataCite Namensidentifikatoren (support.datacite.org)

Ein DOI ist kein Qualitätssiegel

Ein DOI beweist, dass ein Datensatz in einem DOI-Registrierungssystem existiert. Er beweist nicht, dass:

• Die Forschung korrekt ist
• Die Publikation peer-reviewed ist
• Die Zeitschrift angesehen ist
• Der Autor ein Experte ist
• Die Ergebnisse wichtig sind

Crossref macht diesen Punkt deutlich: Der DOI selbst kennzeichnet nicht den Wert oder die Genauigkeit des Objekts. Die umgebenden Metadaten liefern Kontext und ermöglichen Verbindungen. Crossref DOI-Leitfaden (support.crossref.org)

Deshalb ist ein vollständiger DOI-Datensatz viel nützlicher als ein DOI-String, der am unteren Rand einer Seite platziert ist.

Beitragende Rollen fügen Bedeutung hinzu

Im Juli 2026 fügte Crossref Schema 5.5 eine bessere Unterstützung für mehrere beitragende Rollen, korrespondierende Autoren und die Contributor Roles Taxonomy hinzu. Crossref Schema 5.5 (crossref.org)

Die Contributor Roles Taxonomy umfasst 14 Rollen, darunter:

• Konzeptualisierung
• Datenkuratierung
• Formale Analyse
• Untersuchung
• Methodik
• Software
• Supervision
• Validierung
• Visualisierung
• Erstellung des Originalentwurfs
• Verfassen, Überprüfung und Bearbeitung

Die Taxonomie wurde entwickelt, um Beiträge transparenter zu machen und die Anerkennung, Verantwortlichkeit, Forschungsbewertung und Forschungsintegrität zu unterstützen. Contributor Roles Taxonomy (credit.niso.org)

Für Systeme künstlicher Intelligenz erzeugt dies eine reichhaltigere Antwort als „Jane Smith ist eine Autorin.“ Ein System kann potenziell unterscheiden zwischen:

• Der Person, die die Studie entworfen hat
• Der Person, die die Software geschrieben hat
• Der Person, die die Daten analysiert hat
• Der Person, die das Projekt betreut hat
• Der Person, die das Originalmanuskript verfasst hat

Das ist besonders wichtig für große Forschungsteams und technische Projekte.

3. Wissenschaftlerprofile: Die Kontextschicht

Wissenschaftlerprofile machen den Identitätsgraphen für Menschen verständlich und für Suchsysteme leichter interpretierbar.

Ein robustes Profil sollte Folgendes umfassen:

• Eine stabile institutionelle Seite
• Einen konsistenten Namen
• Namensvarianten, wo angebracht
• ORCID iD
• Aktuelle und frühere Zugehörigkeiten
• Forschungsbereiche
• Ausgewählte Arbeiten mit DOI-Links
• Datensätze, Software und Berichte
• Förderungen und Auszeichnungen
• Redaktionelle oder Gutachterrollen
• Beitragende Rollen
• Daten für aktuelle und frühere Positionen
• Ein Datum der letzten Überprüfung
• Links zu anderen öffentlichen Profilen

Google Scholar-Profile ermöglichen es Forschenden, Publikationen aufzulisten, das Profil öffentlich zu machen, zu sehen, wer ihre Arbeit zitiert, und Zitationsmetriken zu verfolgen. Ein öffentliches Profil mit einer verifizierten institutionellen E-Mail-Adresse kann berechtigt sein, in den Google Scholar-Suchergebnissen zu erscheinen. Google Scholar Profile (scholar.google.com)

Google Scholar sollte jedoch als eine Sichtbarkeits- und Entdeckungsschicht behandelt werden, nicht als die primäre Wahrheitsquelle. Forschende können ihre eigenen Publikationslisten verwalten, und das automatische Matching kann fehlerhafte oder doppelte Arbeiten enthalten. Die Zitationszahlen variieren auch zwischen Datenbanken.

