Construyendo Centros de Autor: ORCID, Crossref y Perfiles de Investigador como Primitivas de Confianza

Construyendo Centros de Autor: ORCID, Crossref y Perfiles de Investigador como Primitivas de Confianza

Los centros de autor son registros públicos y conectados que ayudan a personas y máquinas a responder tres preguntas básicas:

1. ¿Quién creó este trabajo?
2. ¿Cuál es exactamente el trabajo?
3. ¿Por qué debería alguien confiar en la conexión entre la persona, el trabajo y la organización?

Para los lectores humanos, un centro de autor puede parecer una página de perfil con una biografía, publicaciones, credenciales y enlaces. Para los sistemas de inteligencia artificial, es más útil pensarlo como un grafo de evidencia enlazada.

Un centro de autor sólido conecta:

• Una persona a un ORCID iD
• Una publicación, conjunto de datos, informe o paquete de software a un Identificador de Objeto Digital
• Un trabajo para completar los metadatos de Crossref o DataCite
• Un investigador a afiliaciones y organizaciones verificadas
• Un perfil público a una página web institucional estable
• Contribuciones a roles claros, como los de la Taxonomía de Roles de Contribuyente
• Roles actuales y pasados a fechas, fuentes y registros de actualización

Estas conexiones pueden mejorar la resolución de identidad, la recuperación, la precisión de las citas y la verificación de fuentes. No garantizan que un sistema de inteligencia artificial citará a un autor. No existe evidencia pública creíble de que añadir un ORCID iD produzca un aumento fijo en las citas de inteligencia artificial. La afirmación más sólida es más específica y defendible: una buena identidad y metadatos del trabajo facilitan que los sistemas de búsqueda e investigación encuentren, emparejen, verifiquen y citen correctamente el material académico.

Este artículo refleja la documentación pública y la investigación disponible hasta el 13 de agosto de 2026.

Por qué los Centros de Autor son Importantes para los Sistemas de Inteligencia Artificial

Los sistemas de inteligencia artificial no utilizan todos los mismos índices de búsqueda, bases de datos o métodos de clasificación. Algunos se basan en la búsqueda web en vivo. Otros utilizan bases de datos académicas, índices con licencia, almacenes de conocimiento internos o sistemas de recuperación que buscan documentos antes de generar una respuesta.

Aún así, muchos sistemas enfrentan los mismos problemas técnicos:

• Los nombres pueden escribirse de diferentes maneras.
• Varios investigadores pueden compartir el mismo nombre.
• Un trabajo puede tener una versión pre-publicada (preprint), una versión de conferencia, un manuscrito aceptado y una versión final.
• Un artículo de revista puede estar vinculado a un conjunto de datos, un paquete de software, una subvención o una corrección.
• Un autor puede cambiar de institución o de nombre.
• Una página web puede describir una credencial sin mostrar quién la emitió o cuándo fue válida.

Los identificadores persistentes y los metadatos estructurados ayudan a resolver estos problemas.

El sistema de Identificadores de Objeto Digital describe un identificador como un nombre persistente para un objeto digital, físico o abstracto. Su valor depende no solo del identificador, sino también de los metadatos conectados a él. Manual DOI (doi.org)

Una forma útil de pensar en un centro de autor es como cuatro capas conectadas:

El objetivo no es crear un perfil lleno de palabras impresionantes. El objetivo es crear un registro en el que se puedan verificar las afirmaciones importantes.

Las Tres Partes Principales de un Centro de Autor

1. ORCID: La Capa de Identidad de la Persona

ORCID significa Open Researcher and Contributor ID (Identificador Abierto de Investigador y Contribuyente). Proporciona un identificador persistente para una persona y ayuda a distinguir a los investigadores que tienen nombres similares, usan diferentes formas de nombre o cambian sus nombres con el tiempo. Visión general de ORCID (support.orcid.org)

Un registro ORCID puede contener:

• Nombres y variantes de nombre
• Empleo y educación
• Trabajos de investigación
• Financiación
• Actividad de revisión por pares
• Servicio editorial
• Membresías y distinciones
• Recursos de investigación
• Enlaces a otros identificadores

La característica más importante no es el número de 16 dígitos en sí. Es la red de conexiones soportadas adjuntas a ese número.

