Bygging av forfatterhuber: ORCID, Crossref og forskerprofiler som tillitsprimitiver

Bygging av forfatterhuber: ORCID, Crossref og forskerprofiler som tillitsprimitiver

Forfatterhuber er offentlige, sammenkoblede oppføringer som hjelper mennesker og maskiner med å svare på tre grunnleggende spørsmål:

1. Hvem skapte dette verket?
2. Hva er verket nøyaktig?
3. Hvorfor skal noen stole på koblingen mellom personen, verket og organisasjonen?

For menneskelige lesere kan en forfatterhub se ut som en profilside med en biografi, publikasjoner, kvalifikasjoner og lenker. For kunstig intelligens-systemer er det mer nyttig å tenke på det som en lenket bevisgraf.

En sterk forfatterhub kobler:

• En person til et ORCID iD
• En publikasjon, et datasett, en rapport eller en programvarepakke til en Digital Objektidentifikator
• Et verk til komplette Crossref- eller DataCite-metadata
• En forsker til verifiserte tilknytninger og organisasjoner
• En offentlig profil til en stabil institusjonell nettside
• Bidrag til klare roller, for eksempel de i Contributor Roles Taxonomy
• Nåværende og tidligere roller til datoer, kilder og oppdateringsregistre

Disse koblingene kan forbedre identitetsresolusjon, gjenfinning, siteringsnøyaktighet og kildeverifisering. De garanterer ikke at et kunstig intelligens-system vil sitere en forfatter. Det finnes ingen troverdig offentlig bevis for at tillegg av ett ORCID iD produserer en fast økning i siteringer fra kunstig intelligens. Den sterkere påstanden er smalere og mer forsvarlig: gode identitets- og verkmetadata gjør det enklere for søke- og forskningssystemer å finne, matche, verifisere og korrekt sitere vitenskapelig materiale.

Denne artikkelen reflekterer offentlig dokumentasjon og forskning tilgjengelig per 13. august 2026.

Hvorfor forfatterhuber er viktig for kunstig intelligens-systemer

Kunstig intelligens-systemer bruker ikke alle de samme søkeindeksene, databasene eller rangeringsmetodene. Noen er avhengige av live nettsøk. Andre bruker vitenskapelige databaser, lisensierte indekser, interne kunnskapslagre eller gjenfinningssystemer som søker i dokumenter før de genererer et svar.

Likevel står mange systemer overfor de samme tekniske problemene:

• Navn kan staves på forskjellige måter.
• Flere forskere kan dele samme navn.
• Et verk kan ha en preprint, konferanseversjon, akseptert manuskript og endelig versjon.
• En tidsskriftartikkel kan være koblet til et datasett, en programvarepakke, en bevilgning eller en korrigering.
• En forfatter kan bytte institusjon eller navn.
• En nettside kan beskrive en kvalifikasjon uten å vise hvem som utstedte den eller når den var gyldig.

Vedvarende identifikatorer og strukturerte metadata bidrar til å løse disse problemene.

Digital Objektidentifikator-systemet beskriver en identifikator som et vedvarende navn for et digitalt, fysisk eller abstrakt objekt. Dens verdi avhenger ikke bare av identifikatoren, men også av metadataene som er koblet til den. DOI Handbook (doi.org)

En nyttig måte å tenke på en forfatterhub er som fire sammenkoblede lag:

Målet er ikke å skape en profil full av imponerende ord. Målet er å skape en oppføring der viktige påstander kan kontrolleres.

De tre hoveddelene av en forfatterhub

1. ORCID: Personidentitetslaget

ORCID står for Open Researcher and Contributor ID. Den gir en vedvarende identifikator for en person og bidrar til å skille forskere som har lignende navn, bruker forskjellige navneformer eller endrer navn over tid. ORCID oversikt (support.orcid.org)

En ORCID-oppføring kan inneholde:

• Navn og navnevarianter
• Ansettelse og utdanning
• Forskningsverk
• Finansiering
• Fagfellevurderingsaktivitet
• Redaksjonell tjeneste
• Medlemskap og utmerkelser
• Forskningsressurser
• Lenker til andre identifikatorer

Den viktigste funksjonen er ikke selve det 16-sifrede nummeret. Det er nettverket av støttede koblinger knyttet til dette nummeret.