OpenAlex bietet eine weitere nützliche Entdeckungsschicht. Es pflegt eindeutige Autorennachweise und verbindet Autoren, Werke, Institutionen, Quellen und Themen. OpenAlex gibt an, Informationen aus Quellen wie Crossref und DataCite zu beziehen und dann Autoren mit ORCID iDs und Zugehörigkeiten mit Organisations-Identifikatoren abzugleichen. OpenAlex Ökosystem Beschreibung (help.openalex.org)

Die beste Praxis ist daher die Profilföderation:

text Institutionelle Autorenseite ↕ ORCID-Datensatz ↕ Crossref- oder DataCite-Arbeitsdatensätze ↕ OpenAlex- und Google Scholar-Profile ↕ Verlags-, Repositorien-, Förderer- und professionelle Seiten

Kein einzelnes Profil muss alles enthalten. Sie sollten aufeinander verweisen und dieselben Identifikatoren verwenden.

Wie diese Signale Zitationen durch künstliche Intelligenz beeinflussen können

Es ist wichtig, fünf verschiedene Ereignisse zu unterscheiden:

1. Entdeckung: Kann ein System die Seite oder Arbeit finden?
2. Identitätsauflösung: Kann es erkennen, welche Person und Organisation beteiligt sind?
3. Abruf: Holt das System die Arbeit in seinen Evidenzsatz?
4. Zitationsauswahl: Zitiert es die Arbeit in der Antwort?
5. Zitationskorrektheit: Verweist die Zitation auf die richtige Arbeit und stützt die Behauptung?

ORCID, DOI-Metadaten und Wissenschaftlerprofile können am direktesten bei den ersten drei Schritten helfen. Sie können auch die Zitationskorrektheit verbessern. Ihr Einfluss auf die Zitationsauswahl hängt wahrscheinlich von der Themenrelevanz, der Quellenqualität, der Aktualität, der Zugänglichkeit und dem spezifischen System künstlicher Intelligenz ab.

Die Google Search-Dokumentation empfiehlt die Verwendung einer Autorenseite, von url- und sameAs-Links, um Artikelautoren zu identifizieren. Für Datensätze empfiehlt Google speziell die Verwendung einer ORCID iD in der sameAs-Eigenschaft für eine Personen-Erstellerin. Google Artikel strukturierte Daten Google Datensatz strukturierte Daten (developers.google.com)

Eine einfache Profilseite könnte strukturierte Daten wie diese verwenden:

{ "@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" } ] }

Strukturierte Daten garantieren keine Suchfunktion oder Zitation durch künstliche Intelligenz. Google gibt an, dass selbst korrekt implementierte strukturierte Daten möglicherweise nicht in den Suchergebnissen erscheinen. Ihr Wert liegt darin, dass sie Maschinen eine klare, standardisierte Möglichkeit geben, die Seite zu interpretieren. Google Leitfaden für strukturierte Daten (developers.google.com)

Die praktische Schlussfolgerung lautet:

Identifikatoren verbessern den Weg zum Nachweis. Sie ersetzen keinen Nachweis.

Was die aktuelle Forschung über Zitationen durch künstliche Intelligenz sagt

Die Forschung zum Zitationsverhalten künstlicher Intelligenz hat hauptsächlich die Zitationsgenauigkeit, Quellenauswahl und Überprüfbarkeit untersucht. Sie hat noch keine zuverlässige, allgemeine Schätzung für den Effekt der ORCID-verknüpften Identitätsstärke geliefert.

