저자 허브 구축: 신뢰 원시 요소로서의 ORCID, Crossref 및 학자 프로필

저자 허브 구축: 신뢰 원시 요소로서의 ORCID, Crossref 및 학자 프로필

저자 허브는 사람과 기계가 다음 세 가지 기본적인 질문에 답하는 데 도움이 되는 공개적이고 연결된 기록입니다:

1. 누가 이 저작물을 만들었는가?
2. 정확히 어떤 저작물인가?
3. 개인, 저작물, 기관 간의 연결을 왜 신뢰해야 하는가?

인간 독자에게 저자 허브는 약력, 출판물, 자격 증명 및 링크가 포함된 프로필 페이지처럼 보일 수 있습니다. 인공지능 시스템의 경우, 연결된 증거 그래프로 생각하는 것이 더 유용합니다.

강력한 저자 허브는 다음을 연결합니다:

• 개인을 ORCID iD에
• 출판물, 데이터셋, 보고서 또는 소프트웨어 패키지를 **디지털 객체 식별자(Digital Object Identifier)**에
• 저작물을 완전한 Crossref 또는 DataCite 메타데이터에
• 연구자를 검증된 소속 및 기관에
• 공개 프로필을 안정적인 기관 웹페이지에
• 기여를 **기여자 역할 분류(Contributor Roles Taxonomy)**와 같은 명확한 역할에
• 현재 및 과거 역할을 날짜, 출처 및 업데이트 기록에

이러한 연결은 신원 해결, 검색, 인용 정확도 및 출처 확인을 개선할 수 있습니다. 이것이 인공지능 시스템이 저자를 인용할 것을 보장하지는 않습니다. 하나의 ORCID iD를 추가하는 것이 인공지능 인용을 고정적으로 증가시킨다는 믿을 만한 공개적 증거는 없습니다. 더 강력한 주장은 더 좁고 방어 가능합니다: 좋은 신원 및 저작물 메타데이터는 검색 및 연구 시스템이 학술 자료를 찾고, 일치시키고, 검증하고, 올바르게 인용하는 것을 더 쉽게 만듭니다.

이 글은 2026년 8월 13일 기준으로 공개된 문서와 연구를 반영합니다.

인공지능 시스템에 저자 허브가 중요한 이유

모든 인공지능 시스템이 동일한 검색 색인, 데이터베이스 또는 순위 지정 방법을 사용하는 것은 아닙니다. 일부는 실시간 웹 검색에 의존합니다. 다른 일부는 학술 데이터베이스, 라이선스 색인, 내부 지식 저장소 또는 답변을 생성하기 전에 문서를 검색하는 검색 시스템을 사용합니다.

그럼에도 불구하고 많은 시스템이 동일한 기술적 문제에 직면합니다:

• 이름이 다른 방식으로 철자될 수 있습니다.
• 여러 연구자가 동일한 이름을 공유할 수 있습니다.
• 저작물은 사전 인쇄본, 학회 버전, 승인된 원고 및 최종 버전을 가질 수 있습니다.
• 학술지 논문은 데이터셋, 소프트웨어 패키지, 보조금 또는 수정 사항과 연결될 수 있습니다.
• 저자가 기관이나 이름을 변경할 수 있습니다.
• 웹 페이지는 누가 언제 유효하게 자격 증명을 발급했는지 보여주지 않고 자격 증명을 설명할 수 있습니다.

영구 식별자 및 구조화된 메타데이터는 이러한 문제를 해결하는 데 도움이 됩니다.

디지털 객체 식별자(Digital Object Identifier) 시스템은 식별자를 디지털, 물리적 또는 추상적 객체에 대한 영구적인 이름으로 설명합니다. 그 가치는 식별자뿐만 아니라 그와 연결된 메타데이터에도 달려 있습니다. DOI 핸드북 (doi.org)

저자 허브를 생각하는 유용한 방법은 네 개의 연결된 계층으로 보는 것입니다:

목표는 인상적인 말로 가득 찬 프로필을 만드는 것이 아닙니다. 목표는 중요한 주장을 확인할 수 있는 기록을 만드는 것입니다.

저자 허브의 세 가지 주요 구성 요소

1. ORCID: 인물 식별 계층

ORCID는 Open Researcher and Contributor ID의 약자입니다. 개인을 위한 영구 식별자를 제공하며, 비슷한 이름을 가진 연구자, 다른 이름 형식을 사용하는 연구자 또는 시간이 지남에 따라 이름을 변경하는 연구자를 구별하는 데 도움이 됩니다. ORCID 개요 (support.orcid.org)

ORCID 기록에는 다음이 포함될 수 있습니다:

• 이름 및 이름 변형
• 고용 및 학력
• 연구 저작물
• 자금 지원
• 동료 심사 활동
• 편집 서비스
• 회원 자격 및 표창
• 연구 자원
• 다른 식별자로의 링크

가장 중요한 특징은 16자리 숫자 그 자체가 아닙니다. 그 숫자에 연결된 지원되는 연결 네트워크입니다.