Por ejemplo:

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

Las conexiones autenticadas son más sólidas

Las organizaciones deben recopilar los ORCID iD a través de un proceso de inicio de sesión autenticado en lugar de pedir a las personas que escriban un identificador en un formulario. ORCID recomienda usar su proceso de autorización para que el investigador confirme el registro correcto. Guía de integración y API de ORCID (info.orcid.org)

Esta distinción importa:

• Afirmación no verificada: "Este ORCID iD pertenece a Jane Smith."
• Afirmación autenticada: "Jane Smith inició sesión a través de ORCID y autorizó a este sistema a usar su iD."
• Afirmación institucional: "La universidad confirma que esta persona mantuvo esta afiliación durante estas fechas."

ORCID también almacena la fuente y el origen de las afirmaciones. Un trabajo o afiliación puede ser añadido por el investigador, un editor, un financiador u otra organización de confianza. Guía de confianza de ORCID (info.orcid.org)

Esto crea una señal de confianza útil tanto para personas como para máquinas:

El registro no solo dice lo que se afirma. También puede mostrar quién hizo la afirmación y cuándo se añadió.

Limitación importante

Un ORCID iD no garantiza que cada elemento de un registro sea correcto. El propio ORCID anima a los usuarios a examinar los indicadores de confianza, las fuentes, las fechas y las organizaciones que añadieron la información. Indicadores de confianza de ORCID (info.orcid.org)

Por lo tanto, las organizaciones no deben tratar "tener un ORCID iD" como equivalente a "estar completamente verificado". Un modelo mejor es:

• Autoafirmado
• Autenticado
• Confirmado institucionalmente
• Confirmado por el editor
• Confirmado por el financiador
• Revisado recientemente

2. Crossref y DataCite: La Capa de Identidad del Trabajo

ORCID identifica a la persona. Crossref y DataCite ayudan a identificar el trabajo.

Un Identificador de Objeto Digital puede identificar:

• Artículos de revista
• Libros y capítulos de libros
• Ponencias de conferencias
• Conjuntos de datos
• Software
• Informes
• Pre-publicaciones (Preprints)
• Revisiones por pares
• Estándares
• Pósteres y presentaciones

Un DOI debe resolverse en una página de destino estable. Más importante aún, debe tener metadatos completos que describan el trabajo.

Crossref recomienda registrar información como:

• Apellido y nombre de pila
• Roles de contribuyente
• Afiliaciones
• Identificadores de organización
• ORCID iD
• Fechas de publicación
• Resúmenes
• Referencias
• Financiación
• Licencias
• Información de versión
• Actualizaciones y correcciones

Metadatos requeridos y recomendados de Crossref (crossref.org)

Crossref describe sus metadatos como un recurso compartido al que se puede acceder a través de interfaces web, interfaces de programación de aplicaciones y descargas masivas. Los sistemas posteriores pueden usar esa información para descubrir y conectar resultados académicos. Recuperación de metadatos de Crossref (crossref.org)

DataCite cumple una función similar para conjuntos de datos y muchos otros productos de investigación. Su Esquema de Metadatos actual 4.7, lanzado el 3 de marzo de 2026, soporta creadores, contribuyentes, identificadores ORCID, afiliaciones, identificadores de organización, identificadores relacionados, financiación, descripciones y tipos de recursos. Esquema de Metadatos de DataCite (schema.datacite.org)

DataCite recomienda específicamente conectar los registros de creadores y contribuyentes a los identificadores ORCID y las afiliaciones organizacionales a los identificadores de organización. Identificadores de nombre de DataCite (support.datacite.org)

Un DOI no es una insignia de calidad

Un DOI prueba que existe un registro en un sistema de registro DOI. No prueba que:

• La investigación es correcta
• La publicación ha sido revisada por pares
• La revista es de buena reputación
• El autor es un experto
• Los hallazgos son importantes

Crossref aclara este punto: el DOI en sí mismo no significa el valor o la precisión del objeto. Los metadatos circundantes proporcionan contexto y permiten las conexiones. Guía DOI de Crossref (support.crossref.org)

Por eso, un registro DOI completo es mucho más útil que una cadena DOI colocada al pie de una página.