For eksempel:

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

Autentiserte koblinger er sterkere

Organisasjoner bør samle inn ORCID iD-er gjennom en autentisert påloggingsprosess i stedet for å be folk taste inn en identifikator i et skjema. ORCID anbefaler å bruke sin autorisasjonsprosess slik at forskeren bekrefter riktig oppføring. ORCID integrasjon og veiledning for applikasjonsprogrammeringsgrensesnitt (info.orcid.org)

Dette skillet er viktig:

• Uverifisert påstand: «Dette ORCID iD-et tilhører Jane Smith.»
• Autentisert påstand: «Jane Smith logget inn via ORCID og autoriserte dette systemet til å bruke sitt iD.»
• Institusjonell påstand: «Universitetet bekrefter at denne personen hadde denne tilknytningen i disse periodene.»

ORCID lagrer også kilden og opprinnelsen til påstander. Et verk eller en tilknytning kan legges til av forskeren, en utgiver, en finansiør eller en annen betrodd organisasjon. ORCID veiledning for tillit (info.orcid.org)

Dette skaper et nyttig tillitssignal for både mennesker og maskiner:

Oppføringen sier ikke bare hva som påstås. Den kan også vise hvem som fremsatte påstanden og når den ble lagt til.

Viktig begrensning

Et ORCID iD er ingen garanti for at hvert element i en oppføring er korrekt. ORCID selv oppfordrer brukere til å undersøke tillitsmarkører, kilder, datoer og organisasjonene som la til informasjonen. ORCID tillitsmarkører (info.orcid.org)

Derfor bør organisasjoner ikke behandle «har et ORCID iD» som lik «er fullt verifisert». En bedre modell er:

• Selvbekreftet
• Autentisert
• Institusjonelt bekreftet
• Utgiverbekreftet
• Finansiørbekreftet
• Nylig gjennomgått

2. Crossref og DataCite: Verksidentitetslaget

ORCID identifiserer personen. Crossref og DataCite bidrar til å identifisere verket.

En Digital Objektidentifikator kan identifisere:

• Tidsskriftartikler
• Bøker og bokkapitler
• Konferansebidrag
• Datasett
• Programvare
• Rapporter
• Preprints
• Fagfellevurderinger
• Standarder
• Postere og presentasjoner

En DOI skal løse til en stabil landingsside. Viktigere er det at den skal ha fullstendige metadata som beskriver verket.

Crossref anbefaler å registrere informasjon som:

• Etternavn og fornavn
• Bidragsyterroller
• Tilknytninger
• Organisasjonsidentifikatorer
• ORCID iD-er
• Publiseringsdatoer
• Sammendrag
• Referanser
• Finansiering
• Lisenser
• Versjonsinformasjon
• Oppdateringer og korreksjoner

Crossref obligatoriske og anbefalte metadata (crossref.org)

Crossref beskriver sine metadata som en delt ressurs som kan nås via webgrensesnitt, applikasjonsprogrammeringsgrensesnitt og massenedlastinger. Nedstrøms systemer kan bruke denne informasjonen til å oppdage og koble vitenskapelige resultater. Crossref metadatagjenfinning (crossref.org)

DataCite fyller en lignende funksjon for datasett og mange andre forskningsresultater. Dets nåværende metadata-skjema 4.7, utgitt 3. mars 2026, støtter skapere, bidragsytere, ORCID-identifikatorer, tilknytninger, organisasjonsidentifikatorer, relaterte identifikatorer, finansiering, beskrivelser og ressurstyper. DataCite Metadata Skjema (schema.datacite.org)

DataCite anbefaler spesifikt å koble skaper- og bidragsyteroppføringer til ORCID-identifikatorer og organisatoriske tilknytninger til organisasjonsidentifikatorer. DataCite navneidentifikatorer (support.datacite.org)

En DOI er ikke et kvalitetsmerke

En DOI beviser at en oppføring eksisterer i et DOI-registreringssystem. Den beviser ikke at:

• Forskningen er korrekt
• Publikasjonen er fagfellevurdert
• Tidsskriftet er anerkjent
• Forfatteren er en ekspert
• Funnene er viktige

Crossref gjør dette poenget klart: selve DOI-en betyr ikke objektets verdi eller nøyaktighet. De omkringliggende metadataene gir kontekst og muliggjør koblinger. Crossref DOI-veiledning (support.crossref.org)

Dette er grunnen til at en komplett DOI-oppføring er mye mer nyttig enn en DOI-streng plassert nederst på en side.