예를 들어:

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

인증된 연결은 더 강력하다

조직은 사람들이 식별자를 양식에 직접 입력하도록 요청하는 대신, 인증된 로그인 프로세스를 통해 ORCID iD를 수집해야 합니다. ORCID는 연구자가 올바른 기록을 확인하도록 권한 부여 프로세스를 사용할 것을 권장합니다. ORCID 통합 및 애플리케이션 프로그래밍 인터페이스 지침 (info.orcid.org)

이러한 구별은 중요합니다:

• 미검증 주장: “이 ORCID iD는 Jane Smith의 것입니다.”
• 인증된 주장: “Jane Smith는 ORCID를 통해 로그인했으며 이 시스템이 그녀의 iD를 사용하도록 승인했습니다.”
• 기관의 단언: “대학은 이 사람이 이 기간 동안 이 소속을 유지했음을 확인합니다.”

ORCID는 또한 주장의 출처와 기원을 저장합니다. 저작물이나 소속은 연구자, 출판사, 자금 지원 기관 또는 기타 신뢰할 수 있는 조직에 의해 추가될 수 있습니다. ORCID 신뢰 지침 (info.orcid.org)

이는 사람과 기계 모두에게 유용한 신뢰 신호를 생성합니다:

기록은 주장된 내용만 말하는 것이 아닙니다. 누가 언제 주장을 했는지도 보여줄 수 있습니다.

중요한 한계점

ORCID iD는 기록의 모든 항목이 정확하다는 보장이 아닙니다. ORCID 자체는 사용자에게 신뢰 표시, 출처, 날짜 및 정보를 추가한 조직을 검토하도록 권장합니다. ORCID 신뢰 표시 (info.orcid.org)

따라서 조직은 "ORCID iD를 가지고 있다"를 "완전히 검증되었다"와 동일하게 취급해서는 안 됩니다. 더 나은 모델은 다음과 같습니다:

• 자기 보고
• 인증됨
• 기관에서 확인됨
• 출판사에서 확인됨
• 자금 지원 기관에서 확인됨
• 최근 검토됨

2. Crossref 및 DataCite: 저작물 식별 계층

ORCID는 개인을 식별합니다. Crossref 및 DataCite는 저작물을 식별하는 데 도움이 됩니다.

디지털 객체 식별자는 다음을 식별할 수 있습니다:

• 학술지 논문
• 도서 및 도서 챕터
• 학회 논문
• 데이터셋
• 소프트웨어
• 보고서
• 사전 인쇄본
• 동료 심사
• 표준
• 포스터 및 발표 자료

DOI는 안정적인 랜딩 페이지로 연결되어야 합니다. 더 중요한 것은 저작물을 설명하는 완전한 메타데이터를 가지고 있어야 한다는 것입니다.

Crossref는 다음과 같은 정보 기록을 권장합니다:

• 성과 이름
• 기여자 역할
• 소속
• 기관 식별자
• ORCID iD
• 출판일
• 초록
• 참고문헌
• 자금 지원
• 라이선스
• 버전 정보
• 업데이트 및 수정 사항

Crossref 필수 및 권장 메타데이터 (crossref.org)

Crossref는 자신들의 메타데이터를 웹 인터페이스, 애플리케이션 프로그래밍 인터페이스 및 대량 다운로드를 통해 접근할 수 있는 공유 자원으로 설명합니다. 다운스트림 시스템은 이 정보를 사용하여 학술 결과물을 발견하고 연결할 수 있습니다. Crossref 메타데이터 검색 (crossref.org)

DataCite는 데이터셋 및 다른 많은 연구 결과물에 대해 유사한 기능을 수행합니다. 2026년 3월 3일에 출시된 현재 메타데이터 스키마 4.7은 생성자, 기여자, ORCID 식별자, 소속, 기관 식별자, 관련 식별자, 자금 지원, 설명 및 자원 유형을 지원합니다. DataCite 메타데이터 스키마 (schema.datacite.org)

DataCite는 특히 생성자 및 기여자 기록을 ORCID 식별자에 연결하고, 조직 소속을 조직 식별자에 연결할 것을 권장합니다. DataCite 이름 식별자 (support.datacite.org)

DOI는 품질 보증이 아니다

DOI는 DOI 등록 시스템에 기록이 존재한다는 것을 증명합니다. 다음을 증명하는 것은 아닙니다:

• 연구가 정확하다
• 출판물이 동료 심사를 거쳤다
• 학술지가 명성이 있다
• 저자가 전문가이다
• 연구 결과가 중요하다

Crossref는 이 점을 명확히 합니다: DOI 자체는 객체의 가치나 정확성을 의미하지 않습니다. 주변 메타데이터가 맥락을 제공하고 연결을 가능하게 합니다. Crossref DOI 지침 (support.crossref.org)

이것이 완전한 DOI 기록이 페이지 하단에 단순히 배치된 DOI 문자열보다 훨씬 더 유용한 이유입니다.

