Construire des centres d'auteurs : ORCID, Crossref et les profils de chercheurs comme primitives de confiance

Construire des centres d'auteurs : ORCID, Crossref et les profils de chercheurs comme primitives de confiance

Les centres d'auteurs sont des enregistrements publics et connectés qui aident les humains et les machines à répondre à trois questions fondamentales :

1. Qui a créé ce travail ?
2. Quel est exactement ce travail ?
3. Pourquoi devrait-on faire confiance au lien entre la personne, le travail et l'organisation ?

Pour les lecteurs humains, un centre d'auteurs peut ressembler à une page de profil avec une biographie, des publications, des titres de compétences et des liens. Pour les systèmes d'intelligence artificielle, il est plus utile de le considérer comme un graphe de preuves liées.

Un centre d'auteurs solide relie :

• Une personne à un identifiant ORCID
• Une publication, un ensemble de données, un rapport ou un progiciel à un Identifiant d'Objet Numérique (DOI)
• Un travail à des métadonnées complètes Crossref ou DataCite
• Un chercheur à des affiliations et organisations vérifiées
• Un profil public à une page web institutionnelle stable
• Des contributions à des rôles clairs, tels que ceux de la Taxonomie des Rôles des Contributeurs (CRediT)
• Les rôles actuels et passés aux dates, sources et enregistrements de mise à jour

Ces connexions peuvent améliorer la résolution d'identité, la récupération, la précision des citations et la vérification des sources. Elles ne garantissent pas qu'un système d'intelligence artificielle citera un auteur. Il n'existe aucune preuve publique crédible qu'ajouter un identifiant ORCID produise une augmentation fixe des citations par intelligence artificielle. L'affirmation plus solide est plus étroite et plus défendable : de bonnes métadonnées d'identité et de travail facilitent la recherche, la correspondance, la vérification et la citation correcte de matériel savant par les systèmes de recherche.

Cet article reflète la documentation publique et la recherche disponibles au 13 août 2026.

Pourquoi les centres d'auteurs sont importants pour les systèmes d'intelligence artificielle

Les systèmes d'intelligence artificielle n'utilisent pas tous les mêmes index de recherche, bases de données ou méthodes de classement. Certains s'appuient sur la recherche web en direct. D'autres utilisent des bases de données universitaires, des index sous licence, des magasins de connaissances internes ou des systèmes de récupération qui recherchent des documents avant de générer une réponse.

Néanmoins, de nombreux systèmes sont confrontés aux mêmes problèmes techniques :

• Les noms peuvent être orthographiés de différentes manières.
• Plusieurs chercheurs peuvent partager le même nom.
• Un travail peut avoir une prépublication, une version de conférence, un manuscrit accepté et une version finale.
• Un article de revue peut être lié à un ensemble de données, un progiciel, une subvention ou une correction.
• Un auteur peut changer d'institution ou de nom.
• Une page web peut décrire une qualification sans indiquer qui l'a délivrée ou quand elle était valide.

Les identifiants persistants et les métadonnées structurées aident à résoudre ces problèmes.

Le système d'Identifiant d'Objet Numérique (DOI) décrit un identifiant comme un nom persistant pour un objet numérique, physique ou abstrait. Sa valeur dépend non seulement de l'identifiant, mais aussi des métadonnées qui y sont connectées. Manuel DOI (doi.org)

Une façon utile de concevoir un centre d'auteurs est comme quatre couches connectées :

L'objectif n'est pas de créer un profil rempli de mots impressionnants. L'objectif est de créer un enregistrement où les affirmations importantes peuvent être vérifiées.

Les trois composantes principales d'un centre d'auteurs

1. ORCID : La couche d'identité de la personne

ORCID signifie Open Researcher and Contributor ID (Identifiant Ouvert de Chercheur et de Contributeur). Il fournit un identifiant persistant pour une personne et aide à distinguer les chercheurs qui ont des noms similaires, utilisent différentes formes de nom ou changent de nom au fil du temps. Aperçu d'ORCID (support.orcid.org)

Un enregistrement ORCID peut contenir :

• Noms et variantes de nom
• Emploi et éducation
• Travaux de recherche
• Financements
• Activité d'évaluation par les pairs
• Service éditorial
• Adhésions et distinctions
• Ressources de recherche
• Liens vers d'autres identifiants

La caractéristique la plus importante n'est pas le numéro à 16 chiffres lui-même. C'est le réseau de connexions prises en charge rattaché à ce numéro.