Bidragsyterroller legger til mening

I juli 2026 la Crossref Schema 5.5 til bedre støtte for flere bidragsyterroller, korresponderende forfattere og Contributor Roles Taxonomy. Crossref Skjema 5.5 (crossref.org)

Contributor Roles Taxonomy inneholder 14 roller, inkludert:

• Konseptualisering
• Datakurering
• Formell analyse
• Undersøkelse
• Metodologi
• Programvare
• Veiledning
• Validering
• Visualisering
• Skriving av originalutkast
• Skriving, gjennomgang og redigering

Taksonomien ble designet for å gjøre bidrag mer transparente og støtte anerkjennelse, ansvarlighet, forskningsevaluering og forskningsintegritet. Contributor Roles Taxonomy (credit.niso.org)

For kunstig intelligens-systemer skaper dette et rikere svar enn «Jane Smith er en forfatter.» Et system kan potensielt skille mellom:

• Personen som designet studien
• Personen som skrev programvaren
• Personen som analyserte dataene
• Personen som veiledet prosjektet
• Personen som skrev det originale manuskriptet

Dette er spesielt viktig for store forskningsteam og tekniske prosjekter.

3. Forskerprofiler: Kontekstlaget

Forskerprofiler gjør identitetsgrafen forståelig for mennesker og enklere for søkesystemer å tolke.

En robust profil bør inkludere:

• En stabil institusjonell side
• Et konsistent navn
• Navnevarianter der det er relevant
• ORCID iD
• Nåværende og tidligere tilknytninger
• Forskningsområder
• Utvalgte verk med DOI-lenker
• Datasett, programvare og rapporter
• Finansiering og priser
• Redaksjonelle eller vurderingsroller
• Bidragsyterroller
• Datoer for nåværende og tidligere stillinger
• En sist-gjennomgått dato
• Lenker til andre offentlige profiler

Google Scholar-profiler lar forskere liste opp publikasjoner, gjøre profilen offentlig, se hvem som siterer deres arbeid og spore siteringsstatistikk. En offentlig profil med en verifisert institusjonell e-postadresse kan være kvalifisert til å vises i Google Scholar-søkeresultater. Google Scholar-profiler (scholar.google.com)

Google Scholar bør imidlertid behandles som et synlighets- og oppdagelseslag, ikke den primære kilden til sannhet. Forskere kan administrere sine egne publikasjonslister, og automatisk matching kan inkludere feilaktige eller dupliserte verk. Siteringsantall varierer også mellom databaser.

OpenAlex tilbyr et annet nyttig oppdagelseslag. Den opprettholder disambiguerte forfatteroppføringer og forbinder forfattere, verk, institusjoner, kilder og emner. OpenAlex opplyser at den henter informasjon fra kilder som Crossref og DataCite, og deretter matcher forfattere med ORCID iD-er og tilknytninger med organisasjonsidentifikatorer. OpenAlex økosystembeskrivelse (help.openalex.org)

Den beste praksisen er derfor profilføderasjon:

text Institusjonell forfatterside ↕ ORCID-oppføring ↕ Crossref- eller DataCite-verkoppføringer ↕ OpenAlex og Google Scholar-profiler ↕ Utgiver-, depot-, finansiør- og profesjonelle sider

Ingen enkelt profil trenger å inneholde alt. De bør peke til hverandre og bruke de samme identifikatoren.

Hvordan disse signalene kan påvirke kunstig intelligens-siteringer

Det er viktig å skille mellom fem forskjellige hendelser:

1. Oppdagelse: Kan et system finne siden eller verket?
2. Identitetsresolusjon: Kan det avgjøre hvilken person og organisasjon som er involvert?
3. Gjenfinning: Henter systemet verket inn i sitt bevisgrunnlag?
4. Siteringsvalg: Siterer det verket i svaret?
5. Siteringskorrekthet: Peker siteringen til riktig verk og støtter påstanden?

ORCID, DOI-metadata og forskerprofiler kan hjelpe mest direkte med de tre første trinnene. De kan også forbedre siteringskorrektheten. Deres effekt på siteringsvalg avhenger sannsynligvis av emnerelevans, kildekvalitet, nyhet, tilgjengelighet og det spesifikke kunstig intelligens-systemet.