기여자 역할은 의미를 더한다

2026년 7월, Crossref 스키마 5.5는 여러 기여자 역할, 교신 저자 및 기여자 역할 분류(Contributor Roles Taxonomy)에 대한 더 나은 지원을 추가했습니다. Crossref 스키마 5.5 (crossref.org)

기여자 역할 분류는 다음을 포함하여 14가지 역할을 담고 있습니다:

• 개념화
• 데이터 큐레이션
• 공식 분석
• 조사
• 방법론
• 소프트웨어
• 감독
• 검증
• 시각화
• 초고 작성
• 작성, 검토 및 편집

이 분류는 기여를 더 투명하게 만들고, 공로, 책임, 연구 평가 및 연구 진실성을 지원하도록 설계되었습니다. 기여자 역할 분류 (credit.niso.org)

인공지능 시스템의 경우, 이는 "Jane Smith는 저자입니다"보다 더 풍부한 답변을 생성합니다. 시스템은 잠재적으로 다음을 구별할 수 있습니다:

• 연구를 설계한 사람
• 소프트웨어를 작성한 사람
• 데이터를 분석한 사람
• 프로젝트를 감독한 사람
• 원고 초안을 작성한 사람

이는 대규모 연구 팀 및 기술 프로젝트에 특히 중요합니다.

3. 학자 프로필: 맥락 계층

학자 프로필은 신원 그래프를 사람들이 이해하기 쉽게 만들고 검색 시스템이 해석하기 쉽게 만듭니다.

견고한 프로필에는 다음이 포함되어야 합니다:

• 안정적인 기관 페이지
• 일관된 이름
• 적절한 경우 이름 변형
• ORCID iD
• 현재 및 과거 소속
• 연구 분야
• DOI 링크가 있는 선정된 저작물
• 데이터셋, 소프트웨어 및 보고서
• 자금 지원 및 수상 내역
• 편집 또는 검토 역할
• 기여자 역할
• 현재 및 과거 직책의 날짜
• 최종 검토일
• 다른 공개 프로필로의 링크

Google Scholar 프로필은 연구자가 출판물을 나열하고, 프로필을 공개하고, 자신의 저작물을 인용하는 사람들을 확인하고, 인용 지표를 추적할 수 있도록 합니다. 검증된 기관 이메일 주소를 가진 공개 프로필은 Google Scholar 검색 결과에 표시될 자격이 있을 수 있습니다. Google Scholar 프로필 (scholar.google.com)

그러나 Google Scholar는 진리의 주요 출처가 아닌 가시성 및 발견 계층으로 취급되어야 합니다. 연구자는 자신의 출판물 목록을 관리할 수 있으며, 자동 일치는 잘못되거나 중복된 저작물을 포함할 수 있습니다. 인용 횟수도 데이터베이스마다 다릅니다.

OpenAlex는 또 다른 유용한 발견 계층을 제공합니다. 이는 명확화된 저자 기록을 유지하고 저자, 저작물, 기관, 출처 및 주제를 연결합니다. OpenAlex는 Crossref 및 DataCite와 같은 출처에서 정보를 가져와 저자를 ORCID iD에, 소속을 기관 식별자에 일치시킨다고 명시합니다. OpenAlex 생태계 설명 (help.openalex.org)

따라서 최선의 방법은 프로필 통합입니다:

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

어떤 단일 프로필도 모든 것을 포함할 필요는 없습니다. 서로를 가리키고 동일한 식별자를 사용해야 합니다.

이러한 신호가 인공지능 인용에 미칠 수 있는 영향

다섯 가지 다른 사건을 구분하는 것이 중요합니다:

1. 발견: 시스템이 페이지 또는 저작물을 찾을 수 있는가?
2. 신원 해결: 어떤 사람과 기관이 관련되어 있는지 알 수 있는가?
3. 검색: 시스템이 저작물을 증거 세트로 가져오는가?
4. 인용 선택: 답변에서 저작물을 인용하는가?
5. 인용 정확성: 인용이 올바른 저작물을 가리키고 주장을 뒷받침하는가?