Par exemple :

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

Les connexions authentifiées sont plus solides

Les organisations devraient collecter les identifiants ORCID via un processus de connexion authentifié plutôt que de demander aux personnes de taper un identifiant dans un formulaire. ORCID recommande d'utiliser son processus d'autorisation afin que le chercheur confirme le bon enregistrement. Conseils d'intégration et d'interface de programmation d'application d'ORCID (info.orcid.org)

Cette distinction est importante :

• Affirmation non vérifiée : « Cet identifiant ORCID appartient à Jane Smith. »
• Affirmation authentifiée : « Jane Smith s'est connectée via ORCID et a autorisé ce système à utiliser son identifiant. »
• Assertion institutionnelle : « L'université confirme que cette personne a eu cette affiliation pendant ces dates. »

ORCID stocke également la source et l'origine des assertions. Un travail ou une affiliation peut être ajouté par le chercheur, un éditeur, un organisme de financement ou une autre organisation de confiance. Conseils de confiance d'ORCID (info.orcid.org)

Cela crée un signal de confiance utile pour les humains et les machines :

L'enregistrement ne se contente pas de dire ce qui est revendiqué. Il peut également montrer qui a fait la revendication et quand elle a été ajoutée.

Limitation importante

Un identifiant ORCID ne garantit pas que chaque élément d'un enregistrement est correct. ORCID encourage lui-même les utilisateurs à examiner les indicateurs de confiance, les sources, les dates et les organisations qui ont ajouté des informations. Indicateurs de confiance ORCID (info.orcid.org)

Par conséquent, les organisations ne devraient pas considérer « possède un identifiant ORCID » comme équivalent à « est entièrement vérifié ». Un meilleur modèle est :

• Auto-déclaré
• Authentifié
• Confirmé par l'institution
• Confirmé par l'éditeur
• Confirmé par l'organisme de financement
• Récemment examiné

2. Crossref et DataCite : La couche d'identité du travail

ORCID identifie la personne. Crossref et DataCite aident à identifier le travail.

Un Identifiant d'Objet Numérique (DOI) peut identifier :

• Articles de revues
• Livres et chapitres de livres
• Actes de conférences
• Ensembles de données
• Logiciels
• Rapports
• Prépublications
• Évaluations par les pairs
• Normes
• Affiches et présentations

Un DOI devrait rediriger vers une page de destination stable. Plus important encore, il devrait disposer de métadonnées complètes décrivant le travail.

Crossref recommande d'enregistrer des informations telles que :

• Nom de famille et prénom
• Rôles des contributeurs
• Affiliations
• Identifiants d'organisation
• Identifiants ORCID
• Dates de publication
• Résumés
• Références
• Financements
• Licences
• Informations de version
• Mises à jour et corrections

Métadonnées requises et recommandées par Crossref (crossref.org)

Crossref décrit ses métadonnées comme une ressource partagée accessible via des interfaces web, des interfaces de programmation d'applications (API) et des téléchargements en masse. Les systèmes en aval peuvent utiliser ces informations pour découvrir et connecter les productions savantes. Récupération des métadonnées Crossref (crossref.org)

DataCite remplit une fonction similaire pour les ensembles de données et de nombreuses autres productions de recherche. Son schéma de métadonnées actuel 4.7, publié le 3 mars 2026, prend en charge les créateurs, les contributeurs, les identifiants ORCID, les affiliations, les identifiants d'organisation, les identifiants liés, les financements, les descriptions et les types de ressources. Schéma de métadonnées DataCite (schema.datacite.org)

DataCite recommande spécifiquement de connecter les enregistrements de créateurs et de contributeurs aux identifiants ORCID et les affiliations organisationnelles aux identifiants d'organisation. Identifiants de nom DataCite (support.datacite.org)

Un DOI n'est pas un gage de qualité

Un DOI prouve qu'un enregistrement existe dans un système d'enregistrement DOI. Il ne prouve pas que :

• La recherche est correcte
• La publication est évaluée par les pairs
• La revue est réputée
• L'auteur est un expert
• Les résultats sont importants

Crossref le précise clairement : le DOI en lui-même ne signifie pas la valeur ou l'exactitude de l'objet. Les métadonnées environnantes fournissent le contexte et permettent les connexions. Conseils sur les DOI de Crossref (support.crossref.org)

C'est pourquoi un enregistrement DOI complet est bien plus utile qu'une chaîne DOI placée en bas d'une page.

