Costruire Hub Autore: ORCID, Crossref e Profili Accademici come Primitivi di Fiducia

Costruire Hub Autore: ORCID, Crossref e Profili Accademici come Primitivi di Fiducia

Gli hub autore sono registri pubblici e interconnessi che aiutano persone e macchine a rispondere a tre domande fondamentali:

1. Chi ha creato questo lavoro?
2. Che cos'è esattamente il lavoro?
3. Perché qualcuno dovrebbe fidarsi del collegamento tra la persona, il lavoro e l'organizzazione?

Per i lettori umani, un hub autore può apparire come una pagina profilo con una biografia, pubblicazioni, credenziali e collegamenti. Per i sistemi di intelligenza artificiale, è più utile pensarvi come un grafo di evidenze collegato.

Un forte hub autore collega:

• Una persona a un ORCID iD
• Una pubblicazione, un dataset, un report o un pacchetto software a un Digital Object Identifier
• Un lavoro a metadati Crossref o DataCite completi
• Un ricercatore ad affiliazioni e organizzazioni verificate
• Un profilo pubblico a una pagina web istituzionale stabile
• I contributi a ruoli chiari, come quelli nella Tassonomia dei Ruoli del Contributore
• I ruoli attuali e passati a date, fonti e registri di aggiornamento

Queste connessioni possono migliorare la risoluzione dell'identità, il recupero, l'accuratezza delle citazioni e la verifica della fonte. Esse non garantiscono che un sistema di intelligenza artificiale citerà un autore. Non ci sono prove pubbliche credibili che l'aggiunta di un ORCID iD produca un aumento fisso delle citazioni da parte dell'intelligenza artificiale. L'affermazione più forte è più circoscritta e più difendibile: metadati di identità e di lavoro di buona qualità facilitano ai sistemi di ricerca e agli assistenti virtuali di trovare, abbinare, verificare e citare correttamente il materiale accademico.

Questo articolo riflette la documentazione pubblica e la ricerca disponibili al 13 agosto 2026.

Perché gli Hub Autore sono Importanti per i Sistemi di Intelligenza Artificiale

I sistemi di intelligenza artificiale non utilizzano tutti gli stessi indici di ricerca, database o metodi di classificazione. Alcuni si basano sulla ricerca web in tempo reale. Altri utilizzano database accademici, indici con licenza, archivi di conoscenza interni o sistemi di recupero che cercano documenti prima di generare una risposta.

Tuttavia, molti sistemi affrontano gli stessi problemi tecnici:

• I nomi possono essere scritti in modi diversi.
• Diversi ricercatori possono condividere lo stesso nome.
• Un lavoro può avere una versione preprint, una versione per conferenza, un manoscritto accettato e una versione finale.
• Un articolo di rivista può essere collegato a un dataset, un pacchetto software, una sovvenzione o una correzione.
• Un autore può cambiare istituzione o nome.
• Una pagina web può descrivere una credenziale senza mostrare chi l'ha rilasciata o quando era valida.

Gli identificatori persistenti e i metadati strutturati aiutano a risolvere questi problemi.

Il sistema Digital Object Identifier descrive un identificatore come un nome persistente per un oggetto digitale, fisico o astratto. Il suo valore dipende non solo dall'identificatore, ma anche dai metadati ad esso collegati. Manuale DOI (doi.org)

Un modo utile per pensare a un hub autore è come quattro strati collegati:

L'obiettivo non è creare un profilo pieno di parole impressionanti. L'obiettivo è creare un registro in cui le affermazioni importanti possano essere verificate.

Le Tre Parti Principali di un Hub Autore

1. ORCID: Lo Strato di Identità della Persona

ORCID sta per Open Researcher and Contributor ID (Identificatore Aperto per Ricercatori e Contributori). Fornisce un identificatore persistente per una persona e aiuta a distinguere i ricercatori che hanno nomi simili, usano diverse forme di nome o cambiano il loro nome nel tempo. Panoramica ORCID (support.orcid.org)

Un registro ORCID può contenere:

• Nomi e varianti di nome
• Impiego e istruzione
• Opere di ricerca
• Finanziamenti
• Attività di revisione paritaria (peer review)
• Servizio editoriale
• Appartenenze e riconoscimenti
• Risorse di ricerca
• Collegamenti ad altri identificatori

La caratteristica più importante non è il numero a 16 cifre in sé. È la rete di connessioni supportate allegate a quel numero.