ORCID, DOI 메타데이터 및 학자 프로필은 처음 세 단계에 가장 직접적으로 도움이 될 수 있습니다. 또한 인용 정확성을 향상시킬 수 있습니다. 인용 선택에 미치는 영향은 주제 관련성, 출처 품질, 최신성, 접근성 및 특정 인공지능 시스템에 따라 달라질 가능성이 높습니다.

Google 검색 문서는 기사 저자를 식별하는 데 도움이 되도록 저자 페이지, url, 및 sameAs 링크를 사용할 것을 권장합니다. 데이터셋의 경우, Google은 특히 개인 생성자의 sameAs 속성에 ORCID iD를 사용할 것을 권장합니다. Google 기사 구조화된 데이터 Google 데이터셋 구조화된 데이터 (developers.google.com)

간단한 프로필 페이지는 다음과 같은 구조화된 데이터를 사용할 수 있습니다:

{ "@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" } ] }

구조화된 데이터가 검색 기능이나 인공지능 인용을 보장하는 것은 아닙니다. Google은 올바르게 구현된 구조화된 데이터라도 검색 결과에 나타나지 않을 수 있다고 명시합니다. 그 가치는 기계가 페이지를 해석하는 명확하고 표준적인 방법을 제공한다는 점입니다. Google 구조화된 데이터 지침 (developers.google.com)

실질적인 결론은 다음과 같습니다:

식별자는 증거로 가는 경로를 개선합니다. 그것이 증거를 대체하지는 않습니다.

인공지능 인용에 대한 최신 연구 결과

인공지능 인용 행동에 대한 연구는 주로 인용 정확성, 출처 선택 및 검증 가능성을 연구했습니다. ORCID에 연결된 신원 강도의 효과에 대한 신뢰할 수 있고 일반적인 추정치는 아직 나오지 않았습니다.

ChatGPT가 생성한 인용에 대한 2023년 연구에서는 조작된 참고문헌과 실제 참고문헌에서의 오류 비율이 상당하다는 것을 발견했습니다. 이 연구는 84편의 논문에서 생성된 636개의 인용을 조사했으며, 테스트된 최신 모델에서도 인용 문제가 여전히 남아 있음을 발견했습니다. Scientific Reports 연구 (nature.com)

생성형 검색 엔진에 대한 또 다른 연구에서는 생성된 많은 문장이 인용으로 완전히 뒷받침되지 않았으며, 많은 인용이 그 옆의 진술을 적절하게 뒷받침하지 못한다는 것을 발견했습니다. 생성형 검색 엔진의 검증 가능성 평가 (arxiv.org)

최근 연구는 또한 생성형 검색 시스템이 출처 선택, 출처 중복, 안정성, 내부 지식 대 외부 지식 사용 방식에서 다르다는 것을 보여줍니다. 생성형 인공지능 시대의 웹 검색 특성 (aclanthology.org)

이러한 발견은 신중한 입장을 지지합니다:

• DOI는 인용된 저작물에 대한 모호성을 줄일 수 있습니다.
• ORCID는 개인에 대한 모호성을 줄일 수 있습니다.
• 소속 식별자는 조직에 대한 모호성을 줄일 수 있습니다.
• 기여자 역할은 귀속을 개선할 수 있습니다.
• 공개 프로필은 맥락을 제공할 수 있습니다.
• 이러한 신호 중 어느 것도 시스템이 저작물을 검색하거나 인용할 것을 보장하지는 않습니다.

신원 강도 및 인공지능 인용 빈도 측정을 위한 연구 프로그램

조직은 관계를 직접 측정하기 전까지는 저자 허브가 인공지능 인용을 개선한다고 주장해서는 안 됩니다.

저자 신원 강도 점수 정의

다음은 제안된 점수이며, 공식 표준은 아닙니다.

이 점수에 인용 횟수, 학술지 명성 또는 기관 순위를 포함하지 마십시오. 이러한 요소는 별도의 변수로 취급되어야 합니다. 이를 포함하면 신원 강도 자체가 인용 빈도와 관련이 있는지 판단하기 어려워집니다.

여러 유형의 인용 측정

유용한 연구는 최소 6가지 결과를 추적해야 합니다:

1. 저작물 인용률
   특정 저작물을 인용하는 적격 답변의 백분율.

2. 저자 귀속률
   저작물을 올바른 저자에게 정확히 명명하거나 귀속시키는 답변의 백분율.

3. 유효 식별자율
   올바른 저작물로 연결되는 DOI를 포함하는 인용의 백분율.

4. 인용 정확도
   실제로 진술을 뒷받침하는 인용의 백분율.

5. 인용 재현율
   시스템이 인용하는 중요한 지원 출처의 백분율.