Les rôles des contributeurs ajoutent du sens

En juillet 2026, Crossref Schema 5.5 a amélioré la prise en charge de plusieurs rôles de contributeurs, des auteurs correspondants et de la Taxonomie des Rôles des Contributeurs (CRediT). Schéma Crossref 5.5 (crossref.org)

La Taxonomie des Rôles des Contributeurs contient 14 rôles, dont :

• Conceptualisation
• Conservation des données
• Analyse formelle
• Investigation
• Méthodologie
• Logiciel
• Supervision
• Validation
• Visualisation
• Rédaction du brouillon original
• Rédaction, révision et édition

La taxonomie a été conçue pour rendre les contributions plus transparentes et soutenir le crédit, la responsabilité, l'évaluation de la recherche et l'intégrité de la recherche. Taxonomie des Rôles des Contributeurs (credit.niso.org)

Pour les systèmes d'intelligence artificielle, cela crée une réponse plus riche que « Jane Smith est une auteure ». Un système peut potentiellement distinguer entre :

• La personne qui a conçu l'étude
• La personne qui a écrit le logiciel
• La personne qui a analysé les données
• La personne qui a supervisé le projet
• La personne qui a rédigé le manuscrit original

C'est particulièrement important pour les grandes équipes de recherche et les projets techniques.

3. Profils de chercheurs : La couche de contexte

Les profils de chercheurs rendent le graphe d'identité compréhensible pour les humains et plus facile à interpréter pour les systèmes de recherche.

Un profil robuste devrait inclure :

• Une page institutionnelle stable
• Un nom cohérent
• Variantes de nom, le cas échéant
• Identifiant ORCID
• Affiliations actuelles et passées
• Domaines de recherche
• Travaux sélectionnés avec des liens DOI
• Ensembles de données, logiciels et rapports
• Financements et récompenses
• Rôles éditoriaux ou d'évaluation
• Rôles de contributeur
• Dates pour les postes actuels et passés
• Une date de dernière révision
• Liens vers d'autres profils publics

Les profils Google Scholar permettent aux chercheurs de lister leurs publications, de rendre le profil public, de voir qui cite leur travail et de suivre les métriques de citation. Un profil public avec une adresse e-mail institutionnelle vérifiée peut être éligible pour apparaître dans les résultats de recherche Google Scholar. Profils Google Scholar (scholar.google.com)

Cependant, Google Scholar doit être traité comme une couche de visibilité et de découverte, et non comme la principale source de vérité. Les chercheurs peuvent gérer leurs propres listes de publications, et la correspondance automatique peut inclure des travaux incorrects ou en double. Le nombre de citations varie également selon les bases de données.

OpenAlex offre une autre couche de découverte utile. Il maintient des enregistrements d'auteurs désambiguïsés et connecte les auteurs, les travaux, les institutions, les sources et les sujets. OpenAlex déclare qu'il tire des informations de sources telles que Crossref et DataCite, puis fait correspondre les auteurs aux identifiants ORCID et les affiliations aux identifiants d'organisation. Description de l'écosystème OpenAlex (help.openalex.org)

La meilleure pratique est donc la fédération de profils :

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

Aucun profil unique n'a besoin de contenir tout. Ils devraient se pointer mutuellement et utiliser les mêmes identifiants.

Comment ces signaux peuvent affecter les citations par intelligence artificielle

Il est important de distinguer cinq événements différents :

1. Découverte : Un système peut-il trouver la page ou le travail ?
2. Résolution d'identité : Peut-il déterminer quelles personnes et organisations sont impliquées ?
3. Récupération : Le système intègre-t-il le travail dans son ensemble de preuves ?
4. Sélection des citations : Cite-t-il le travail dans la réponse ?
5. Exactitude de la citation : La citation pointe-t-elle vers le bon travail et soutient-elle l'affirmation ?