Google Søk-dokumentasjon anbefaler å bruke en forfatterside, url og sameAs-lenker for å hjelpe med å identifisere artikkelforfattere. For datasett anbefaler Google spesifikt å bruke et ORCID iD i sameAs-egenskapen for en person som skaper. Google strukturert data for artikler Google strukturert data for datasett (developers.google.com)

En enkel profilside kan bruke strukturerte data slik:

{ "@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" } ] }

Strukturerte data garanterer ikke en søkefunksjon eller en sitering fra kunstig intelligens. Google opplyser at selv korrekt implementerte strukturerte data kanskje ikke vises i søkeresultatene. Dens verdi er at den gir maskiner en klar, standard måte å tolke siden på. Google veiledning for strukturerte data (developers.google.com)

Den praktiske konklusjonen er:

Identifikatorer forbedrer veien til bevis. De erstatter ikke bevis.

Hva nåværende forskning sier om kunstig intelligens-siteringer

Forskning på kunstig intelligens sin siteringsatferd har hovedsakelig studert siteringsnøyaktighet, kildevalg og verifiserbarhet. Den har ennå ikke produsert et pålitelig, generelt estimat for effekten av ORCID-koblet identitetsstyrke.

En studie fra 2023 av siteringer generert av ChatGPT fant betydelige rater av fabrikkerte referanser og feil i reelle referanser. Studien undersøkte 636 siteringer generert på tvers av 84 artikler og fant at siteringsproblemene vedvarte selv i den nyere modellen som ble testet. Scientific Reports-studie (nature.com)

En annen studie av generative søkemotorer fant at mange genererte setninger ikke var fullt ut støttet av siteringer, og at mange siteringer ikke tilstrekkelig støttet påstandene ved siden av dem. Evaluering av verifiserbarhet i generative søkemotorer (arxiv.org)

Nyere forskning viser også at generative søkesystemer skiller seg i kildevalg, kildeoverlapp, stabilitet og bruk av intern versus ekstern kunnskap. Karakterisering av nettsøk i kunstig intelligens-alderen (aclanthology.org)

Disse funnene støtter et forsiktig standpunkt:

• En DOI kan redusere tvetydighet om det siterte verket.
• ORCID kan redusere tvetydighet om personen.
• Tilknytningsidentifikatorer kan redusere tvetydighet om organisasjonen.
• Bidragsyterroller kan forbedre attribusjonen.
• En offentlig profil kan gi kontekst.
• Ingen av disse signalene garanterer at et system vil hente eller sitere verket.

Et forskningsprogram for å måle identitetsstyrke og siteringsfrekvens for kunstig intelligens

Organisasjoner bør ikke hevde at forfatterhuber forbedrer siteringer fra kunstig intelligens før de måler forholdet direkte.

Definer en score for forfatteridentitetsstyrke

Det følgende er en foreslått score, ikke en offisiell standard.

Ikke inkluder siteringsantall, tidsskriftets prestisje eller institusjonell rangering i denne scoren. Disse faktorene bør behandles som separate variabler. Inkludering av dem ville gjøre det vanskelig å avgjøre om identitetsstyrke i seg selv er relatert til siteringsfrekvens.

Mål mer enn én type sitering

En nyttig studie bør spore minst seks utfall:

1. Verk siteringsrate
   Prosentandelen av kvalifiserte svar som siterer et spesifikt verk.

2. Forfatter attribusjonsrate
   Prosentandelen av svar som korrekt navngir eller tilskriver verket til riktig forfatter.

3. Gyldig identifikatorrate
   Prosentandelen av siteringer som inneholder en DOI som løser til riktig verk.

4. Siteringspresisjon
   Prosentandelen av siteringer som faktisk støtter påstanden som er fremsatt.

5. Siteringsgjenkalling
   Prosentandelen av viktige støttekilder som systemet siterer.

6. Plattformkryssende stabilitet
   Prosentandelen av siteringer som gjentas på tvers av forskjellige systemer eller gjentatte kjøringer.