Eine Studie aus dem Jahr 2023 über von ChatGPT generierte Zitationen ergab erhebliche Raten von erfundenen Referenzen und Fehlern in realen Referenzen. Die Studie untersuchte 636 Zitationen, die in 84 Arbeiten generiert wurden, und stellte fest, dass die Zitationsprobleme auch im neueren getesteten Modell bestehen blieben. Scientific Reports Studie (nature.com)

Eine weitere Studie zu generativen Suchmaschinen ergab, dass viele generierte Sätze nicht vollständig durch Zitationen gestützt wurden und dass viele Zitationen die daneben stehenden Aussagen nicht ausreichend stützten. Bewertung der Überprüfbarkeit in generativen Suchmaschinen (arxiv.org)

Jüngste Forschung zeigt auch, dass generative Suchsysteme sich in ihrer Quellenauswahl, Quellenüberlappung, Stabilität und der Nutzung von internem versus externem Wissen unterscheiden. Charakterisierung der Websuche im Zeitalter der generativen künstlichen Intelligenz (aclanthology.org)

Diese Ergebnisse stützen eine vorsichtige Haltung:

• Ein DOI kann die Mehrdeutigkeit bezüglich der zitierten Arbeit reduzieren.
• ORCID kann die Mehrdeutigkeit bezüglich der Person reduzieren.
• Zugehörigkeits-Identifikatoren können die Mehrdeutigkeit bezüglich der Organisation reduzieren.
• Beitragende Rollen können die Zuschreibung verbessern.
• Ein öffentliches Profil kann Kontext bieten.
• Keines dieser Signale garantiert, dass ein System die Arbeit abrufen oder zitieren wird.

Ein Forschungsprogramm zur Messung der Identitätsstärke und der Häufigkeit von Zitationen durch künstliche Intelligenz

Organisationen sollten nicht behaupten, dass Autoren-Hubs Zitationen durch künstliche Intelligenz verbessern, bevor sie die Beziehung direkt messen.

Einen Wert für die Identitätsstärke von Autoren definieren

Das Folgende ist ein vorgeschlagener Wert, kein offizieller Standard.

Zitationszahlen, Zeitschriftenprestige oder institutionelle Rangfolge sollten nicht in diesen Wert einbezogen werden. Diese Faktoren sollten als separate Variablen behandelt werden. Sie einzubeziehen, würde es schwierig machen festzustellen, ob die Identitätsstärke selbst mit der Zitationshäufigkeit zusammenhängt.

Mehr als eine Art von Zitation messen

Eine nützliche Studie sollte mindestens sechs Ergebnisse verfolgen:

1. Arbeitszitationsrate
   Der Prozentsatz der zulässigen Antworten, die eine bestimmte Arbeit zitieren.

2. Autorenzuschreibungsrate
   Der Prozentsatz der Antworten, die die Arbeit korrekt benennen oder dem richtigen Autor zuschreiben.

3. Rate gültiger Identifikatoren
   Der Prozentsatz der Zitationen, die einen DOI enthalten, der zur korrekten Arbeit auflöst.

4. Zitationspräzision
   Der Prozentsatz der Zitationen, die die gemachte Aussage tatsächlich stützen.

5. Zitations-Recall
   Der Prozentsatz wichtiger unterstützender Quellen, die das System zitiert.

6. Plattformübergreifende Stabilität
   Der Prozentsatz der Zitationen, die über verschiedene Systeme oder wiederholte Läufe hinweg wiederholt werden.

Ein kürzlich entwickeltes Messframework für die generative Suche trennt die Zitationsauswahl von der Zitationsabsorption, d.h. ob eine Quelle lediglich in der Zitationsliste erscheint oder tatsächlich Evidenz zur Antwort beiträgt. Diese Unterscheidung sollte in zukünftigen Studien zu Autoren-Hubs berücksichtigt werden. Zitationsauswahl- und Zitationsabsorptions-Framework (arxiv.org)

Studie Eins: Beobachtungsstudie zur Korrelation

Diese Studie fragt:

Werden Arbeiten, die mit stärkeren Autorenidentitäten verbunden sind, von Systemen künstlicher Intelligenz häufiger zitiert, nachdem Thema und Publikationsfaktoren kontrolliert wurden?