Les métadonnées ORCID, DOI et les profils de chercheurs peuvent aider le plus directement avec les trois premières étapes. Elles peuvent également améliorer l'exactitude des citations. Leur effet sur la sélection des citations est susceptible de dépendre de la pertinence du sujet, de la qualité de la source, de la récence, de l'accessibilité et du système d'intelligence artificielle spécifique.

La documentation de Google Search recommande d'utiliser une page d'auteur, des liens url et sameAs pour aider à identifier les auteurs d'articles. Pour les ensembles de données, Google recommande spécifiquement d'utiliser un identifiant ORCID dans la propriété sameAs pour un créateur de personne. Données structurées d'article Google Données structurées d'ensemble de données Google (developers.google.com)

Une page de profil simple pourrait utiliser des données structurées comme ceci :

{ "@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" } ] }

Les données structurées ne garantissent pas une fonctionnalité de recherche ni une citation par intelligence artificielle. Google indique que même des données structurées correctement implémentées peuvent ne pas apparaître dans les résultats de recherche. Leur valeur est qu'elles offrent aux machines un moyen clair et standard d'interpréter la page. Conseils sur les données structurées de Google (developers.google.com)

La conclusion pratique est la suivante :

Les identifiants améliorent le chemin vers les preuves. Ils ne remplacent pas les preuves.

Ce que la recherche actuelle dit sur les citations par intelligence artificielle

La recherche sur le comportement de citation par intelligence artificielle a principalement étudié la précision des citations, la sélection des sources et la vérifiabilité. Elle n'a pas encore produit d'estimation fiable et générale de l'effet de la force d'identité liée à ORCID.

Une étude de 2023 sur les citations générées par ChatGPT a révélé des taux substantiels de références fabriquées et d'erreurs dans les références réelles. L'étude a examiné 636 citations générées sur 84 articles et a constaté que les problèmes de citation persistaient même dans le modèle plus récent testé. Étude Scientific Reports (nature.com)

Une autre étude sur les moteurs de recherche génératifs a révélé que de nombreuses phrases générées n'étaient pas entièrement étayées par des citations et que de nombreuses citations ne soutenaient pas adéquatement les déclarations qui les accompagnaient. Évaluation de la vérifiabilité dans les moteurs de recherche génératifs (arxiv.org)

Des recherches récentes montrent également que les systèmes de recherche génératifs diffèrent dans leurs choix de sources, leur chevauchement de sources, leur stabilité et leur utilisation des connaissances internes par rapport aux connaissances externes. Caractérisation de la recherche Web à l'ère de l'intelligence artificielle générative (aclanthology.org)

Ces conclusions soutiennent une position prudente :

• Un DOI peut réduire l'ambiguïté concernant le travail cité.
• ORCID peut réduire l'ambiguïté concernant la personne.
• Les identifiants d'affiliation peuvent réduire l'ambiguïté concernant l'organisation.
• Les rôles des contributeurs peuvent améliorer l'attribution.
• Un profil public peut fournir un contexte.
• Aucun de ces signaux ne garantit qu'un système récupérera ou citera le travail.

Un programme de recherche pour mesurer la force d'identité et la fréquence des citations par intelligence artificielle

Les organisations ne devraient pas affirmer que les centres d'auteurs améliorent les citations par intelligence artificielle tant qu'elles n'ont pas mesuré directement cette relation.

Définir un score de force d'identité d'auteur

Ce qui suit est un score proposé, non une norme officielle.

N'incluez pas le nombre de citations, le prestige de la revue ou le classement institutionnel dans ce score. Ces facteurs devraient être traités comme des variables distinctes. Les inclure rendrait difficile de déterminer si la force de l'identité elle-même est liée à la fréquence des citations.

Mesurer plus d'un type de citation

Une étude utile devrait suivre au moins six résultats :

1. Taux de citation de l'œuvre
   Le pourcentage de réponses éligibles qui citent un travail spécifique.

2. Taux d'attribution à l'auteur
   Le pourcentage de réponses qui nomment ou attribuent correctement le travail au bon auteur.