6. 교차 플랫폼 안정성
   다른 시스템 또는 반복 실행에서 반복되는 인용의 백분율.

생성형 검색을 위한 최근 측정 프레임워크는 인용 선택과 인용 흡수를 분리합니다. 이는 출처가 단순히 인용 목록에 나타나는지 아니면 실제로 답변에 증거를 기여하는지를 의미합니다. 이 구별은 향후 저자 허브 연구에 포함되어야 합니다. 인용 선택 및 인용 흡수 프레임워크 (arxiv.org)

연구 1: 관찰적 상관 연구

이 연구는 다음을 묻습니다:

주제 및 출판 요인을 통제한 후, 더 강력한 저자 신원에 연결된 저작물이 인공지능 시스템에 의해 더 자주 인용되는가?

제안된 설계

• 10,000개에서 50,000개의 학술 저작물 샘플링
• 여러 학문 분야, 언어 및 출판 유형 포함
• Crossref, DataCite, OpenAlex 및 공개 ORCID 데이터 사용
• 각 저자 및 저작물에 대한 신원 강도 점수 계산
• 샘플링된 저작물이 관련성이 있는 질문 세트 생성
• 여러 인용 생성 시스템에서 질문 실행
• 각 질문을 여러 번 반복
• 날짜, 시스템, 모델 설정, 지역 및 인용된 출처 기록

중요한 통제 변수

연구는 다음을 통제해야 합니다:

• 주제 관련성
• 출판 연도
• 오픈 액세스 상태
• 초록 가용성
• 전문 가용성
• 학술지/학회
• 기존 학술 인용 횟수
• 기관 명성
• 언어
• 페이지 속도 및 크롤링 가능성
• 저작물 유형
• 저자 이름의 흔함 정도
• 공동 저자 수
• 쿼리 문구
• 검색 시스템

주요 통계 모델은 다음을 추정할 수 있습니다:

text Probability of correct citation = identity strength

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

저작물이 인용되었는지 여부와 같은 예/아니오 결과에는 로지스틱 회귀 또는 혼합 효과 모델이 적합할 것입니다. 인용 데이터가 종종 불균등하게 분포되어 있기 때문에 음이항 모델이 인용 횟수에 유용할 수 있습니다.

결과는 단순한 백분율이 아닌 **신뢰 구간을 포함한 오즈비(odds ratio)**로 보고되어야 합니다. 예를 들어:

신원 강도의 1 표준편차 증가는 관련성, 연령, 접근성 및 이전 학술적 관심을 통제한 후 인용 확률의 변화와 관련이 있었습니다.

연구는 또한 영(null) 결과를 보고해야 합니다. 관계가 없다는 발견은 식별자가 인공지능 인용 행동을 반드시 변경하지 않고도 데이터 품질을 향상시킨다는 것을 보여주기 때문에 유용할 것입니다.

연구 2: 통제된 메타데이터 실험

관찰 연구는 신원 강도를 인기도와 혼동할 수 있습니다. 통제된 실험은 일부 효과를 분리할 수 있습니다.

두 가지 실용적인 버전이 있습니다.

버전 A: 공개 웹 실험

동일한 실질적 내용을 가지지만 다른 메타데이터 처리를 가진 일치하는 페이지를 생성합니다:

• 기본 저자 이름만
• 저자 이름 + 기관 프로필
• 저자 이름 + ORCID 링크
• 저자 이름, ORCID, DOI, 소속 식별자 및 구조화된 데이터

페이지를 동시에 게시하고 다음을 모니터링합니다:

• 검색 발견
• 올바른 저자 매칭
• 인공지능 답변으로의 검색
• 인용 빈도
• 인용 정확성

이 실험은 신중하게 해석되어야 합니다. 공개 시스템은 다른 시간에 페이지를 크롤링할 수 있으며, 조직은 이미 출판된 저작물에 대한 Crossref 또는 DataCite 기록을 쉽게 변경할 수 없습니다.

버전 B: 통제된 연구 색인

다른 메타데이터 조건에서 동일한 문서를 포함하는 소규모 검색 시스템을 구축합니다. 다음만 변경합니다:

• 저자 식별자
• DOI
• 소속
• 기여자 역할
• 프로필 링크
• 출처 필드

그런 다음 동일한 질문을 하고 검색 및 인용 선택을 측정합니다. 이 실험은 더 나은 통제를 제공하지만, 상업적 플랫폼이 아닌 연구 시스템을 측정합니다.

연구 3: 단계별 조직 배포

가장 강력한 실용적인 설계는 차이-in-차이(difference-in-differences) 연구입니다.