Los roles de contribuyente añaden significado

En julio de 2026, el Esquema 5.5 de Crossref añadió un mejor soporte para múltiples roles de contribuyente, autores correspondientes y la Taxonomía de Roles de Contribuyente. Esquema 5.5 de Crossref (crossref.org)

La Taxonomía de Roles de Contribuyente contiene 14 roles, incluyendo:

• Conceptualización
• Curación de datos
• Análisis formal
• Investigación
• Metodología
• Software
• Supervisión
• Validación
• Visualización
• Redacción del borrador original
• Redacción, revisión y edición

La taxonomía fue diseñada para hacer las contribuciones más transparentes y apoyar el crédito, la rendición de cuentas, la evaluación de la investigación y la integridad de la investigación. Taxonomía de Roles de Contribuyente (credit.niso.org)

Para los sistemas de inteligencia artificial, esto crea una respuesta más rica que "Jane Smith es una autora". Un sistema puede potencialmente distinguir entre:

• La persona que diseñó el estudio
• La persona que escribió el software
• La persona que analizó los datos
• La persona que supervisó el proyecto
• La persona que escribió el manuscrito original

Esto es especialmente importante para grandes equipos de investigación y proyectos técnicos.

3. Perfiles de Investigador: La Capa de Contexto

Los perfiles de investigador hacen que el grafo de identidad sea comprensible para las personas y más fácil de interpretar para los sistemas de búsqueda.

Un perfil robusto debe incluir:

• Una página institucional estable
• Un nombre consistente
• Variantes de nombre cuando sea apropiado
• ORCID iD
• Afiliaciones actuales y pasadas
• Áreas de investigación
• Trabajos seleccionados con enlaces DOI
• Conjuntos de datos, software e informes
• Financiación y premios
• Roles editoriales o de revisión
• Roles de contribuyente
• Fechas para posiciones actuales y pasadas
• Una fecha de última revisión
• Enlaces a otros perfiles públicos

Los perfiles de Google Scholar permiten a los investigadores listar publicaciones, hacer público el perfil, ver quién cita su trabajo y seguir las métricas de citación. Un perfil público con una dirección de correo electrónico institucional verificada puede ser elegible para aparecer en los resultados de búsqueda de Google Scholar. Perfiles de Google Scholar (scholar.google.com)

Sin embargo, Google Scholar debe tratarse como una capa de visibilidad y descubrimiento, no como la principal fuente de verdad. Los investigadores pueden gestionar sus propias listas de publicaciones, y la coincidencia automática puede incluir trabajos incorrectos o duplicados. Los recuentos de citas también varían entre bases de datos.

OpenAlex ofrece otra capa útil de descubrimiento. Mantiene registros de autor desambiguados y conecta autores, obras, instituciones, fuentes y temas. OpenAlex afirma que extrae información de fuentes como Crossref y DataCite, luego empareja autores con ORCID iD y afiliaciones con identificadores de organización. Descripción del ecosistema OpenAlex (help.openalex.org)

La mejor práctica es, por lo tanto, la federación de perfiles:

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

Ningún perfil único necesita contener todo. Deben apuntarse entre sí y usar los mismos identificadores.

Cómo estas Señales Pueden Afectar las Citas de Inteligencia Artificial

Es importante separar cinco eventos diferentes:

1. Descubrimiento: ¿Puede un sistema encontrar la página o el trabajo?
2. Resolución de identidad: ¿Puede decir qué persona y organización están involucradas?
3. Recuperación: ¿El sistema incluye el trabajo en su conjunto de evidencia?
4. Selección de citas: ¿Cita el trabajo en la respuesta?
5. Exactitud de la cita: ¿La cita apunta al trabajo correcto y apoya la afirmación?

ORCID, los metadatos DOI y los perfiles de investigador pueden ayudar más directamente con los tres primeros pasos. También pueden mejorar la exactitud de las citas. Su efecto en la selección de citas probablemente dependerá de la relevancia del tema, la calidad de la fuente, la actualidad, la accesibilidad y el sistema de inteligencia artificial específico.