3. Taux d'identifiant valide
   Le pourcentage de citations contenant un DOI qui renvoie au travail correct.

4. Précision de la citation
   Le pourcentage de citations qui soutiennent réellement l'affirmation faite.

5. Rappel de citation
   Le pourcentage de sources de soutien importantes que le système cite.

6. Stabilité multiplateforme
   Le pourcentage de citations répétées sur différents systèmes ou exécutions répétées.

Un cadre de mesure récent pour la recherche générative sépare la sélection de citations de l'absorption de citations, c'est-à-dire si une source apparaît simplement dans la liste de citations ou contribue réellement à la preuve de la réponse. Cette distinction devrait être incluse dans les futures études sur les centres d'auteurs. Cadre de sélection et d'absorption des citations (arxiv.org)

Étude Un : Étude de corrélation observationnelle

Cette étude pose la question suivante :

Les travaux liés à des identités d'auteur plus solides sont-ils cités plus souvent par les systèmes d'intelligence artificielle après avoir contrôlé les facteurs thématiques et de publication ?

Conception suggérée

• Échantillonner 10 000 à 50 000 travaux scientifiques
• Couvrir plusieurs disciplines, langues et types de publications
• Utiliser les données Crossref, DataCite, OpenAlex et les données publiques ORCID
• Calculer un score de force d'identité pour chaque auteur et travail
• Créer un ensemble de questions pour lesquelles les travaux échantillonnés sont pertinents
• Exécuter les questions sur plusieurs systèmes générateurs de citations
• Répéter chaque question plusieurs fois
• Enregistrer la date, le système, le paramètre du modèle, la région et les sources citées

Variables de contrôle importantes

L'étude devrait contrôler pour :

• Pertinence du sujet
• Année de publication
• Statut d'accès ouvert
• Disponibilité du résumé
• Disponibilité du texte intégral
• Lieu de publication
• Nombre de citations académiques existantes
• Réputation institutionnelle
• Langue
• Vitesse de la page et explorabilité
• Type de travail
• Fréquence du nom de l'auteur
• Nombre de co-auteurs
• Formulation de la requête
• Système de recherche

Le modèle statistique principal pourrait estimer :

text Probability of correct citation = identity strength

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

Une régression logistique ou un modèle à effets mixtes serait approprié pour un résultat oui-ou-non tel que la citation d'un travail. Un modèle binomial négatif peut être utile pour le nombre de citations, car les données de citation sont souvent inégalement distribuées.

Le résultat devrait être rapporté comme un rapport de cotes avec un intervalle de confiance, et non comme un simple pourcentage. Par exemple :

Une augmentation d'un écart-type de la force d'identité était associée à un changement de probabilité de citation après avoir contrôlé la pertinence, l'âge, l'accès et l'attention académique antérieure.

L'étude devrait également rapporter les résultats nuls. Une découverte d'absence de relation serait utile car elle montrerait que les identifiants améliorent la qualité des données sans nécessairement modifier le comportement de citation par intelligence artificielle.

Étude Deux : Expérience contrôlée sur les métadonnées

Une étude observationnelle peut confondre la force d'identité avec la popularité. Une expérience contrôlée peut isoler certains effets.

Il existe deux versions pratiques.

Version A : Expérience web publique

Créer des pages appariées avec le même contenu substantiel mais des traitements de métadonnées différents :

• Nom d'auteur de base seulement
• Nom d'auteur plus profil institutionnel
• Nom d'auteur plus lien ORCID
• Nom d'auteur, ORCID, DOI, identifiant d'affiliation et données structurées

Publier les pages en même temps et surveiller :

• Découverte par la recherche
• Correspondance correcte de l'auteur
• Récupération dans les réponses d'intelligence artificielle
• Fréquence des citations
• Exactitude des citations

Cette expérience doit être interprétée avec prudence. Les systèmes publics peuvent explorer les pages à des moments différents, et les organisations ne peuvent pas facilement modifier les enregistrements Crossref ou DataCite pour un travail déjà publié.

Version B : Index de recherche contrôlé

Construire un petit système de récupération contenant les mêmes documents sous différentes conditions de métadonnées. Ne faire varier que :

• Identifiant d'auteur
• DOI
• Affiliation
• Rôle de contributeur
• Liens de profil
• Champs de provenance

Puis poser les mêmes questions et mesurer la récupération et la sélection des citations. Cette expérience offre un meilleur contrôle, mais elle mesure un système de recherche plutôt que des plateformes commerciales.

Étude Trois : Déploiement organisationnel échelonné

La conception pratique la plus solide est une étude en différences-en-différences.