Ad esempio:

text Jane Smith └── ORCID iD ├── DOI dell'articolo ├── DOI del dataset ├── Identificatore di sovvenzione ├── Affiliazione universitaria ├── Registro software └── Ruolo editoriale

Le connessioni autenticate sono più robuste

Le organizzazioni dovrebbero raccogliere gli ORCID iD tramite un processo di accesso autenticato piuttosto che chiedere alle persone di digitare un identificatore in un modulo. ORCID raccomanda di utilizzare il suo processo di autorizzazione in modo che il ricercatore confermi il registro corretto. Guida all'integrazione e all'API di ORCID (info.orcid.org)

Questa distinzione è importante:

• Affermazione non verificata: “Questo ORCID iD appartiene a Jane Smith.”
• Affermazione autenticata: “Jane Smith ha effettuato l'accesso tramite ORCID e ha autorizzato questo sistema a usare il suo iD.”
• Asserzione istituzionale: “L'università conferma che questa persona ha mantenuto questa affiliazione durante queste date.”

ORCID memorizza anche la fonte e l'origine delle asserzioni. Un lavoro o un'affiliazione può essere aggiunto dal ricercatore, da un editore, da un finanziatore o da un'altra organizzazione fidata. Guida alla fiducia di ORCID (info.orcid.org)

Questo crea un utile segnale di fiducia sia per le persone che per le macchine:

Il record non si limita a dichiarare ciò che viene affermato. Può anche mostrare chi ha fatto l'affermazione e quando è stata aggiunta.

Limitazione importante

Un ORCID iD non è una garanzia che ogni elemento di un record sia corretto. ORCID stesso incoraggia gli utenti a esaminare gli indicatori di fiducia, le fonti, le date e le organizzazioni che hanno aggiunto informazioni. Indicatori di fiducia ORCID (info.orcid.org)

Pertanto, le organizzazioni non dovrebbero trattare "possiede un ORCID iD" come equivalente a "è completamente verificato". Un modello migliore è:

• Auto-asserito
• Autenticato
• Confermato istituzionalmente
• Confermato dall'editore
• Confermato dal finanziatore
• Recentemente revisionato

2. Crossref e DataCite: Lo Strato di Identità del Lavoro

ORCID identifica la persona. Crossref e DataCite aiutano a identificare il lavoro.

Un Digital Object Identifier può identificare:

• Articoli di riviste
• Libri e capitoli di libri
• Atti di conferenze
• Dataset
• Software
• Report
• Preprint
• Revisioni paritarie
• Standard
• Poster e presentazioni

Un DOI dovrebbe risolversi in una pagina di destinazione stabile. Ancora più importante, dovrebbe avere metadati completi che descrivono il lavoro.

Crossref raccomanda di registrare informazioni come:

• Cognome e nome
• Ruoli del contributore
• Affiliazioni
• Identificatori dell'organizzazione
• ORCID iD
• Date di pubblicazione
• Abstract
• Riferimenti
• Finanziamenti
• Licenze
• Informazioni sulla versione
• Aggiornamenti e correzioni

Metadati richiesti e raccomandati da Crossref (crossref.org)

Crossref descrive i suoi metadati come una risorsa condivisa a cui si può accedere tramite interfacce web, interfacce di programmazione delle applicazioni e download di massa. I sistemi a valle possono utilizzare tali informazioni per scoprire e collegare gli output accademici. Recupero metadati Crossref (crossref.org)

DataCite svolge una funzione simile per i dataset e molti altri output di ricerca. Il suo attuale Schema Metadati 4.7, rilasciato il 3 marzo 2026, supporta creatori, contributori, identificatori ORCID, affiliazioni, identificatori di organizzazione, identificatori correlati, finanziamenti, descrizioni e tipi di risorsa. Schema Metadati DataCite (schema.datacite.org)

DataCite raccomanda specificamente di collegare i record di creatore e contributore agli identificatori ORCID e le affiliazioni organizzative agli identificatori di organizzazione. Identificatori di nome DataCite (support.datacite.org)

Un DOI non è un badge di qualità

Un DOI prova che un record esiste in un sistema di registrazione DOI. Non prova che:

• La ricerca sia corretta
• La pubblicazione sia stata revisionata paritariamente
• La rivista sia rispettabile
• L'autore sia un esperto
• I risultati siano importanti

Crossref lo chiarisce: il DOI stesso non indica il valore o l'accuratezza dell'oggetto. I metadati circostanti forniscono contesto e consentono connessioni. Guida DOI di Crossref (support.crossref.org)

Ecco perché un record DOI completo è molto più utile di una stringa DOI posizionata in fondo a una pagina.