La documentación de Google Search recomienda usar una página de autor, url y enlaces sameAs para ayudar a identificar a los autores de artículos. Para conjuntos de datos, Google recomienda específicamente usar un ORCID iD en la propiedad sameAs para un creador de persona. Datos estructurados de artículos de Google Datos estructurados de conjuntos de datos de Google (developers.google.com)

Una página de perfil simple podría usar datos estructurados como estos:

{ "@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" } ] }

Los datos estructurados no garantizan una función de búsqueda o una citación de inteligencia artificial. Google afirma que incluso los datos estructurados implementados correctamente pueden no aparecer en los resultados de búsqueda. Su valor es que proporciona a las máquinas una forma clara y estándar de interpretar la página. Guía de datos estructurados de Google (developers.google.com)

La conclusión práctica es:

Los identificadores mejoran el camino hacia la evidencia. No reemplazan la evidencia.

Lo que Dice la Investigación Actual sobre las Citas de Inteligencia Artificial

La investigación sobre el comportamiento de citación de la inteligencia artificial ha estudiado principalmente la precisión de las citas, la selección de fuentes y la verificabilidad. Todavía no ha producido una estimación fiable y general del efecto de la fuerza de identidad vinculada a ORCID.

Un estudio de 2023 sobre las citas generadas por ChatGPT encontró tasas sustanciales de referencias fabricadas y errores en referencias reales. El estudio examinó 636 citas generadas en 84 artículos y encontró que los problemas de citación persistían incluso en el modelo más nuevo probado. Estudio de Scientific Reports (nature.com)

Otro estudio de motores de búsqueda generativos encontró que muchas frases generadas no estaban completamente respaldadas por citas y que muchas citas no apoyaban adecuadamente las afirmaciones junto a ellas. Evaluando la Verificabilidad en Motores de Búsqueda Generativos (arxiv.org)

Investigaciones recientes también muestran que los sistemas de búsqueda generativos difieren en sus elecciones de fuente, superposición de fuentes, estabilidad y uso de conocimiento interno versus externo. Caracterizando la Búsqueda Web en la Era de la Inteligencia Artificial Generativa (aclanthology.org)

Estos hallazgos apoyan una posición cautelosa:

• Un DOI puede reducir la ambigüedad sobre el trabajo citado.
• ORCID puede reducir la ambigüedad sobre la persona.
• Los identificadores de afiliación pueden reducir la ambigüedad sobre la organización.
• Los roles de contribuyente pueden mejorar la atribución.
• Un perfil público puede proporcionar contexto.
• Ninguna de estas señales garantiza que un sistema recuperará o citará el trabajo.

Un Programa de Investigación para Medir la Fuerza de Identidad y la Frecuencia de Citas de Inteligencia Artificial

Las organizaciones no deberían afirmar que los centros de autor mejoran las citas de inteligencia artificial hasta que midan la relación directamente.

Definir una puntuación de fuerza de identidad de autor

La siguiente es una puntuación propuesta, no un estándar oficial.

No incluya recuentos de citas, prestigio de revistas o rango institucional en esta puntuación. Esos factores deben tratarse como variables separadas. Incluirlos dificultaría determinar si la fuerza de la identidad en sí misma está relacionada con la frecuencia de las citas.

Medir más de un tipo de cita

Un estudio útil debería rastrear al menos seis resultados:

1. Tasa de citación de trabajos
   El porcentaje de respuestas elegibles que citan un trabajo específico.

2. Tasa de atribución de autor
   El porcentaje de respuestas que nombran o atribuyen correctamente el trabajo al autor adecuado.

3. Tasa de identificadores válidos
   El porcentaje de citas que contienen un DOI que se resuelve en el trabajo correcto.