Une organisation peut déployer les centres d'auteurs par étapes :

• Le Département Un reçoit le programme complet en octobre 2026.
• Le Département Deux le reçoit en janvier 2027.
• Le Département Trois le reçoit en avril 2027.

Tous les départements sont mesurés avant et après la mise en œuvre. Les départements qui n'ont pas encore reçu le programme servent de groupes de comparaison temporaires.

Mesurer :

• Attribution correcte de l'auteur
• Résolution du DOI
• Fréquence des citations
• Exactitude des citations
• Impressions de recherche
• Visites de pages de profil
• Temps nécessaire pour corriger les mauvaises métadonnées

Cette conception est plus solide qu'une simple comparaison avant-après car elle aide à séparer l'effet du déploiement des changements plus larges dans les systèmes d'intelligence artificielle.

Hypothèses à tester

Les organisations peuvent pré-enregistrer ces hypothèses :

• H1 : Des liens d'identité plus solides améliorent l'attribution correcte de l'auteur.
• H2 : Des métadonnées DOI complètes améliorent les taux de citations valides.
• H3 : Les identifiants d'affiliation sont les plus utiles lorsque les auteurs ont des noms communs ou changent d'institution.
• H4 : Les profils de chercheurs améliorent la découverte plus qu'ils n'améliorent la fréquence finale des citations.
• H5 : La force de l'identité a un effet plus important sur les auteurs de la longue traîne que sur les auteurs déjà célèbres.
• H6 : L'effet varie selon le système, le sujet, la langue et le type de publication.
• H7 : L'actualisation et la pertinence thématique sont plus importantes que la décoration du profil.

Quelles qualifications devraient être publiées ?

Un profil devrait publier des qualifications vérifiables. Chaque qualification devrait avoir :

• Un type de qualification
• La personne qui la détient
• L'organisation émettrice
• Un identifiant persistant pour l'organisation, si disponible
• Dates de début et de fin
• Une source de vérification
• Un statut tel que actuel, expiré, contesté ou archivé
• Une date de dernière révision

Les organisations devraient étiqueter la source de chaque qualification :

• Auto-déclaré
• Vérifié par l'institution
• Vérifié par l'éditeur
• Vérifié par l'organisme de financement
• Importé d'un registre
• En attente de révision

Évitez de publier des étiquettes non étayées telles que « expert de premier plan » ou « chercheur de renommée mondiale ». Remplacez-les par des preuves :

• Nombre et type de travaux
• Domaines de recherche
• Rôles vérifiés
• Projets financés
• Service éditorial
• Ensembles de données ou logiciels publics
• Nominations institutionnelles

Cette approche est plus utile aux lecteurs et aux machines.

Plan de déploiement pour les organisations

Phase Un : Créer la politique de métadonnées

Désigner un petit groupe de gouvernance avec des représentants de :

• Administration de la recherche
• Services de bibliothèque
• Technologies de l'information
• Communications
• Services d'édition ou de dépôt
• Confidentialité
• Intégrité de la recherche

Créer une courte politique de données qui définit :

• Champs requis
• Systèmes d'identifiants approuvés
• Qui peut affirmer chaque champ
• Quels champs sont publics
• Comment les corrections sont gérées
• Combien de temps les mises à jour devraient prendre
• Ce qui se passe lorsqu'une personne quitte

Utiliser un contrat de données unique à travers les systèmes. Au minimum, chaque enregistrement de personne, de travail, d'organisation et de qualification devrait avoir :

text persistent_id display_name source asserted_by valid_from valid_to last_verified status evidence_url

Phase Deux : Collecter les identifiants authentifiés

Demander aux chercheurs de connecter leurs enregistrements ORCID via un processus authentifié. Ne pas rendre l'institution responsable de deviner quel identifiant ORCID appartient à une personne.

En même temps :

• Assigner des identifiants d'organisation aux départements et institutions
• Lier les enregistrements du personnel à ORCID
• Faire correspondre les publications existantes aux enregistrements DOI
• Signaler les collisions de noms
• Conserver les formes de nom alternatives
• Enregistrer les paramètres de consentement et de visibilité

Phase Trois : Améliorer les métadonnées DOI

Pour les nouveaux travaux, exiger que le flux de travail de publication collecte :

• Noms complets des auteurs
• Identifiants ORCID authentifiés
• Affiliations
• Identifiants d'organisation
• Rôles des contributeurs
• Identifiants de financement
• Résumés
• Références
• Licences
• Informations de version et de mise à jour

Pour les travaux plus anciens, commencer par les cinq dernières années et les auteurs les plus utilisés de l'organisation.