I ruoli del contributore aggiungono significato

Nel luglio 2026, lo Schema Crossref 5.5 ha aggiunto un migliore supporto per più ruoli del contributore, autori corrispondenti e la Tassonomia dei Ruoli del Contributore. Schema Crossref 5.5 (crossref.org)

La Tassonomia dei Ruoli del Contributore contiene 14 ruoli, tra cui:

• Conceptualization (Concettualizzazione)
• Data curation (Curatela dei dati)
• Formal analysis (Analisi formale)
• Investigation (Indagine)
• Methodology (Metodologia)
• Software (Software)
• Supervision (Supervisione)
• Validation (Validazione)
• Visualization (Visualizzazione)
• Writing the original draft (Redazione della bozza originale)
• Writing, review, and editing (Scrittura, revisione e modifica)

La tassonomia è stata progettata per rendere i contributi più trasparenti e supportare il riconoscimento del credito, la responsabilità, la valutazione della ricerca e l'integrità della ricerca. Tassonomia dei Ruoli del Contributore (credit.niso.org)

Per i sistemi di intelligenza artificiale, questo crea una risposta più ricca di "Jane Smith è un autore". Un sistema può potenzialmente distinguere tra:

• La persona che ha progettato lo studio
• La persona che ha scritto il software
• La persona che ha analizzato i dati
• La persona che ha supervisionato il progetto
• La persona che ha scritto il manoscritto originale

Questo è particolarmente importante per grandi team di ricerca e progetti tecnici.

3. Profili Accademici: Lo Strato di Contesto

I profili accademici rendono il grafo dell'identità comprensibile alle persone e più facile da interpretare per i sistemi di ricerca.

Un profilo robusto dovrebbe includere:

• Una pagina istituzionale stabile
• Un nome coerente
• Varianti del nome, ove appropriato
• ORCID iD
• Affiliazioni attuali e passate
• Aree di ricerca
• Opere selezionate con collegamenti DOI
• Dataset, software e report
• Finanziamenti e premi
• Ruoli editoriali o di revisione
• Ruoli del contributore
• Date per le posizioni attuali e passate
• Una data dell'ultima revisione
• Collegamenti ad altri profili pubblici

I profili Google Scholar consentono ai ricercatori di elencare pubblicazioni, rendere pubblico il profilo, vedere chi cita il loro lavoro e monitorare le metriche di citazione. Un profilo pubblico con un indirizzo email istituzionale verificato può essere idoneo ad apparire nei risultati di ricerca di Google Scholar. Profili Google Scholar (scholar.google.com)

Tuttavia, Google Scholar dovrebbe essere trattato come uno strato di visibilità e scoperta, non come la principale fonte di verità. I ricercatori possono gestire le proprie liste di pubblicazioni e la corrispondenza automatica può includere opere errate o duplicate. I conteggi delle citazioni variano anche tra i database.

OpenAlex offre un altro utile strato di scoperta. Mantiene record autore disambiguati e collega autori, opere, istituzioni, fonti e argomenti. OpenAlex dichiara di attingere informazioni da fonti come Crossref e DataCite, quindi abbina gli autori agli ORCID iD e le affiliazioni agli identificatori di organizzazione. Descrizione dell'ecosistema OpenAlex (help.openalex.org)

La migliore pratica è quindi la federazione dei profili:

text Pagina autore istituzionale ↕ Record ORCID ↕ Record di lavoro Crossref o DataCite ↕ Profili OpenAlex e Google Scholar ↕ Pagine di editore, repository, finanziatore e professionali

Nessun singolo profilo deve contenere tutto. Dovrebbero puntare l'uno all'altro e utilizzare gli stessi identificatori.

Come Questi Segnali Possono Influenzare le Citazioni dell'Intelligenza Artificiale

È importante separare cinque eventi diversi:

1. Scoperta: Un sistema può trovare la pagina o il lavoro?
2. Risoluzione dell'identità: Può capire quale persona e organizzazione sono coinvolte?
3. Recupero: Il sistema include il lavoro nel suo set di evidenze?
4. Selezione della citazione: Cita il lavoro nella risposta?
5. Correttezza della citazione: La citazione punta al lavoro giusto e supporta l'affermazione?

ORCID, i metadati DOI e i profili accademici possono aiutare più direttamente con i primi tre passaggi. Possono anche migliorare la correttezza della citazione. Il loro effetto sulla selezione della citazione è probabilmente dipendente dalla rilevanza dell'argomento, dalla qualità della fonte, dalla sua attualità, accessibilità e dallo specifico sistema di intelligenza artificiale.