조직은 저자 허브를 단계별로 배포할 수 있습니다:

• 1과는 2026년 10월에 전체 프로그램을 받습니다.
• 2과는 2027년 1월에 받습니다.
• 3과는 2027년 4월에 받습니다.

모든 과는 구현 전후로 측정됩니다. 프로그램을 아직 받지 않은 과는 임시 비교 그룹 역할을 합니다.

측정 대상:

• 올바른 저자 귀속
• DOI 해결
• 인용 빈도
• 인용 정확성
• 검색 노출
• 프로필 페이지 방문
• 잘못된 메타데이터를 수정하는 데 필요한 시간

이 설계는 단순한 전후 비교보다 강력합니다. 이는 배포의 효과를 인공지능 시스템의 광범위한 변화로부터 분리하는 데 도움이 되기 때문입니다.

검증할 가치가 있는 가설

조직은 다음 가설들을 사전 등록할 수 있습니다:

• H1: 더 강력한 신원 링크는 올바른 저자 귀속을 개선합니다.
• H2: 완전한 DOI 메타데이터는 유효한 인용률을 개선합니다.
• H3: 소속 식별자는 저자가 흔한 이름을 가지고 있거나 기관 간에 이동할 때 가장 도움이 됩니다.
• H4: 학자 프로필은 최종 인용 빈도를 개선하는 것보다 발견을 더 개선합니다.
• H5: 신원 강도는 이미 유명한 저자보다 롱테일(long-tail) 저자에게 더 큰 영향을 미칩니다.
• H6: 효과는 시스템, 주제, 언어 및 출판 유형에 따라 다릅니다.
• H7: 최신성과 주제 관련성은 프로필 장식보다 더 중요합니다.

어떤 자격 증명을 게시해야 하는가?

프로필은 확인할 수 있는 자격 증명을 게시해야 합니다. 각 자격 증명에는 다음이 있어야 합니다:

• 자격 증명 유형
• 소지자
• 발급 기관
• 가능한 경우 기관에 대한 영구 식별자
• 시작 및 종료 날짜
• 확인 출처
• 현재, 만료됨, 논쟁 중 또는 보관됨과 같은 상태
• 최종 검토일

조직은 각 자격 증명의 출처를 표기해야 합니다:

• 자기 보고
• 기관에서 검증됨
• 출판사에서 검증됨
• 자금 지원 기관에서 검증됨
• 등록부에서 가져옴
• 검토 대기 중

"선도적인 전문가" 또는 "세계적으로 유명한 연구자"와 같은 지원되지 않는 라벨을 게시하는 것을 피하십시오. 이를 증거로 대체하십시오:

• 저작물 수 및 유형
• 연구 분야
• 검증된 역할
• 자금 지원 프로젝트
• 편집 서비스
• 공개 데이터셋 또는 소프트웨어
• 기관 임명

이 접근 방식은 독자와 기계 모두에게 더 유용합니다.

조직을 위한 배포 계획

1단계: 메타데이터 정책 수립

다음 분야의 대표자들로 구성된 소규모 거버넌스 그룹을 지정합니다:

• 연구 행정
• 도서관 서비스
• 정보 기술
• 커뮤니케이션
• 출판 또는 저장소 서비스
• 개인정보 보호
• 연구 진실성

다음을 정의하는 간략한 데이터 정책을 수립합니다:

• 필수 필드
• 승인된 식별자 시스템
• 각 필드를 주장할 수 있는 사람
• 어떤 필드가 공개되는지
• 수정 사항이 어떻게 처리되는지
• 업데이트에 걸리는 시간
• 개인이 떠날 때 무슨 일이 발생하는지

시스템 전반에 걸쳐 단일 데이터 계약을 사용합니다. 최소한 모든 개인, 저작물, 기관 및 자격 증명 기록에는 다음이 있어야 합니다:

text persistent_id display_name source asserted_by valid_from valid_to last_verified status evidence_url

2단계: 인증된 식별자 수집

연구자에게 인증된 프로세스를 통해 ORCID 기록을 연결하도록 요청하십시오. 기관이 어떤 ORCID iD가 어떤 사람에게 속하는지 추측하는 책임을 지게 하지 마십시오.

동시에:

• 부서 및 기관에 기관 식별자 할당
• 직원 기록을 ORCID에 연결
• 기존 출판물을 DOI 기록에 일치
• 이름 충돌 표시
• 대체 이름 형식 보존
• 동의 및 가시성 설정 기록

3단계: DOI 메타데이터 개선

새로운 저작물의 경우, 출판 워크플로가 다음을 수집하도록 요구합니다:

• 전체 저자 이름
• 인증된 ORCID iD
• 소속
• 기관 식별자
• 기여자 역할
• 자금 지원 식별자
• 초록
• 참고문헌
• 라이선스
• 버전 및 업데이트 정보

오래된 저작물의 경우, 최근 5년과 조직에서 가장 많이 사용되는 저자부터 시작하십시오.