Vorgeschlagenes Design

• Stichprobe von 10.000 bis 50.000 wissenschaftlichen Arbeiten
• Abdeckung mehrerer Disziplinen, Sprachen und Publikationstypen
• Verwendung von Crossref, DataCite, OpenAlex und öffentlichen ORCID-Daten
• Berechnung eines Identitätsstärkewertes für jeden Autor und jede Arbeit
• Erstellung eines Satzes von Fragen, für die die Stichprobenarbeiten relevant sind
• Ausführung der Fragen über mehrere Zitations-produzierende Systeme hinweg
• Wiederholung jeder Frage mehrmals
• Aufzeichnung des Datums, Systems, der Modelleinstellung, Region und der zitierten Quellen

Wichtige Kontrollvariablen

Die Studie sollte kontrollieren für:

• Themenrelevanz
• Veröffentlichungsjahr
• Open-Access-Status
• Verfügbarkeit von Abstracts
• Verfügbarkeit des Volltextes
• Veröffentlichungsort
• Anzahl bestehender wissenschaftlicher Zitationen
• Institutioneller Ruf
• Sprache
• Seitengeschwindigkeit und Crawlbarkeit
• Arbeitstyp
• Häufigkeit des Autorennamens
• Anzahl der Koautoren
• Abfragewortlaut
• Suchsystem

Das Hauptstatistikmodell könnte schätzen:

text Wahrscheinlichkeit korrekter Zitation = Identitätsstärke

• Themenrelevanz
• Alter der Arbeit
• Open Access
• Wissenschaftliche Zitationen
• System
• Abfrage
• Autoren- und Themenkontrollen

Eine logistische Regression oder ein Modell mit gemischten Effekten wäre für ein Ja-oder-Nein-Ergebnis, wie zum Beispiel, ob eine Arbeit zitiert wurde, geeignet. Ein negatives Binomialmodell kann für Zitationszahlen nützlich sein, da Zitationsdaten oft ungleich verteilt sind.

Das Ergebnis sollte als Odds Ratio mit einem Konfidenzintervall angegeben werden, nicht als einfacher Prozentsatz. Zum Beispiel:

Eine Erhöhung der Identitätsstärke um eine Standardabweichung war mit einer Änderung der Zitationswahrscheinlichkeit verbunden, nachdem Relevanz, Alter, Zugang und frühere wissenschaftliche Aufmerksamkeit kontrolliert wurden.

Die Studie sollte auch Nullergebnisse berichten. Ein Ergebnis, das keine Beziehung zeigt, wäre nützlich, da es zeigen würde, dass Identifikatoren die Datenqualität verbessern, ohne notwendigerweise das Zitationsverhalten künstlicher Intelligenz zu ändern.

Studie Zwei: Kontrolliertes Metadatenexperiment

Eine Beobachtungsstudie kann Identitätsstärke mit Popularität verwechseln. Ein kontrolliertes Experiment kann einige Effekte isolieren.

Es gibt zwei praktische Versionen.

Version A: Öffentliches Webexperiment

Erstellen Sie passende Seiten mit dem gleichen inhaltlichen Inhalt, aber unterschiedlichen Metadatenbehandlungen:

• Nur grundlegender Autorenname
• Autorenname plus institutionelles Profil
• Autorenname plus ORCID-Link
• Autorenname, ORCID, DOI, Zugehörigkeits-Identifikator und strukturierte Daten

Veröffentlichen Sie die Seiten gleichzeitig und überwachen Sie:

• Sucherkennung
• Korrekter Autoren-Abgleich
• Abruf in KI-Antworten
• Zitationshäufigkeit
• Zitationskorrektheit

Dieses Experiment muss sorgfältig interpretiert werden. Öffentliche Systeme können Seiten zu unterschiedlichen Zeiten crawlen, und Organisationen können Crossref- oder DataCite-Datensätze für eine bereits veröffentlichte Arbeit nicht einfach ändern.

Version B: Kontrollierter Forschungsindex

Erstellen Sie ein kleines Abrufsystem, das dieselben Dokumente unter verschiedenen Metadatenbedingungen enthält. Variieren Sie nur:

• Autoren-Identifikator
• DOI
• Zugehörigkeit
• Beitragende Rolle
• Profillinks
• Provenienzfelder

Stellen Sie dann dieselben Fragen und messen Sie den Abruf und die Zitationsauswahl. Dieses Experiment bietet eine bessere Kontrolle, misst jedoch ein Forschungssystem und keine kommerziellen Plattformen.