La documentazione di Google Search raccomanda di utilizzare una pagina autore, url e link sameAs per aiutare a identificare gli autori degli articoli. Per i dataset, Google raccomanda specificamente di utilizzare un ORCID iD nella proprietà sameAs per un creatore persona. Dati strutturati degli articoli di Google Dati strutturati dei dataset di Google (developers.google.com)

Una semplice pagina profilo potrebbe utilizzare dati strutturati come questi:

{ "@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" } ] }

I dati strutturati non garantiscono una funzionalità di ricerca o una citazione da parte dell'intelligenza artificiale. Google afferma che anche i dati strutturati correttamente implementati potrebbero non apparire nei risultati di ricerca. Il loro valore è che offrono alle macchine un modo chiaro e standard per interpretare la pagina. Guida ai dati strutturati di Google (developers.google.com)

La conclusione pratica è:

Gli identificatori migliorano il percorso verso l'evidenza. Non sostituiscono l'evidenza.

Cosa Dice la Ricerca Attuale sulle Citazioni dell'Intelligenza Artificiale

La ricerca sul comportamento di citazione dell'intelligenza artificiale ha studiato principalmente l'accuratezza delle citazioni, la selezione della fonte e la verificabilità. Non ha ancora prodotto una stima affidabile e generale dell'effetto della forza dell'identità collegata all'ORCID.

Uno studio del 2023 sulle citazioni generate da ChatGPT ha rilevato tassi sostanziali di riferimenti fabbricati ed errori nei riferimenti reali. Lo studio ha esaminato 636 citazioni generate in 84 articoli e ha scoperto che i problemi di citazione persistevano anche nel modello più recente testato. Studio su Scientific Reports (nature.com)

Un altro studio sui motori di ricerca generativi ha rilevato che molte frasi generate non erano pienamente supportate da citazioni e che molte citazioni non supportavano adeguatamente le affermazioni accanto ad esse. Evaluating Verifiability in Generative Search Engines (arxiv.org)

Ricerche recenti mostrano anche che i sistemi di ricerca generativi differiscono nelle loro scelte di fonte, sovrapposizione di fonti, stabilità e uso di conoscenza interna versus esterna. Characterizing Web Search in the Age of Generative Artificial Intelligence (aclanthology.org)

Questi risultati supportano una posizione cauta:

• Un DOI può ridurre l'ambiguità sul lavoro citato.
• ORCID può ridurre l'ambiguità sulla persona.
• Gli identificatori di affiliazione possono ridurre l'ambiguità sull'organizzazione.
• I ruoli del contributore possono migliorare l'attribuzione.
• Un profilo pubblico può fornire contesto.
• Nessuno di questi segnali garantisce che un sistema recupererà o citerà il lavoro.

Un Programma di Ricerca per Misurare la Forza dell'Identità e la Frequenza delle Citazioni dell'Intelligenza Artificiale

Le organizzazioni non dovrebbero affermare che gli hub autore migliorano le citazioni dell'intelligenza artificiale finché non misurano direttamente la relazione.

Definire un punteggio di forza dell'identità dell'autore

Il seguente è un punteggio proposto, non uno standard ufficiale.

Non includere conteggi di citazioni, prestigio della rivista o rango istituzionale in questo punteggio. Questi fattori dovrebbero essere trattati come variabili separate. Includerli renderebbe difficile determinare se la forza dell'identità stessa sia correlata alla frequenza delle citazioni.

Misurare più di un tipo di citazione

Uno studio utile dovrebbe tracciare almeno sei risultati:

1. Tasso di citazione del lavoro La percentuale di risposte idonee che citano un lavoro specifico.

2. Tasso di attribuzione dell'autore La percentuale di risposte che nominano o attribuiscono correttamente il lavoro all'autore giusto.

3. Tasso di identificatore valido La percentuale di citazioni contenenti un DOI che si risolve nel lavoro corretto.

4. Precisione della citazione La percentuale di citazioni che supportano effettivamente l'affermazione fatta.

5. Richiamo della citazione La percentuale di fonti di supporto importanti che il sistema cita.

6. Stabilità multipiattaforma La percentuale di citazioni ripetute su sistemi diversi o esecuzioni ripetute.

Un recente framework di misurazione per la ricerca generativa separa la selezione della citazione dall'assorbimento della citazione, intendendo se una fonte appare semplicemente nell'elenco delle citazioni o contribuisce effettivamente con prove alla risposta. Questa distinzione dovrebbe essere inclusa in futuri studi sugli hub autore. Framework di selezione e assorbimento delle citazioni (arxiv.org)

Studio Uno: Studio di correlazione osservazionale

Questo studio chiede:

I lavori collegati a identità autore più forti sono citati più spesso dai sistemi di intelligenza artificiale dopo aver controllato per i fattori di argomento e pubblicazione?