4. Precisión de la cita
   El porcentaje de citas que realmente apoyan la afirmación hecha.

5. Recuperación de la cita
   El porcentaje de fuentes de apoyo importantes que el sistema cita.

6. Estabilidad entre plataformas
   El porcentaje de citas repetidas en diferentes sistemas o ejecuciones repetidas.

Un marco de medición reciente para la búsqueda generativa separa la selección de citas de la absorción de citas, lo que significa si una fuente simplemente aparece en la lista de citas o realmente contribuye con evidencia a la respuesta. Esta distinción debe incluirse en futuros estudios de centros de autor. Marco de selección y absorción de citas (arxiv.org)

Estudio Uno: Estudio de correlación observacional

Este estudio pregunta:

¿Los trabajos conectados a identidades de autor más sólidas son citados con más frecuencia por los sistemas de inteligencia artificial después de controlar los factores de tema y publicación?

Diseño sugerido

• Muestrear de 10,000 a 50,000 trabajos académicos
• Cubrir varias disciplinas, idiomas y tipos de publicación
• Usar datos de Crossref, DataCite, OpenAlex y ORCID público
• Calcular una puntuación de fuerza de identidad para cada autor y trabajo
• Crear un conjunto de preguntas para las cuales los trabajos muestreados sean relevantes
• Ejecutar las preguntas en varios sistemas productores de citas
• Repetir cada pregunta varias veces
• Registrar la fecha, el sistema, la configuración del modelo, la región y las fuentes citadas

Variables de control importantes

El estudio debe controlar por:

• Relevancia del tema
• Año de publicación
• Estado de acceso abierto
• Disponibilidad de resumen
• Disponibilidad de texto completo
• Lugar de publicación
• Recuento de citas académicas existentes
• Reputación institucional
• Idioma
• Velocidad de la página y rastreabilidad
• Tipo de trabajo
• Frecuencia del nombre del autor
• Número de coautores
• Redacción de la consulta
• Sistema de búsqueda

El modelo estadístico principal podría estimar:

text Probability of correct citation = identity strength

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

Una regresión logística o un modelo de efectos mixtos serían apropiados para un resultado de sí o no, como si un trabajo fue citado. Un modelo binomial negativo puede ser útil para los recuentos de citas porque los datos de citas a menudo se distribuyen de manera desigual.

El resultado debe informarse como una razón de posibilidades con un intervalo de confianza, no como un simple porcentaje. Por ejemplo:

Un aumento de una desviación estándar en la fuerza de identidad se asoció con un cambio en la probabilidad de citación después de controlar por la relevancia, la edad, el acceso y la atención académica previa.

El estudio también debe informar los resultados nulos. Un hallazgo de no relación sería útil porque mostraría que los identificadores mejoran la calidad de los datos sin cambiar necesariamente el comportamiento de citación de la inteligencia artificial.

Estudio Dos: Experimento controlado de metadatos

Un estudio observacional puede confundir la fuerza de la identidad con la popularidad. Un experimento controlado puede aislar algunos efectos.

Hay dos versiones prácticas.

Versión A: Experimento web público

Cree páginas emparejadas con el mismo contenido sustantivo pero diferentes tratamientos de metadatos:

• Solo nombre básico del autor
• Nombre del autor más perfil institucional
• Nombre del autor más enlace ORCID
• Nombre del autor, ORCID, DOI, identificador de afiliación y datos estructurados

Publique las páginas al mismo tiempo y monitoree:

• Descubrimiento en la búsqueda
• Coincidencia correcta de autor
• Recuperación en respuestas de inteligencia artificial
• Frecuencia de citas
• Exactitud de las citas

Este experimento debe interpretarse con cuidado. Los sistemas públicos pueden rastrear páginas en diferentes momentos, y las organizaciones no pueden cambiar fácilmente los registros de Crossref o DataCite para un trabajo ya publicado.

Versión B: Índice de investigación controlado

Construya un pequeño sistema de recuperación que contenga los mismos documentos bajo diferentes condiciones de metadatos. Varíe solo:

• Identificador de autor
• DOI
• Afiliación
• Rol de contribuyente
• Enlaces de perfil
• Campos de procedencia

Luego, haga las mismas preguntas y mida la recuperación y la selección de citas. Este experimento ofrece un mejor control, pero mide un sistema de investigación en lugar de plataformas comerciales.

Estudio Tres: Despliegue organizacional escalonado

El diseño práctico más sólido es un estudio de diferencia en diferencias.