Et nylig måle-rammeverk for generativt søk skiller siteringsvalg fra siteringsabsorpsjon, noe som betyr om en kilde bare vises i siteringslisten eller faktisk bidrar med bevis til svaret. Dette skillet bør inkluderes i fremtidige studier av forfatterhuber. Rammeverk for siteringsvalg og siteringsabsorpsjon (arxiv.org)

Studie én: Observasjonskorrelasjonsstudie

Denne studien spør:

Blir verk knyttet til sterkere forfatteridentiteter oftere sitert av kunstig intelligens-systemer etter å ha kontrollert for emne- og publikasjonsfaktorer?

Foreslått design

• Trekk et utvalg på 10 000 til 50 000 vitenskapelige verk
• Dekker flere disipliner, språk og publikasjonstyper
• Bruk Crossref, DataCite, OpenAlex og offentlige ORCID-data
• Beregn en identitetsstyrkescore for hver forfatter og hvert verk
• Lag et sett med spørsmål som de utvalgte verkene er relevante for
• Kjør spørsmålene på tvers av flere siteringsproduserende systemer
• Gjenta hvert spørsmål flere ganger
• Registrer dato, system, modellinnstilling, region og siterte kilder

Viktige kontrollvariabler

Studien bør kontrollere for:

• Emnerelevans
• Publiseringsår
• Open access-status
• Tilgjengelighet av sammendrag
• Tilgjengelighet av fulltekst
• Publiseringskanal
• Eksisterende vitenskapelig siteringsantall
• Institusjonell anseelse
• Språk
• Sidehastighet og indekserbarhet
• Verkstype
• Forfatternavnets vanligheten
• Antall medforfattere
• Spørsmålsformulering
• Søkesystem

Hovedstatistikmodellen kunne estimere:

text Sannsynlighet for korrekt sitering = identitetsstyrke

• emnerelevans
• verkets alder
• open access
• vitenskapelige siteringer
• system
• spørsmål
• forfatter- og emnekontroller

En logistisk regresjon eller en blandet effektmodell ville være passende for et ja-eller-nei-utfall som om et verk ble sitert. En negativ binomial modell kan være nyttig for siteringsantall fordi siteringsdata ofte er ujevnt fordelt.

Resultatet bør rapporteres som et oddsforhold med et konfidensintervall, ikke som en enkel prosentandel. For eksempel:

En økning på én standardavvik i identitetsstyrke var assosiert med en endring i siteringssannsynlighet etter å ha kontrollert for relevans, alder, tilgang og tidligere vitenskapelig oppmerksomhet.

Studien bør også rapportere nullresultater. Et funn uten sammenheng ville være nyttig fordi det ville vise at identifikatorer forbedrer datakvalitet uten nødvendigvis å endre kunstig intelligens sin siteringsatferd.

Studie to: Kontrollert metadataeksperiment

En observasjonsstudie kan forveksle identitetsstyrke med popularitet. Et kontrollert eksperiment kan isolere noen effekter.

Det finnes to praktiske versjoner.

Versjon A: Offentlig webeksperiment

Lag matchede sider med det samme substansielle innholdet, men med forskjellige metadata-behandlinger:

• Kun grunnleggende forfatternavn
• Forfatternavn pluss institusjonell profil
• Forfatternavn pluss ORCID-lenke
• Forfatternavn, ORCID, DOI, tilknytningsidentifikator og strukturerte data

Publiser sidene samtidig og overvåk:

• Søkeoppdagelse
• Korrekt forfattermatching
• Gjenfinning i kunstig intelligens-svar
• Siteringsfrekvens
• Siteringskorrekthet

Dette eksperimentet må tolkes forsiktig. Offentlige systemer kan indeksere sider til forskjellige tider, og organisasjoner kan ikke enkelt endre Crossref- eller DataCite-oppføringer for et allerede publisert verk.

Versjon B: Kontrollert forskningsindeks

Bygg et lite gjenfinningssystem som inneholder de samme dokumentene under forskjellige metadatabetingelser. Varier kun:

• Forfatteridentifikator
• DOI
• Tilknytning
• Bidragsyterrolle
• Profillenker
• Proveniensfelter

Still deretter de samme spørsmålene og mål gjenfinning og siteringsvalg. Dette eksperimentet gir bedre kontroll, men det måler et forskningssystem i stedet for kommersielle plattformer.

Studie tre: Gradvis organisatorisk utrulling

Det sterkeste praktiske designet er en differanse-i-differanser-studie.