Design suggerito

• Campionare da 10.000 a 50.000 opere accademiche
• Coprire diverse discipline, lingue e tipi di pubblicazione
• Utilizzare dati Crossref, DataCite, OpenAlex e ORCID pubblici
• Calcolare un punteggio di forza dell'identità per ciascun autore e lavoro
• Creare un set di domande per le quali i lavori campionati sono rilevanti
• Eseguire le domande su diversi sistemi di produzione di citazioni
• Ripetere ciascuna domanda più volte
• Registrare la data, il sistema, l'impostazione del modello, la regione e le fonti citate

Variabili di controllo importanti

Lo studio dovrebbe controllare per:

• Rilevanza dell'argomento
• Anno di pubblicazione
• Stato di accesso aperto
• Disponibilità dell'abstract
• Disponibilità del testo completo
• Sede
• Conteggio delle citazioni accademiche esistenti
• Reputazione istituzionale
• Lingua
• Velocità della pagina e crawlability
• Tipo di lavoro
• Comunanza del nome dell'autore
• Numero di coautori
• Formulazione della query
• Sistema di ricerca

Il modello statistico principale potrebbe stimare:

text Probabilità di citazione corretta = forza dell'identità

• rilevanza tematica
• età del lavoro
• accesso aperto
• citazioni accademiche
• sistema
• query
• controlli autore e argomento

Una regressione logistica o un modello a effetti misti sarebbero appropriati per un esito sì-o-no, come se un lavoro fosse stato citato. Un modello binomiale negativo può essere utile per i conteggi delle citazioni perché i dati sulle citazioni sono spesso distribuiti in modo non uniforme.

Il risultato dovrebbe essere riportato come un odds ratio con intervallo di confidenza, non come una semplice percentuale. Ad esempio:

Un aumento di una deviazione standard nella forza dell'identità è stato associato a un cambiamento nella probabilità di citazione dopo aver controllato per rilevanza, età, accesso e attenzione accademica precedente.

Lo studio dovrebbe anche riportare i risultati nulli. Una scoperta di nessuna relazione sarebbe utile perché dimostrerebbe che gli identificatori migliorano la qualità dei dati senza necessariamente modificare il comportamento di citazione dell'intelligenza artificiale.

Studio Due: Esperimento controllato sui metadati

Uno studio osservazionale potrebbe confondere la forza dell'identità con la popolarità. Un esperimento controllato può isolare alcuni effetti.

Ci sono due versioni pratiche.

Versione A: Esperimento web pubblico

Creare pagine abbinate con lo stesso contenuto sostanziale ma con diversi trattamenti di metadati:

• Solo nome autore di base
• Nome autore più profilo istituzionale
• Nome autore più link ORCID
• Nome autore, ORCID, DOI, identificatore di affiliazione e dati strutturati

Pubblicare le pagine contemporaneamente e monitorare:

• Scoperta nella ricerca
• Corretta corrispondenza autore
• Recupero nelle risposte dell'intelligenza artificiale
• Frequenza di citazione
• Correttezza della citazione

Questo esperimento deve essere interpretato con attenzione. I sistemi pubblici potrebbero eseguire la scansione delle pagine in momenti diversi, e le organizzazioni non possono facilmente modificare i record Crossref o DataCite per un lavoro già pubblicato.

Versione B: Indice di ricerca controllato

Costruire un piccolo sistema di recupero contenente gli stessi documenti in diverse condizioni di metadati. Variare solo:

• Identificatore dell'autore
• DOI
• Affiliazione
• Ruolo del contributore
• Link del profilo
• Campi di provenienza

Quindi porre le stesse domande e misurare il recupero e la selezione delle citazioni. Questo esperimento offre un migliore controllo, ma misura un sistema di ricerca piuttosto che piattaforme commerciali.

Studio Tre: Implementazione organizzativa scaglionata

Il design pratico più forte è uno studio difference-in-differences.