Una organización puede implementar los centros de autor en etapas:

• El Departamento Uno recibe el programa completo en octubre de 2026.
• El Departamento Dos lo recibe en enero de 2027.
• El Departamento Tres lo recibe en abril de 2027.

Todos los departamentos se miden antes y después de la implementación. Los departamentos que aún no han recibido el programa sirven como grupos de comparación temporales.

Medir:

• Atribución correcta del autor
• Resolución de DOI
• Frecuencia de citas
• Exactitud de las citas
• Impresiones de búsqueda
• Visitas a la página de perfil
• Tiempo necesario para corregir metadatos erróneos

Este diseño es más sólido que una simple comparación antes y después porque ayuda a separar el efecto del despliegue de los cambios más amplios en los sistemas de inteligencia artificial.

Hipótesis dignas de prueba

Las organizaciones pueden pre-registrar estas hipótesis:

• H1: Vínculos de identidad más fuertes mejoran la atribución correcta del autor.
• H2: Metadatos DOI completos mejoran las tasas de citas válidas.
• H3: Los identificadores de afiliación ayudan más cuando los autores tienen nombres comunes o se mueven entre instituciones.
• H4: Los perfiles de investigador mejoran el descubrimiento más de lo que mejoran la frecuencia de citas final.
• H5: La fuerza de la identidad tiene un efecto mayor en los autores de cola larga que en los autores ya famosos.
• H6: El efecto varía según el sistema, el tema, el idioma y el tipo de publicación.
• H7: La actualidad y la relevancia temática importan más que la decoración del perfil.

¿Qué Credenciales Deberían Publicarse?

Un perfil debe publicar credenciales que puedan verificarse. Cada credencial debe tener:

• Un tipo de credencial
• La persona que la posee
• La organización emisora
• Un identificador persistente para la organización cuando esté disponible
• Fechas de inicio y fin
• Una fuente de verificación
• Un estado como actual, caducado, en disputa o archivado
• Una fecha de última revisión

Las organizaciones deben etiquetar la fuente de cada credencial:

• Autoreportado
• Verificado institucionalmente
• Verificado por el editor
• Verificado por el financiador
• Importado de un registro
• Revisión pendiente

Evite publicar etiquetas no respaldadas como "experto líder" o "investigador de renombre mundial". Reemplácelas con evidencia:

• Número y tipo de trabajos
• Áreas de investigación
• Roles verificados
• Proyectos financiados
• Servicio editorial
• Conjuntos de datos o software públicos
• Nombramientos institucionales

Este enfoque es más útil tanto para lectores como para máquinas.

Plan de Implementación para Organizaciones

Fase Uno: Crear la política de metadatos

Asigne un pequeño grupo de gobernanza con representantes de:

• Administración de investigación
• Servicios bibliotecarios
• Tecnología de la información
• Comunicaciones
• Servicios de publicación o repositorio
• Privacidad
• Integridad de la investigación

Cree una política de datos concisa que defina:

• Campos obligatorios
• Sistemas de identificadores aprobados
• Quién puede afirmar cada campo
• Qué campos son públicos
• Cómo se manejan las correcciones
• Cuánto tiempo deben tardar las actualizaciones
• Qué sucede cuando una persona se va

Utilice un único contrato de datos entre sistemas. Como mínimo, cada registro de persona, trabajo, organización y credencial debe tener:

text persistent_id display_name source asserted_by valid_from valid_to last_verified status evidence_url

Fase Dos: Recopilar identificadores autenticados

Pida a los investigadores que conecten sus registros ORCID a través de un proceso autenticado. No haga que la institución sea responsable de adivinar qué ORCID iD pertenece a una persona.

Al mismo tiempo:

• Asignar identificadores de organización a departamentos e instituciones
• Vincular registros de personal a ORCID
• Emparejar publicaciones existentes con registros DOI
• Señalar colisiones de nombres
• Preservar formas de nombre alternativas
• Registrar la configuración de consentimiento y visibilidad

Fase Tres: Mejorar los metadatos DOI

Para trabajos nuevos, exija que el flujo de trabajo de publicación recopile:

• Nombres completos de los autores
• ORCID iD autenticados
• Afiliaciones
• Identificadores de organización
• Roles de contribuyente
• Identificadores de financiación
• Resúmenes
• Referencias
• Licencias
• Información de versión y actualización

Para trabajos más antiguos, comience con los últimos cinco años y los autores de mayor uso de la organización.