Studie Drei: Gestaffelte Einführung in der Organisation

Das stärkste praktische Design ist eine Difference-in-Differences-Studie.

Eine Organisation kann Autoren-Hubs in Phasen einführen:

• Abteilung Eins erhält das vollständige Programm im Oktober 2026.
• Abteilung Zwei erhält es im Januar 2027.
• Abteilung Drei erhält es im April 2027.

Alle Abteilungen werden vor und nach der Implementierung gemessen. Abteilungen, die das Programm noch nicht erhalten haben, dienen als temporäre Vergleichsgruppen.

Messen Sie:

• Korrekte Autorenzuschreibung
• DOI-Auflösung
• Zitationshäufigkeit
• Zitationsgenauigkeit
• Sucheindrücke
• Profilseitenbesuche
• Benötigte Zeit zur Korrektur schlechter Metadaten

Dieses Design ist stärker als ein einfacher Vorher-Nachher-Vergleich, da es hilft, den Effekt der Einführung von umfassenderen Änderungen in künstlichen Intelligenz-Systemen zu trennen.

Testenswerte Hypothesen

Organisationen können diese Hypothesen vorab registrieren:

• H1: Stärkere Identitätslinks verbessern die korrekte Autorenzuschreibung.
• H2: Vollständige DOI-Metadaten verbessern die Raten gültiger Zitationen.
• H3: Zugehörigkeits-Identifikatoren helfen am meisten, wenn Autoren häufige Namen haben oder zwischen Institutionen wechseln.
• H4: Wissenschaftlerprofile verbessern die Entdeckung stärker als die endgültige Zitationshäufigkeit.
• H5: Die Identitätsstärke hat einen größeren Effekt auf Long-Tail-Autoren als auf bereits berühmte Autoren.
• H6: Der Effekt variiert je nach System, Thema, Sprache und Publikationstyp.
• H7: Aktualität und Themenrelevanz sind wichtiger als Profilausschmückung.

Welche Referenzen sollten veröffentlicht werden?

Ein Profil sollte überprüfbare Referenzen veröffentlichen. Jede Referenz sollte Folgendes enthalten:

• Einen Referenztyp
• Die Person, die sie besitzt
• Die ausstellende Organisation
• Einen persistenten Identifikator für die Organisation, falls verfügbar
• Start- und Enddaten
• Eine Verifizierungsquelle
• Einen Status wie aktuell, abgelaufen, umstritten oder archiviert
• Ein Datum der letzten Überprüfung

Organisationen sollten die Quelle jeder Referenz kennzeichnen:

• Selbst gemeldet
• Institutionell verifiziert
• Vom Verlag verifiziert
• Vom Förderer verifiziert
• Aus einem Register importiert
• Prüfung ausstehend

Vermeiden Sie das Veröffentlichen von ungestützten Bezeichnungen wie „führender Experte“ oder „weltbekannter Forscher“. Ersetzen Sie sie durch Nachweise:

• Anzahl und Art der Arbeiten
• Forschungsbereiche
• Verifizierte Rollen
• Geförderte Projekte
• Redaktionelle Tätigkeit
• Öffentliche Datensätze oder Software
• Institutionelle Ernennungen

Dieser Ansatz ist sowohl für Leser als auch für Maschinen nützlicher.