Un'organizzazione può implementare gli hub autore in fasi:

• Il Dipartimento Uno riceve il programma completo a ottobre 2026.
• Il Dipartimento Due lo riceve a gennaio 2027.
• Il Dipartimento Tre lo riceve ad aprile 2027.

Tutti i dipartimenti vengono misurati prima e dopo l'implementazione. I dipartimenti che non hanno ancora ricevuto il programma servono come gruppi di confronto temporanei.

Misurare:

• Tasso di attribuzione corretta dell'autore
• Risoluzione del DOI
• Frequenza di citazione
• Accuratezza della citazione
• Impressioni di ricerca
• Visite alle pagine del profilo
• Tempo necessario per correggere metadati errati

Questo design è più robusto di un semplice confronto prima-dopo perché aiuta a separare l'effetto dell'implementazione dai cambiamenti più ampi nei sistemi di intelligenza artificiale.

Ipotesi degne di essere testate

Le organizzazioni possono preregistrare queste ipotesi:

• H1: Collegamenti di identità più forti migliorano l'attribuzione corretta dell'autore.

• H2: Metadati DOI completi migliorano i tassi di citazione validi.

• H3: Gli identificatori di affiliazione sono più utili quando gli autori hanno nomi comuni o si spostano tra istituzioni.

• H4: I profili accademici migliorano la scoperta più di quanto migliorino la frequenza di citazione finale.

• H5: La forza dell'identità ha un effetto maggiore sugli autori "coda lunga" (long-tail) rispetto agli autori già famosi.

• H6: L'effetto varia in base al sistema, all'argomento, alla lingua e al tipo di pubblicazione.

• H7: La freschezza e la rilevanza tematica contano più della decorazione del profilo.

Quali Credenziali Dovrebbero Essere Pubblicate?

Un profilo dovrebbe pubblicare credenziali che possono essere verificate. Ogni credenziale dovrebbe avere:

• Un tipo di credenziale
• La persona che la detiene
• L'organizzazione che l'ha rilasciata
• Un identificatore persistente per l'organizzazione, quando disponibile
• Date di inizio e fine
• Una fonte di verifica
• Uno stato come attuale, scaduto, contestato o archiviato
• Una data dell'ultima revisione

Le organizzazioni dovrebbero etichettare la fonte di ciascuna credenziale:

• Auto-dichiarato
• Verificato istituzionalmente
• Verificato dall'editore
• Verificato dal finanziatore
• Importato da un registro
• In attesa di revisione

Evitare di pubblicare etichette non supportate come "esperto di punta" o "ricercatore di fama mondiale". Sostituirle con prove:

• Numero e tipo di lavori
• Aree di ricerca
• Ruoli verificati
• Progetti finanziati
• Servizio editoriale
• Dataset o software pubblici
• Incarichi istituzionali

Questo approccio è più utile sia per i lettori che per le macchine.

Piano di Implementazione per le Organizzazioni

Fase Uno: Creare la policy dei metadati

Assegnare un piccolo gruppo di governance con rappresentanti da:

• Amministrazione della ricerca
• Servizi bibliotecari
• Tecnologie dell'informazione
• Comunicazioni
• Servizi di pubblicazione o repository
• Privacy
• Integrità della ricerca

Creare una breve policy sui dati che definisca:

• Campi obbligatori
• Sistemi di identificazione approvati
• Chi può affermare ogni campo
• Quali campi sono pubblici
• Come vengono gestite le correzioni
• Quanto tempo dovrebbero impiegare gli aggiornamenti
• Cosa succede quando una persona se ne va

Utilizzare un unico contratto dati tra i sistemi. Al minimo, ogni record di persona, lavoro, organizzazione e credenziale dovrebbe avere:

text persistent_id display_name source asserted_by valid_from valid_to last_verified status evidence_url

Fase Due: Raccogliere identificatori autenticati

Chiedere ai ricercatori di collegare i loro record ORCID tramite un processo autenticato. Non rendere l'istituzione responsabile di indovinare quale ORCID iD appartiene a una persona.

Contemporaneamente:

• Assegnare identificatori organizzativi a dipartimenti e istituzioni
• Collegare i record del personale a ORCID
• Abbinare le pubblicazioni esistenti ai record DOI
• Segnalare le collisioni di nomi
• Preservare le forme alternative del nome
• Registrare il consenso e le impostazioni di visibilità

Fase Tre: Migliorare i metadati DOI

Per i nuovi lavori, richiedere al flusso di lavoro di pubblicazione di raccogliere:

• Nomi completi degli autori
• ORCID iD autenticati
• Affiliazioni
• Identificatori organizzativi
• Ruoli del contributore
• Identificatori di finanziamento
• Abstract
• Riferimenti
• Licenze
• Informazioni sulla versione e sull'aggiornamento

Per i lavori più vecchi, iniziare con gli ultimi cinque anni e gli autori più utilizzati dall'organizzazione.