En organisasjon kan rulle ut forfatterhuber i faser:

• Avdeling én mottar hele programmet i oktober 2026.
• Avdeling to mottar det i januar 2027.
• Avdeling tre mottar det i april 2027.

Alle avdelinger måles før og etter implementering. Avdelinger som ennå ikke har mottatt programmet, fungerer som midlertidige sammenligningsgrupper.

Mål:

• Korrekt forfatterattribusjon
• DOI-resolusjon
• Siteringsfrekvens
• Siteringsnøyaktighet
• Søkevisninger
• Profilsidebesøk
• Tid nødvendig for å korrigere dårlige metadata

Dette designet er sterkere enn en enkel før-og-etter-sammenligning fordi det bidrar til å skille effekten av utrullingen fra bredere endringer i kunstig intelligens-systemer.

Hypoteser verdt å teste

Organisasjoner kan forhåndsregistrere disse hypotesene:

• H1: Sterkere identitetslenker forbedrer korrekt forfatterattribusjon.
• H2: Komplett DOI-metadata forbedrer gyldige siteringsrater.
• H3: Tilknytningsidentifikatorer hjelper mest når forfattere har vanlige navn eller flytter mellom institusjoner.
• H4: Forskerprofiler forbedrer oppdagelse mer enn de forbedrer den endelige siteringsfrekvensen.
• H5: Identitetsstyrke har en større effekt på «long-tail»-forfattere enn på allerede berømte forfattere.
• H6: Effekten varierer etter system, emne, språk og publikasjonstype.
• H7: Ferskhet og emnerelevans betyr mer enn profilutsmykning.

Hvilke kvalifikasjoner bør publiseres?

En profil bør publisere kvalifikasjoner som kan kontrolleres. Hver kvalifikasjon bør ha:

• En kvalifikasjonstype
• Personen som innehar den
• Den utstedende organisasjonen
• En vedvarende identifikator for organisasjonen når tilgjengelig
• Start- og sluttdatoer
• En verifiseringskilde
• En status som nåværende, utløpt, omstridt eller arkivert
• En sist-gjennomgått dato

Organisasjoner bør merke kilden til hver kvalifikasjon:

• Selvrapportert
• Institusjonelt verifisert
• Utgiver verifisert
• Finansiør verifisert
• Importert fra et register
• Avventer vurdering

Unngå å publisere uunderstøttede merkelapper som «ledende ekspert» eller «verdensberømt forsker». Erstatt dem med bevis:

• Antall og type verk
• Forskningsområder
• Verifiserte roller
• Finansierte prosjekter
• Redaksjonell tjeneste
• Offentlige datasett eller programvare
• Institusjonelle ansettelser

Denne tilnærmingen er mer nyttig for både lesere og maskiner.

Utrullingsplan for organisasjoner

Fase én: Opprett metadatapolitikken

Oppnevne en liten styringsgruppe med representanter fra:

• Forskningsadministrasjon
• Bibliotektjenester
• Informasjonsteknologi
• Kommunikasjon
• Publiserings- eller depot-tjenester
• Personvern
• Forskningsintegritet

Opprett en kort datapolitikk som definerer:

• Obligatoriske felt
• Godkjente identifikatorsystemer
• Hvem som kan bekrefte hvert felt
• Hvilke felt som er offentlige
• Hvordan korreksjoner håndteres
• Hvor lang tid oppdateringer skal ta
• Hva skjer når en person slutter

Bruk én enkelt datakontrakt på tvers av systemer. Som et minimum skal hver person-, verk-, organisasjons- og kvalifikasjonsoppføring ha:

text persistent_id display_name source asserted_by valid_from valid_to last_verified status evidence_url

Fase to: Samle inn autentiserte identifikatorer

Be forskere om å koble sine ORCID-oppføringer gjennom en autentisert prosess. Ikke gjør institusjonen ansvarlig for å gjette hvilket ORCID iD som tilhører en person.