Einführungsplan für Organisationen

Phase Eins: Die Metadatenrichtlinie erstellen

Eine kleine Steuerungsgruppe mit Vertretern aus folgenden Bereichen beauftragen:

• Forschungsverwaltung
• Bibliotheksdienste
• Informationstechnologie
• Kommunikation
• Veröffentlichungs- oder Repositoriumsdienste
• Datenschutz
• Forschungsintegrität

Erstellen Sie eine kurze Datenrichtlinie, die definiert:

• Erforderliche Felder
• Genehmigte Identifikatorsysteme
• Wer jedes Feld beanspruchen darf
• Welche Felder öffentlich sind
• Wie Korrekturen gehandhabt werden
• Wie lange Aktualisierungen dauern sollten
• Was passiert, wenn eine Person ausscheidet

Verwenden Sie einen einzigen Datenvertrag über alle Systeme hinweg. Mindestens jeder Personen-, Arbeits-, Organisations- und Referenzdatensatz sollte Folgendes enthalten:

text persistent_id display_name source asserted_by valid_from valid_to last_verified status evidence_url

Phase Zwei: Authentifizierte Identifikatoren sammeln

Bitten Sie Forschende, ihre ORCID-Datensätze über einen authentifizierten Prozess zu verbinden. Machen Sie die Institution nicht dafür verantwortlich, zu erraten, welche ORCID iD zu einer Person gehört.

Gleichzeitig:

• Weisen Sie Abteilungen und Institutionen Organisations-Identifikatoren zu
• Verknüpfen Sie Personalakten mit ORCID
• Gleichen Sie bestehende Publikationen mit DOI-Datensätzen ab
• Namenskollisionen kennzeichnen
• Alternative Namensformen bewahren
• Zustimmungs- und Sichtbarkeitseinstellungen aufzeichnen

Phase Drei: DOI-Metadaten verbessern

Für neue Arbeiten verlangen Sie, dass der Publikationsworkflow Folgendes sammelt:

• Vollständige Autorennamen
• Authentifizierte ORCID iDs
• Zugehörigkeiten
• Organisations-Identifikatoren
• Beitragende Rollen
• Förderkennzeichen
• Zusammenfassungen
• Referenzen
• Lizenzen
• Versions- und Aktualisierungsinformationen

Für ältere Arbeiten beginnen Sie mit den letzten fünf Jahren und den am häufigsten genutzten Autoren der Organisation.

Crossref und DataCite sollten Korrekturen und Aktualisierungen erhalten, anstatt nur die ursprüngliche Einreichung. DOI-Strings bleiben persistent, während die zugehörigen Metadaten gepflegt werden können. Crossref Metadatenpflege (crossref.org)

Phase Vier: Kanonische Autorenseiten erstellen

Jeder Forschende sollte eine stabile institutionelle Seite haben. Diese Seite sollte:

• Eine permanente Webadresse verwenden
• Die aktuelle Rolle anzeigen
• Frühere Rollen mit Daten bewahren
• Auf ORCID verlinken
• Auf ausgewählte DOI-Datensätze verlinken
• Auf öffentliche Wissenschaftlerprofile verlinken
• Forschungsbereiche anzeigen
• Ein Datum der letzten Aktualisierung anzeigen
• Strukturierte Daten verwenden
• Für Such-Crawler zugänglich bleiben
• Keine Anmeldung erfordern

Google empfiehlt die Verwendung klarer Autoren-URLs und sameAs-Links, um Autoren zu unterscheiden. Google Leitfaden für Autoren-Markup (developers.google.com)

Phase Fünf: Profile föderieren und überwachen

Verknüpfen Sie die institutionelle Seite mit:

• ORCID
• Google Scholar
• OpenAlex
• Verlagsseiten
• Repositoriumsdatensätze
• Förderseiten
• Öffentlichen beruflichen Profilen, wo angebracht

Verwenden Sie automatisierte Prüfungen, um Folgendes zu finden:

• Defekte DOI-Links
• Fehlende ORCID-Links
• Doppelte Autoren
• Falsche Koautoren-Abgleiche
• Alte Zugehörigkeiten
• Abgelaufene Referenzen
• Fehlende Aktualisierungsdaten
• Nicht übereinstimmende Namen
• Rückzüge oder Korrekturen

Governance für Aktualisierungen und Rollenänderungen

Ein Autoren-Hub muss die Historie bewahren. Er sollte die Vergangenheit nicht jedes Mal neu schreiben, wenn eine Person den Arbeitsplatz wechselt.