Crossref e DataCite dovrebbero ricevere correzioni e aggiornamenti piuttosto che solo il deposito originale. Le stringhe DOI rimangono persistenti, mentre i metadati associati possono essere mantenuti. Manutenzione metadati Crossref (crossref.org)

Fase Quattro: Costruire pagine autore canoniche

Ogni ricercatore dovrebbe avere una pagina istituzionale stabile. Quella pagina dovrebbe:

• Usare un indirizzo web permanente
• Mostrare il ruolo attuale
• Preservare i ruoli precedenti con le date
• Collegarsi a ORCID
• Collegarsi a record DOI selezionati
• Collegarsi a profili accademici pubblici
• Mostrare le aree di ricerca
• Visualizzare una data dell'ultimo aggiornamento
• Utilizzare dati strutturati
• Rimanere accessibile ai crawler di ricerca
• Evitare di richiedere un login

Google raccomanda di utilizzare URL autore chiari e link sameAs per aiutare a distinguere gli autori. Guida di Google al markup per autori (developers.google.com)

Fase Cinque: Federare e monitorare i profili

Collegare la pagina istituzionale a:

• ORCID
• Google Scholar
• OpenAlex
• Pagine dell'editore
• Record del repository
• Pagine di sovvenzione
• Profili professionali pubblici, ove appropriato

Utilizzare controlli automatizzati per trovare:

• Link DOI interrotti
• Link ORCID mancanti
• Autori duplicati
• Corrispondenze coautore errate
• Affiliazioni obsolete
• Credenziali scadute
• Date di aggiornamento mancanti
• Nomi non corrispondenti
• Ritrazioni o correzioni

Governance per Aggiornamenti e Cambi di Ruolo

Un hub autore deve preservare la storia. Non dovrebbe riscrivere il passato ogni volta che una persona cambia lavoro.

Gerarchia delle fonti raccomandata

Quando un ricercatore cambia istituzione

Non cancellare la vecchia affiliazione da lavori storici.

Invece:

1. Aggiungere una data di fine al precedente record di impiego.
2. Aggiungere la nuova affiliazione con una data di inizio.
3. Aggiornare il profilo istituzionale.
4. Mantenere invariate le affiliazioni delle pubblicazioni storiche, a meno che l'editore non emetta una correzione.
5. Aggiornare il record ORCID tramite la fonte appropriata.
6. Reindirizzare la vecchia pagina del profilo a una pagina archiviata o nuova.

Quando una persona cambia nome

Utilizzare ORCID per collegare le varianti del nome. Aggiungere nomi precedenti o alternativi dove il ricercatore acconsente. Non cambiare il nome dell'autore in un record DOI pubblicato semplicemente per farlo corrispondere a un profilo attuale.

Lo scopo dell'identificatore persistente è collegare le opere attraverso i cambi di nome senza riscrivere il record di pubblicazione.

Quando il ruolo di un contributore cambia

Il ruolo di un contributore su un lavoro completato dovrebbe essere trattato come parte del record storico.

Ad esempio:

• Il ruolo di una persona in un articolo pubblicato non dovrebbe cambiare perché in seguito diventa capo dipartimento.
• Un ruolo editoriale dovrebbe avere una data di inizio e fine.
• Un ruolo di finanziamento dovrebbe essere legato al periodo di finanziamento.
• Un ruolo software dovrebbe essere legato alla versione o al rilascio.

Se il record di contributo originale è sbagliato, utilizzare un processo di correzione formale. Non sovrascriverlo silenziosamente.

Quando una credenziale scade

Utilizzare valori di stato chiari:

• Attuale
• Scaduto
• Rinnovato
• Sospeso
• Contestato
• Archiviato

Promemoria automatizzati dovrebbero essere inviati prima della scadenza. I profili pubblici dovrebbero mostrare lo stato e la data piuttosto che lasciare una credenziale obsoleta visibile senza spiegazione.