Crossref y DataCite deben recibir correcciones y actualizaciones en lugar de solo el depósito original. Las cadenas DOI permanecen persistentes, mientras que los metadatos asociados pueden mantenerse. Mantenimiento de metadatos de Crossref (crossref.org)

Fase Cuatro: Construir páginas de autor canónicas

Cada investigador debe tener una página institucional estable. Esa página debe:

• Usar una dirección web permanente
• Mostrar el rol actual
• Preservar roles anteriores con fechas
• Enlazar a ORCID
• Enlazar a registros DOI seleccionados
• Enlazar a perfiles de investigador públicos
• Mostrar áreas de investigación
• Mostrar una fecha de última actualización
• Usar datos estructurados
• Permanecer accesible a los rastreadores de búsqueda
• Evitar requerir un inicio de sesión

Google recomienda usar URLs de autor claras y enlaces sameAs para ayudar a distinguir a los autores. Guía de marcado de autor de Google (developers.google.com)

Fase Cinco: Federar y monitorear perfiles

Vincule la página institucional a:

• ORCID
• Google Scholar
• OpenAlex
• Páginas de editor
• Registros de repositorio
• Páginas de subvenciones
• Perfiles profesionales públicos cuando sea apropiado

Use verificaciones automatizadas para encontrar:

• Enlaces DOI rotos
• Enlaces ORCID faltantes
• Autores duplicados
• Coincidencias erróneas de coautores
• Afiliaciones antiguas
• Credenciales caducadas
• Fechas de actualización faltantes
• Nombres que no coinciden
• Retracciones o correcciones

Gobernanza para Actualizaciones y Cambios de Rol

Un centro de autor debe preservar la historia. No debe reescribir el pasado cada vez que una persona cambia de trabajo.

Jerarquía de fuentes recomendada

Cuando un investigador cambia de institución

No elimine la antigua afiliación de los trabajos históricos.

En su lugar:

1. Añada una fecha de finalización al registro de empleo anterior.
2. Añada la nueva afiliación con una fecha de inicio.
3. Actualice el perfil institucional.
4. Mantenga las afiliaciones de publicaciones históricas sin cambios, a menos que el editor emita una corrección.
5. Actualice el registro ORCID a través de la fuente adecuada.
6. Redirija la página de perfil antigua a una página archivada o nueva.

Cuando una persona cambia de nombre

Use ORCID para conectar variantes de nombre. Añada nombres anteriores o alternativos donde el investigador esté de acuerdo. No cambie el nombre del autor en un registro DOI publicado solo para que coincida con un perfil actual.

El propósito del identificador persistente es conectar trabajos a través de cambios de nombre sin reescribir el registro de publicación.

Cuando cambia el rol de un contribuyente

El rol de un contribuyente en un trabajo completado debe tratarse como parte del registro histórico.

Por ejemplo:

• El rol de una persona en un artículo publicado no debe cambiar porque luego se convierta en jefe de departamento.
• Un rol editorial debe tener una fecha de inicio y una fecha de finalización.
• Un rol de subvención debe estar vinculado al período de la subvención.
• Un rol de software debe estar vinculado a la versión o lanzamiento.

Si el registro de contribución original es incorrecto, utilice un proceso de corrección formal. No lo sobrescriba silenciosamente.

Cuando una credencial expira

Use valores de estado claros:

• Actual
• Caducado
• Renovado
• Suspendido
• Disputado
• Archivado

Deben enviarse recordatorios automatizados antes del vencimiento. Los perfiles públicos deben mostrar el estado y la fecha en lugar de dejar una credencial obsoleta visible sin explicación.

Cuando un investigador abandona la organización

La organización debe:

• Preservar el perfil histórico
• Marcar el rol anterior claramente
• Conservar enlaces a trabajos publicados
• Transferir la propiedad del perfil
• Establecer una redirección para la página anterior
• Eliminar información de contacto privada
• Mantener las afirmaciones institucionales que fueron verdaderas durante el período de empleo anterior

Cuando la autoría es disputada

Congele el campo en disputa, preserve la fuente original y registre la disputa. No elimine un autor ni cambie los roles de contribución basándose únicamente en una solicitud informal.