Crossref 및 DataCite는 원본 예치뿐만 아니라 수정 및 업데이트도 받아야 합니다. DOI 문자열은 영구적으로 유지되는 반면, 관련 메타데이터는 유지 관리될 수 있습니다. Crossref 메타데이터 유지 관리 (crossref.org)

4단계: 정식 저자 페이지 구축

각 연구자는 하나의 안정적인 기관 페이지를 가져야 합니다. 이 페이지는 다음을 수행해야 합니다:

• 영구적인 웹 주소 사용
• 현재 역할 표시
• 날짜와 함께 이전 역할 보존
• ORCID에 링크
• 선택된 DOI 기록에 링크
• 공개 학자 프로필에 링크
• 연구 분야 표시
• 최종 업데이트 날짜 표시
• 구조화된 데이터 사용
• 검색 크롤러에 계속 접근 가능해야 함
• 로그인 요구 사항 회피

Google은 저자를 구별하는 데 도움이 되도록 명확한 저자 URL 및 sameAs 링크를 사용할 것을 권장합니다. Google 저자 마크업 지침 (developers.google.com)

5단계: 프로필 통합 및 모니터링

기관 페이지를 다음에 연결합니다:

• ORCID
• Google Scholar
• OpenAlex
• 출판사 페이지
• 저장소 기록
• 보조금 페이지
• 적절한 경우 공개 전문가 프로필

다음을 찾기 위해 자동화된 검사를 사용합니다:

• 깨진 DOI 링크
• 누락된 ORCID 링크
• 중복 저자
• 잘못된 공동 저자 일치
• 오래된 소속
• 만료된 자격 증명
• 누락된 업데이트 날짜
• 불일치하는 이름
• 철회 또는 수정

업데이트 및 역할 변경 관리

저자 허브는 이력을 보존해야 합니다. 사람이 직업을 바꿀 때마다 과거를 다시 써서는 안 됩니다.

권장 소스 계층 구조

연구자가 기관을 변경할 때

이전 소속을 과거 저작물에서 삭제하지 마십시오.

대신:

1. 이전 고용 기록에 종료일을 추가합니다.
2. 시작일과 함께 새로운 소속을 추가합니다.
3. 기관 프로필을 업데이트합니다.
4. 출판사가 수정을 발행하지 않는 한 과거 출판물 소속은 변경하지 않고 유지합니다.
5. 적절한 출처를 통해 ORCID 기록을 업데이트합니다.
6. 이전 프로필 페이지를 보관된 페이지 또는 새 페이지로 리디렉션합니다.

인물이 이름을 변경할 때

ORCID를 사용하여 이름 변형을 연결합니다. 연구자가 동의하는 경우 이전 또는 대체 이름을 추가합니다. 현재 프로필과 일치시키기 위해 출판된 DOI 기록의 저자 이름을 단순히 변경하지 마십시오.

영구 식별자의 목적은 출판 기록을 다시 작성하지 않고도 이름 변경 전반에 걸쳐 저작물을 연결하는 것입니다.

기여자 역할이 변경될 때

완성된 저작물에 대한 기여자의 역할은 이력 기록의 일부로 취급되어야 합니다.

예를 들어:

• 개인의 출판된 논문에서의 역할은 나중에 그들이 학과장이 되었다고 해서 변경되어서는 안 됩니다.
• 편집 역할은 시작일과 종료일을 가져야 합니다.
• 보조금 역할은 보조금 기간에 연결되어야 합니다.
• 소프트웨어 역할은 버전 또는 릴리스에 연결되어야 합니다.

원래 기여 기록이 잘못된 경우, 공식적인 수정 프로세스를 사용하십시오. 조용히 덮어쓰지 마십시오.

자격 증명이 만료될 때

명확한 상태 값을 사용합니다:

• 현재
• 만료됨
• 갱신됨
• 정지됨
• 논쟁 중
• 보관됨

만료 전에 자동 알림이 전송되어야 합니다. 공개 프로필은 설명 없이 오래된 자격 증명을 보이게 두는 대신 상태와 날짜를 표시해야 합니다.

연구자가 조직을 떠날 때

조직은 다음을 수행해야 합니다:

• 이력 프로필 보존
• 이전 역할을 명확히 표시
• 출판된 저작물로의 링크 유지
• 프로필 소유권 이전
• 이전 페이지에 대한 리디렉션 설정
• 개인 연락처 정보 제거
• 이전 고용 기간 동안 진실이었던 기관의 단언 유지

저작권이 논쟁될 때

논쟁 중인 필드를 동결하고, 원본 출처를 보존하며, 논쟁을 기록합니다. 비공식적인 요청만으로 저자를 제거하거나 기여 역할을 변경하지 마십시오.