Empfohlene Quellenhierarchie

Wenn ein Forschender die Institution wechselt

Löschen Sie die alte Zugehörigkeit nicht aus historischen Arbeiten.

Stattdessen:

1. Fügen Sie dem früheren Beschäftigungsdatensatz ein Enddatum hinzu.
2. Fügen Sie die neue Zugehörigkeit mit einem Startdatum hinzu.
3. Aktualisieren Sie das institutionelle Profil.
4. Belassen Sie historische Publikationszugehörigkeiten unverändert, es sei denn, der Verlag veröffentlicht eine Korrektur.
5. Aktualisieren Sie den ORCID-Datensatz über die richtige Quelle.
6. Leiten Sie die alte Profilseite auf eine archivierte oder neue Seite um.

Wenn eine Person den Namen ändert

Verwenden Sie ORCID, um Namensvarianten zu verbinden. Fügen Sie frühere oder alternative Namen hinzu, wo der Forschende zustimmt. Ändern Sie den Autorennamen in einem veröffentlichten DOI-Datensatz nicht nur, um ihn an ein aktuelles Profil anzupassen.

Der Zweck des persistenten Identifikators ist es, Arbeiten über Namensänderungen hinweg zu verbinden, ohne den Publikationsdatensatz neu zu schreiben.

Wenn sich die Rolle eines Beitragenden ändert

Die Rolle eines Beitragenden an einer abgeschlossenen Arbeit sollte als Teil des historischen Datensatzes behandelt werden.

Zum Beispiel:

• Die Rolle einer Person bei einem veröffentlichten Artikel sollte sich nicht ändern, nur weil sie später Abteilungsleiter wird.
• Eine redaktionelle Rolle sollte ein Start- und Enddatum haben.
• Eine Förderrolle sollte an den Förderzeitraum gebunden sein.
• Eine Software-Rolle sollte an die Version oder das Release gebunden sein.

Wenn der ursprüngliche Beitragsdatensatz falsch ist, verwenden Sie einen formalen Korrekturprozess. Überschreiben Sie ihn nicht stillschweigend.

Wenn eine Referenz abläuft

Verwenden Sie klare Statuswerte:

• Aktuell
• Abgelaufen
• Erneuert
• Ausgesetzt
• Umstritten
• Archiviert

Automatisierte Erinnerungen sollten vor dem Ablaufdatum versandt werden. Öffentliche Profile sollten den Status und das Datum anzeigen, anstatt eine veraltete Referenz ohne Erklärung sichtbar zu lassen.

Wenn ein Forschender die Organisation verlässt

Die Organisation sollte:

• Das historische Profil bewahren
• Die frühere Rolle klar kennzeichnen
• Links zu veröffentlichten Arbeiten beibehalten
• Profilinhaberschaft übertragen
• Eine Weiterleitung für die frühere Seite einrichten
• Private Kontaktinformationen entfernen
• Institutionelle Behauptungen beibehalten, die während der früheren Beschäftigungszeit zutreffend waren

Wenn die Autorschaft umstritten ist

Frieren Sie das umstrittene Feld ein, bewahren Sie die Originalquelle und zeichnen Sie den Streit auf. Entfernen Sie keinen Autor und ändern Sie keine Beitragsrollen nur aufgrund einer informellen Anfrage.

Das Büro für Forschungsintegrität, der Verlag oder die zuständige Projektbehörde sollte den formalen Korrekturpfad festlegen.

Erfolgsmessgrößen

Organisationen sollten die operative Qualität verfolgen, bevor sie eine erhöhte Sichtbarkeit durch künstliche Intelligenz versprechen.