Crossref et DataCite devraient recevoir des corrections et des mises à jour plutôt que seulement le dépôt original. Les chaînes DOI restent persistantes, tandis que les métadonnées associées peuvent être maintenues. Maintenance des métadonnées Crossref (crossref.org)

Phase Quatre : Construire des pages d'auteur canoniques

Chaque chercheur devrait avoir une page institutionnelle stable. Cette page devrait :

• Utiliser une adresse web permanente
• Afficher le rôle actuel
• Conserver les rôles précédents avec les dates
• Lier à ORCID
• Lier à des enregistrements DOI sélectionnés
• Lier à des profils de chercheurs publics
• Afficher les domaines de recherche
• Afficher une date de dernière mise à jour
• Utiliser des données structurées
• Rester accessible aux robots d'exploration
• Éviter d'exiger une connexion

Google recommande d'utiliser des URL d'auteur claires et des liens sameAs pour aider à distinguer les auteurs. Conseils de balisage d'auteur Google (developers.google.com)

Phase Cinq : Fédérer et surveiller les profils

Lier la page institutionnelle à :

• ORCID
• Google Scholar
• OpenAlex
• Pages d'éditeur
• Enregistrements de dépôt
• Pages de subvention
• Profils professionnels publics le cas échéant

Utiliser des vérifications automatisées pour trouver :

• Liens DOI rompus
• Liens ORCID manquants
• Auteurs en double
• Correspondances de co-auteurs incorrectes
• Anciennes affiliations
• Qualifications expirées
• Dates de mise à jour manquantes
• Noms non concordants
• Rétractations ou corrections

Gouvernance des mises à jour et des changements de rôle

Un centre d'auteurs doit préserver l'historique. Il ne doit pas réécrire le passé chaque fois qu'une personne change d'emploi.

Hiérarchie des sources recommandée

Quand un chercheur change d'institution

Ne pas supprimer l'ancienne affiliation des travaux historiques.

Au lieu de cela :

1. Ajouter une date de fin à l'ancien enregistrement d'emploi.
2. Ajouter la nouvelle affiliation avec une date de début.
3. Mettre à jour le profil institutionnel.
4. Maintenir les affiliations de publication historiques inchangées, sauf si l'éditeur émet une correction.
5. Mettre à jour l'enregistrement ORCID via la source appropriée.
6. Rediriger l'ancienne page de profil vers une page archivée ou nouvelle.

Quand une personne change de nom

Utiliser ORCID pour connecter les variantes de nom. Ajouter les noms précédents ou alternatifs là où le chercheur est d'accord. Ne pas changer le nom de l'auteur dans un enregistrement DOI publié simplement pour qu'il corresponde à un profil actuel.

Le but de l'identifiant persistant est de connecter les travaux à travers les changements de nom sans réécrire l'enregistrement de publication.

Quand le rôle d'un contributeur change

Le rôle d'un contributeur sur un travail achevé devrait être traité comme faisant partie de l'enregistrement historique.

Par exemple :

• Le rôle d'une personne sur un article publié ne devrait pas changer parce qu'elle devient plus tard chef de département.
• Un rôle éditorial devrait avoir une date de début et de fin.
• Un rôle de subvention devrait être lié à la période de la subvention.
• Un rôle de logiciel devrait être lié à la version ou à la publication.

Si l'enregistrement de contribution original est erroné, utiliser un processus de correction formel. Ne pas l'écraser silencieusement.

Quand une qualification expire

Utiliser des valeurs de statut claires :

• Actuel
• Expiré
• Renouvelé
• Suspendu
• Contesté
• Archivé

Des rappels automatisés devraient être envoyés avant l'expiration. Les profils publics devraient afficher le statut et la date plutôt que de laisser une qualification obsolète visible sans explication.