연구 진실성 사무소, 출판사 또는 책임 있는 프로젝트 당국이 공식적인 수정 경로를 결정해야 합니다.

성공 측정

조직은 인공지능 가시성 향상을 약속하기 전에 운영 품질을 추적해야 합니다.

제안된 목표는 다음과 같습니다:

• 활성 연구자의 95%가 인증된 ORCID iD를 가지고 있습니다.
• 새로운 저작물의 95%가 가능한 경우 ORCID를 포함합니다.
• 소속의 95%가 영구적인 기관 식별자를 사용합니다.
• 새로운 DOI 예치금의 100%가 메타데이터 유효성 검사를 통과합니다.
• 저자 페이지의 100%가 안정적인 프로필 주소를 포함합니다.
• 역할 변경의 100%가 날짜를 포함합니다.
• 저작물의 1% 미만이 저자에게 잘못 할당됩니다.
• 메타데이터 수정은 30일 이내에 완료됩니다.
• 현재 고용 변경 사항은 7일 이내에 나타납니다.
• 철회 및 공식 수정은 즉시 반영됩니다.

인공지능 인용 연구의 경우, 다음을 추적합니다:

• 올바른 저자 귀속률
• 유효 DOI율
• 인용 정확도
• 인용 재현율
• 저작물 인용 빈도
• 시스템 간 일치도
• 메타데이터 수정에서 색인 개선까지의 시간
• 프로필 발견과 최종 답변 인용 간의 차이

조직은 이러한 측정값을 학문 분야, 언어, 경력 단계 및 이름의 흔함 정도별로 보고해야 합니다. 그렇지 않으면 평균 점수가 불평등한 결과를 숨길 수 있습니다.

위험 및 보호 조치

저자 허브는 게이트키핑 시스템이 될 경우 새로운 위험을 초래할 수 있습니다.

조직은 다음을 해서는 안 됩니다:

• 일부 ORCID 정보를 비공개로 유지하는 연구자에게 불이익을 주지 마십시오.
• 공개 Google Scholar 프로필을 품질의 증거로 취급하지 마십시오.
• 인용 횟수를 동료 심사의 대용으로 사용하지 마십시오.
• 불필요하게 개인 연락처 정보를 게시하지 마십시오.
• 기관 명성만으로 전문성을 추론하지 마십시오.
• 모든 연구자에게 동일한 공개 프로필 서비스를 사용하도록 요구하지 마십시오.
• 누락된 식별자를 위반 행위의 증거로 취급하지 마십시오.
• 자동화된 시스템이 검토 없이 기록을 덮어쓰도록 허용하지 마십시오.

ORCID 채택 및 메타데이터 품질은 분야, 국가, 경력 단계 및 출판 유형에 따라 다릅니다. 공정한 시스템은 수동 수정, 개인정보 보호 제어, 이름 다양성, 그리고 학술지 출판 지표로 잘 표현되지 않는 사람들의 작업을 지원해야 합니다.

결론

강력한 저자 허브는 개인 브랜딩 프로젝트가 아닙니다. 그것은 기계가 읽을 수 있는 증거 시스템입니다.

• ORCID는 개인을 영구적인 신원에 연결합니다.
• Crossref 및 DataCite는 저작물을 안정적인 식별자 및 풍부한 메타데이터에 연결합니다.
• 연구 기관 등록 식별자는 개인과 저작물을 기관에 연결합니다.
• 기여자 역할은 각 개인이 실제로 무엇을 했는지 보여줍니다.
• 기관 및 학자 프로필은 공개 맥락을 제공합니다.
• 구조화된 데이터는 검색 시스템이 관계를 해석하는 데 도움이 됩니다.
• 거버넌스 및 버전 이력은 현재 상태, 과거에 진실이었던 것, 그리고 누가 각 주장을 확인했는지 보여줍니다.

가능한 이점은 자동 순위 상승이 아닙니다. 이점은 개인 → 저작물 → 기관 → 증거로 이어지는 더 강력한 연결 고리입니다.

따라서 조직은 두 가지 약속을 해야 합니다:

1. 메타데이터를 표준화하고 유지 관리합니다.
2. 효과를 가정하기보다는 인공지능 인용 행동을 측정합니다.

가장 신뢰할 수 있는 저자 허브는 가장 많은 배지를 가진 허브가 아닙니다. 중요 주장이 영구적이고, 연결되어 있으며, 출처가 명확하고, 최신이며, 쉽게 검증될 수 있는 허브입니다.