Vorgeschlagene Ziele umfassen:

• 95 Prozent der aktiven Forschenden haben authentifizierte ORCID iDs
• 95 Prozent der neuen Arbeiten enthalten ORCID, wo verfügbar
• 95 Prozent der Zugehörigkeiten verwenden einen persistenten Organisations-Identifikator
• 100 Prozent der neuen DOI-Einreichungen bestehen die Metadatenvalidierung
• 100 Prozent der Autorenseiten enthalten eine stabile Profiladresse
• 100 Prozent der Rollenänderungen enthalten Daten
• Weniger als 1 Prozent der Arbeiten sind einem Autor falsch zugeordnet
• Metadatenkorrekturen werden innerhalb von 30 Tagen abgeschlossen
• Änderungen der aktuellen Anstellung erscheinen innerhalb von sieben Tagen
• Rückzüge und formale Korrekturen werden zeitnah berücksichtigt

Für die KI-Zitationsstudie verfolgen Sie:

• Rate der korrekten Autorenzuschreibung
• Rate gültiger DOI
• Zitationspräzision
• Zitations-Recall
• Häufigkeit der Arbeitszitation
• Systemübergreifende Übereinstimmung
• Zeit von der Metadatenkorrektur bis zur verbesserten Indexierung
• Unterschied zwischen Profilentdeckung und endgültiger Antwortzitation

Die Organisation sollte diese Maßnahmen nach Disziplin, Sprache, Karrierestufe und Namenshäufigkeit berichten. Andernfalls kann ein Durchschnittswert ungleiche Ergebnisse verdecken.

Risiken und Schutzmaßnahmen

Autoren-Hubs können neue Risiken schaffen, wenn sie zu einem Gatekeeping-System werden.

Organisationen sollten nicht:

• Forschende bestrafen, die einige ORCID-Informationen privat halten
• Ein öffentliches Google Scholar-Profil als Qualitätsnachweis behandeln
• Zitationszahlen als Ersatz für Peer Review verwenden
• Persönliche Kontaktdaten unnötigerweise veröffentlichen
• Expertise allein aus institutionellem Prestige ableiten
• Von jedem Forschenden die Nutzung desselben öffentlichen Profildienstes verlangen
• Fehlende Identifikatoren als Nachweis für Fehlverhalten behandeln
• Automatisierten Systemen erlauben, Datensätze ohne Überprüfung zu überschreiben

Die ORCID-Akzeptanz und die Metadatenqualität variieren je nach Fachgebiet, Land, Karrierestufe und Publikationstyp. Ein faires System muss manuelle Korrekturen, Datenschutzkontrollen, Namensvielfalt und Personen unterstützen, deren Arbeit durch Zeitschriftenpublikationsmetriken nicht gut repräsentiert wird.

Fazit

Ein starker Autoren-Hub ist kein persönliches Branding-Projekt. Er ist ein maschinenlesbares Evidenzsystem.

• ORCID verbindet eine Person mit einer persistenten Identität.
• Crossref und DataCite verbinden Arbeiten mit stabilen Identifikatoren und reichhaltigen Metadaten.
• Research Organization Registry Identifikatoren verbinden Personen und Arbeiten mit Institutionen.
• Beitragende Rollen zeigen, was jede Person tatsächlich getan hat.
• Institutionelle und Wissenschaftlerprofile bieten öffentlichen Kontext.
• Strukturierte Daten helfen Suchsystemen, die Beziehungen zu interpretieren.
• Governance und Versionshistorie zeigen, was aktuell ist, was in der Vergangenheit zutraf und wer jede Behauptung bestätigt hat.

Der wahrscheinliche Vorteil ist kein automatischer Ranking-Boost. Der Vorteil ist eine stärkere Kette von Person → Arbeit → Organisation → Nachweis.

Organisationen sollten daher zwei Verpflichtungen eingehen:

1. Metadaten standardisieren und pflegen.
2. Zitationsverhalten künstlicher Intelligenz messen, anstatt einen Effekt anzunehmen.

Der glaubwürdigste Autoren-Hub ist nicht derjenige mit den meisten Abzeichen. Es ist derjenige, dessen wichtige Behauptungen persistent, verbunden, quellengestützt, aktuell und leicht überprüfbar sind.