Quand un chercheur quitte l'organisation

L'organisation devrait :

• Préserver le profil historique
• Indiquer clairement l'ancien rôle
• Conserver les liens vers les travaux publiés
• Transférer la propriété du profil
• Définir une redirection pour l'ancienne page
• Supprimer les informations de contact privées
• Conserver les affirmations institutionnelles qui étaient vraies pendant l'ancienne période d'emploi

Quand la paternité est contestée

Geler le champ contesté, préserver la source originale et enregistrer la contestation. Ne pas retirer un auteur ni modifier les rôles de contribution sur la seule base d'une demande informelle.

Le bureau d'intégrité de la recherche, l'éditeur ou l'autorité de projet responsable devraient déterminer le chemin de correction formel.

Mesures de succès

Les organisations devraient suivre la qualité opérationnelle avant de promettre une visibilité accrue de l'intelligence artificielle.

Les objectifs suggérés incluent :

• 95 % des chercheurs actifs ont des identifiants ORCID authentifiés
• 95 % des nouveaux travaux incluent un identifiant ORCID lorsque disponible
• 95 % des affiliations utilisent un identifiant d'organisation persistant
• 100 % des nouveaux dépôts DOI passent la validation des métadonnées
• 100 % des pages d'auteur contiennent une adresse de profil stable
• 100 % des changements de rôle incluent des dates
• Moins de 1 % des travaux sont incorrectement attribués à un auteur
• Les corrections de métadonnées sont effectuées dans les 30 jours
• Les changements d'emploi actuels apparaissent dans les sept jours
• Les rétractations et corrections formelles sont reflétées rapidement

Pour l'étude sur les citations par intelligence artificielle, suivre :

• Taux d'attribution correcte de l'auteur
• Taux de DOI valide
• Précision de la citation
• Rappel de citation
• Fréquence de citation de l'œuvre
• Concordance inter-systèmes
• Délai entre la correction des métadonnées et l'amélioration de l'indexation
• Différence entre la découverte du profil et la citation dans la réponse finale

L'organisation devrait rapporter ces mesures par discipline, langue, étape de carrière et fréquence des noms. Sinon, un score moyen pourrait masquer des résultats inégaux.

Risques et garanties

Les centres d'auteurs peuvent créer de nouveaux risques s'ils deviennent un système de contrôle d'accès.

Les organisations ne devraient pas :

• Pénaliser les chercheurs qui maintiennent certaines informations ORCID privées
• Traiter un profil public Google Scholar comme une preuve de qualité
• Utiliser le nombre de citations comme substitut à l'évaluation par les pairs
• Publier des informations de contact personnelles inutilement
• Déduire l'expertise du seul prestige institutionnel
• Exiger de chaque chercheur d'utiliser le même service de profil public
• Traiter les identifiants manquants comme une preuve de mauvaise conduite
• Permettre aux systèmes automatisés d'écraser des enregistrements sans révision

L'adoption d'ORCID et la qualité des métadonnées varient selon le domaine, le pays, l'étape de carrière et le type de publication. Un système équitable doit prendre en charge la correction manuelle, les contrôles de confidentialité, la diversité des noms et les personnes dont le travail n'est pas bien représenté par les métriques de publication de revues.

Conclusion

Un centre d'auteurs solide n'est pas un projet de marque personnelle. C'est un système de preuves lisible par machine.

• ORCID connecte une personne à une identité persistante.
• Crossref et DataCite connectent les travaux à des identifiants stables et des métadonnées riches.
• Les identifiants du Registre des Organisations de Recherche connectent les personnes et les travaux aux institutions.
• Les rôles de contributeur montrent ce que chaque personne a réellement fait.
• Les profils institutionnels et de chercheurs fournissent un contexte public.
• Les données structurées aident les systèmes de recherche à interpréter les relations.
• La gouvernance et l'historique des versions montrent ce qui est actuel, ce qui était vrai dans le passé, et qui a confirmé chaque affirmation.

Le bénéfice probable n'est pas un classement automatique amélioré. Le bénéfice est une chaîne plus solide de personne → travail → organisation → preuve.

Les organisations devraient donc prendre deux engagements :

1. Standardiser et maintenir les métadonnées.
2. Mesurer le comportement de citation par intelligence artificielle plutôt que de supposer un effet.

Le centre d'auteurs le plus crédible n'est pas celui qui a le plus de badges. C'est celui dont les affirmations importantes sont persistantes, connectées, sourcées, actuelles et faciles à vérifier.