Samtidig:

• Tilordne organisasjonsidentifikatorer til avdelinger og institusjoner
• Koble ansattoppføringer til ORCID
• Matche eksisterende publikasjoner med DOI-oppføringer
• Flagge navnekollisjoner
• Bevar alternative navneformer
• Registrer samtykke- og synlighetsinnstillinger

Fase tre: Forbedre DOI-metadata

For nye verk, krev at publiseringsarbeidsflyten samler inn:

• Fullstendige forfatternavn
• Autentiserte ORCID iD-er
• Tilknytninger
• Organisasjonsidentifikatorer
• Bidragsyterroller
• Finansieringsidentifikatorer
• Sammendrag
• Referanser
• Lisenser
• Versjons- og oppdateringsinformasjon

For eldre verk, start med de fem siste årene og organisasjonens mest brukte forfattere.

Crossref og DataCite bør motta korreksjoner og oppdateringer i stedet for kun den originale deponeringen. DOI-strengene forblir vedvarende, mens tilhørende metadata kan vedlikeholdes. Crossref vedlikehold av metadata (crossref.org)

Fase fire: Bygg kanoniske forfattersider

Hver forsker bør ha én stabil institusjonell side. Denne siden bør:

• Bruke en permanent nettadresse
• Vise nåværende rolle
• Bevar tidligere roller med datoer
• Lenke til ORCID
• Lenke til utvalgte DOI-oppføringer
• Lenke til offentlige forskerprofiler
• Vise forskningsområder
• Vise en sist-oppdatert dato
• Bruke strukturerte data
• Forbli tilgjengelig for søkekravlere
• Unngå å kreve pålogging

Google anbefaler å bruke klare forfatter-URL-er og sameAs-lenker for å hjelpe med å skille forfattere. Google veiledning for forfattermerking (developers.google.com)

Fase fem: Føderer og overvåk profiler

Koble den institusjonelle siden til:

• ORCID
• Google Scholar
• OpenAlex
• Utgiversider
• Depotoppføringer
• Stipendsider
• Offentlige profesjonelle profiler der det er relevant

Bruk automatiserte kontroller for å finne:

• Ødelagte DOI-lenker
• Manglende ORCID-lenker
• Duplikate forfattere
• Feil medforfatter-matchinger
• Gamle tilknytninger
• Utløpte kvalifikasjoner
• Manglende oppdateringsdatoer
• Mismatch av navn
• Retraksjoner eller korreksjoner

Styring for oppdateringer og rolleendringer

En forfatterhub må bevare historien. Den skal ikke omskrive fortiden hver gang en person bytter jobb.

Anbefalt kildehierarki

Når en forsker bytter institusjon

Ikke slett den gamle tilknytningen fra historiske verk.

I stedet:

1. Legg til en sluttdato for den tidligere ansettelsesoppføringen.
2. Legg til den nye tilknytningen med en startdato.
3. Oppdater institusjonsprofilen.
4. Behold historiske publikasjonstilknytninger uendret med mindre utgiveren utsteder en korreksjon.
5. Oppdater ORCID-oppføringen via riktig kilde.
6. Omdiriger den gamle profilsiden til en arkivert eller ny side.

Når en person endrer navn

Bruk ORCID til å koble navnevarianter. Legg til tidligere eller alternative navn der forskeren samtykker. Ikke endre forfatternavnet i en publisert DOI-oppføring bare for å få den til å samsvare med en nåværende profil.

Formålet med den vedvarende identifikatoren er å koble verk på tvers av navneendringer uten å omskrive publikasjonsoppføringen.

Når en bidragsyters rolle endres

En bidragsyters rolle på et fullført verk bør behandles som en del av den historiske oppføringen.

For eksempel:

• En persons rolle i en publisert artikkel skal ikke endres fordi de senere blir avdelingsleder.
• En redaksjonell rolle bør ha en start- og sluttdato.
• En stipendrolle bør knyttes til stipendperioden.
• En programvarerolle bør knyttes til versjonen eller utgivelsen.

Hvis den opprinnelige bidragsoppføringen er feil, bruk en formell korreksjonsprosess. Ikke overskriv den stille.

Når en kvalifikasjon utløper

Bruk klare statusverdier:

• Nåværende
• Utløpt
• Fornyet
• Suspendert
• Omstridt
• Arkivert

Automatiserte påminnelser bør sendes før utløp. Offentlige profiler bør vise status og dato i stedet for å la en utdatert kvalifikasjon være synlig uten forklaring.