La oficina de integridad de la investigación, el editor o la autoridad de proyecto responsable deben determinar la vía de corrección formal.

Medidas de Éxito

Las organizaciones deben hacer un seguimiento de la calidad operativa antes de prometer una mayor visibilidad de la inteligencia artificial.

Los objetivos sugeridos incluyen:

• El 95 por ciento de los investigadores activos tienen ORCID iD autenticados
• El 95 por ciento de los nuevos trabajos incluyen ORCID cuando está disponible
• El 95 por ciento de las afiliaciones utilizan un identificador de organización persistente
• El 100 por ciento de los nuevos depósitos de DOI pasan la validación de metadatos
• El 100 por ciento de las páginas de autor contienen una dirección de perfil estable
• El 100 por ciento de los cambios de rol incluyen fechas
• Menos del 1 por ciento de los trabajos se asignan incorrectamente a un autor
• Las correcciones de metadatos se completan en 30 días
• Los cambios de empleo actuales aparecen en siete días
• Las retracciones y correcciones formales se reflejan rápidamente

Para el estudio de citación de inteligencia artificial, rastree:

• Tasa de atribución correcta del autor
• Tasa de DOI válidos
• Precisión de la cita
• Recuperación de la cita
• Frecuencia de citación del trabajo
• Acuerdo entre sistemas
• Tiempo desde la corrección de metadatos hasta la mejora de la indexación
• Diferencia entre el descubrimiento del perfil y la citación en la respuesta final

La organización debe informar estas medidas por disciplina, idioma, etapa de carrera y frecuencia del nombre. De lo contrario, una puntuación promedio puede ocultar resultados desiguales.

Riesgos y Salvaguardias

Los centros de autor pueden crear nuevos riesgos si se convierten en un sistema de control.

Las organizaciones no deben:

• Penalizar a los investigadores que mantienen parte de su información ORCID privada
• Tratar un perfil público de Google Scholar como prueba de calidad
• Usar los recuentos de citas como sustituto de la revisión por pares
• Publicar datos de contacto personales innecesariamente
• Inferir experiencia solo del prestigio institucional
• Requerir que todos los investigadores usen el mismo servicio de perfil público
• Tratar los identificadores faltantes como evidencia de mala conducta
• Permitir que los sistemas automatizados sobrescriban registros sin revisión

La adopción de ORCID y la calidad de los metadatos varían según el campo, el país, la etapa de carrera y el tipo de publicación. Un sistema justo debe apoyar la corrección manual, los controles de privacidad, la diversidad de nombres y a las personas cuyo trabajo no está bien representado por las métricas de publicación de revistas.

Conclusión

Un centro de autor sólido no es un proyecto de marca personal. Es un sistema de evidencia legible por máquina.

• ORCID conecta a una persona con una identidad persistente.
• Crossref y DataCite conectan trabajos con identificadores estables y metadatos ricos.
• Los identificadores del Registro de Organizaciones de Investigación conectan a personas y trabajos con instituciones.
• Los roles de contribuyente muestran lo que cada persona realmente hizo.
• Los perfiles institucionales y de investigador proporcionan contexto público.
• Los datos estructurados ayudan a los sistemas de búsqueda a interpretar las relaciones.
• La gobernanza y el historial de versiones muestran lo que es actual, lo que fue cierto en el pasado y quién confirmó cada afirmación.

El beneficio probable no es un aumento automático en el ranking. El beneficio es una cadena más fuerte de persona → trabajo → organización → evidencia.

Por lo tanto, las organizaciones deben asumir dos compromisos:

1. Estandarizar y mantener los metadatos.
2. Medir el comportamiento de citación de la inteligencia artificial en lugar de asumir un efecto.

El centro de autor más creíble no es el que tiene más insignias. Es aquel cuyas afirmaciones importantes son persistentes, conectadas, tienen una fuente, están actualizadas y son fáciles de verificar.