Quando un ricercatore lascia l'organizzazione

L'organizzazione dovrebbe:

• Preservare il profilo storico
• Contrassegnare chiaramente il ruolo precedente
• Mantenere i collegamenti a lavori pubblicati
• Trasferire la proprietà del profilo
• Impostare un reindirizzamento per la pagina precedente
• Rimuovere le informazioni di contatto private
• Mantenere le asserzioni istituzionali che erano vere durante il precedente periodo di impiego

Quando l'autorialità è contestata

Congelare il campo contestato, preservare la fonte originale e registrare la contestazione. Non rimuovere un autore o cambiare i ruoli di contributo basandosi solo su una richiesta informale.

L'ufficio per l'integrità della ricerca, l'editore o l'autorità di progetto responsabile dovrebbe determinare il percorso di correzione formale.

Misure di Successo

Le organizzazioni dovrebbero monitorare la qualità operativa prima di promettere una maggiore visibilità da parte dell'intelligenza artificiale.

Gli obiettivi suggeriti includono:

• Il 95 percento dei ricercatori attivi ha ORCID iD autenticati
• Il 95 percento dei nuovi lavori include ORCID, ove disponibile
• Il 95 percento delle affiliazioni utilizza un identificatore organizzativo persistente
• Il 100 percento dei nuovi depositi DOI supera la convalida dei metadati
• Il 100 percento delle pagine autore contiene un indirizzo di profilo stabile
• Il 100 percento dei cambi di ruolo include le date
• Meno dell'1 percento dei lavori è assegnato erroneamente a un autore
• Le correzioni dei metadati sono completate entro 30 giorni
• I cambiamenti di impiego attuali appaiono entro sette giorni
• Le ritrazioni e le correzioni formali sono riflesse tempestivamente

Per lo studio sulle citazioni dell'intelligenza artificiale, tracciare:

• Tasso di attribuzione corretta dell'autore
• Tasso di DOI validi
• Precisione della citazione
• Richiamo della citazione
• Frequenza di citazione del lavoro
• Accordo tra i sistemi
• Tempo dalla correzione dei metadati al miglioramento dell'indicizzazione
• Differenza tra scoperta del profilo e citazione nella risposta finale

L'organizzazione dovrebbe riportare queste misure per disciplina, lingua, fase di carriera e comunanza del nome. In caso contrario, un punteggio medio potrebbe nascondere risultati diseguali.

Rischi e Salvaguardie

Gli hub autore possono creare nuovi rischi se diventano un sistema di gatekeeping.

Le organizzazioni non dovrebbero:

• Penalizzare i ricercatori che mantengono private alcune informazioni ORCID
• Trattare un profilo pubblico di Google Scholar come prova di qualità
• Utilizzare i conteggi delle citazioni come sostituto della revisione paritaria
• Pubblicare inutilmente dettagli di contatto personali
• Inferire l'esperienza dalla sola prestigio istituzionale
• Richiedere a ogni ricercatore di utilizzare lo stesso servizio di profilo pubblico
• Trattare gli identificatori mancanti come prova di cattiva condotta
• Consentire ai sistemi automatizzati di sovrascrivere i record senza revisione

L'adozione di ORCID e la qualità dei metadati variano per campo, paese, fase di carriera e tipo di pubblicazione. Un sistema equo deve supportare la correzione manuale, i controlli sulla privacy, la diversità dei nomi e le persone il cui lavoro non è ben rappresentato dalle metriche di pubblicazione su riviste.

Conclusione

Un forte hub autore non è un progetto di personal branding. È un sistema di evidenze leggibile dalla macchina.

• ORCID collega una persona a un'identità persistente.
• Crossref e DataCite collegano i lavori a identificatori stabili e metadati ricchi.
• Gli identificatori Research Organization Registry collegano persone e lavori alle istituzioni.
• I ruoli del contributore mostrano cosa ha fatto effettivamente ogni persona.
• I profili istituzionali e accademici forniscono contesto pubblico.
• I dati strutturati aiutano i sistemi di ricerca a interpretare le relazioni.
• La governance e la cronologia delle versioni mostrano cosa è attuale, cosa era vero in passato e chi ha confermato ogni affermazione.

Il beneficio probabile non è un aumento automatico del ranking. Il beneficio è una catena più forte da persona → lavoro → organizzazione → evidenza.

Le organizzazioni dovrebbero quindi assumere due impegni:

1. Standardizzare e mantenere i metadati.
2. Misurare il comportamento di citazione dell'intelligenza artificiale piuttosto che assumere un effetto.

L'hub autore più credibile non è quello con il maggior numero di badge. È quello le cui affermazioni importanti sono persistenti, collegate, con fonte, attuali e facili da verificare.