Når en forsker forlater organisasjonen

Organisasjonen bør:

• Bevar den historiske profilen
• Merk den tidligere rollen tydelig
• Behold lenker til publiserte verk
• Overfør profilens eierskap
• Sett opp en omdirigering for den tidligere siden
• Fjern privat kontaktinformasjon
• Behold institusjonelle påstander som var sanne i den tidligere ansettelsesperioden

Når forfatterskap er omstridt

Frys det omstridte feltet, bevar den opprinnelige kilden, og registrer tvisten. Ikke fjern en forfatter eller endre bidragsroller basert kun på en uformell forespørsel.

Forskningsintegritetskontoret, utgiveren eller den ansvarlige prosjektmyndigheten bør fastsette den formelle korreksjonsprosessen.

Suksessmål

Organisasjoner bør spore operasjonell kvalitet før de lover økt synlighet for kunstig intelligens.

Foreslåtte mål inkluderer:

• 95 prosent av aktive forskere har autentiserte ORCID iD-er
• 95 prosent av nye verk inkluderer ORCID der det er tilgjengelig
• 95 prosent av tilknytningene bruker en vedvarende organisasjonsidentifikator
• 100 prosent av nye DOI-deposita passerer metadatavalidering
• 100 prosent av forfattersidene inneholder en stabil profiladresse
• 100 prosent av rolleendringer inkluderer datoer
• Færre enn 1 prosent av verkene er feilaktig tildelt en forfatter
• Metadatkorreksjoner fullføres innen 30 dager
• Endringer i nåværende ansettelse vises innen syv dager
• Retraksjoner og formelle korreksjoner reflekteres omgående

For studien av siteringer fra kunstig intelligens, spor:

• Korrekt forfatterattribusjonsrate
• Gyldig DOI-rate
• Siteringspresisjon
• Siteringsgjenkalling
• Verk siteringsfrekvens
• Systemoverskridende samsvar
• Tid fra metadatakorreksjon til forbedret indeksering
• Forskjell mellom profiloppdagelse og endelig svar sitering

Organisasjonen bør rapportere disse målene etter disiplin, språk, karrieretrinn og navnets vanligheten. Ellers kan en gjennomsnittlig score skjule ulik utfall.

Risikoer og sikkerhetstiltak

Forfatterhuber kan skape nye risikoer hvis de blir et portvoktersystem.

Organisasjoner bør ikke:

• Straffe forskere som holder noe ORCID-informasjon privat
• Behandle en offentlig Google Scholar-profil som bevis på kvalitet
• Bruke siteringsantall som erstatning for fagfellevurdering
• Publisere personlige kontaktdetaljer unødvendig
• Avlede ekspertise fra institusjonell prestisje alene
• Krever at hver forsker bruker den samme offentlige profiltjenesten
• Behandle manglende identifikatorer som bevis på uredelighet
• Tillate automatiserte systemer å overskrive oppføringer uten gjennomgang

ORCID-adopsjon og metadatakvalitet varierer etter fagfelt, land, karrieretrinn og publikasjonstype. Et rettferdig system må støtte manuell korreksjon, personvernkontroller, navnemangfold og personer hvis arbeid ikke er godt representert av tidsskriftpublikasjonsmetrikk.

Konklusjon

En sterk forfatterhub er ikke et personlig merkevareprosjekt. Det er et maskinlesbart bevisystem.

• ORCID kobler en person til en vedvarende identitet.
• Crossref og DataCite kobler verk til stabile identifikatorer og rike metadata.
• Research Organization Registry-identifikatorer kobler mennesker og verk til institusjoner.
• Bidragsyterroller viser hva hver person faktisk gjorde.
• Institusjonelle og forskerprofiler gir offentlig kontekst.
• Strukturerte data hjelper søkesystemer med å tolke forholdene.
• Styring og versjonshistorikk viser hva som er aktuelt, hva som var sant tidligere, og hvem som bekreftet hver påstand.

Den sannsynlige fordelen er ikke et automatisk rangeringsopprykk. Fordelen er en sterkere kjede fra person → verk → organisasjon → bevis.

Organisasjoner bør derfor forplikte seg til to ting:

1. Standardisere og vedlikeholde metadataene.
2. Måle kunstig intelligens sin siteringsatferd i stedet for å anta en effekt.

Den mest troverdige forfatterhuben er ikke den med flest merker. Det er den hvis viktige påstander er vedvarende, sammenkoblet, kildebelagt, aktuelle og enkle å verifisere.