Budowanie centrów autorów: ORCID, Crossref i profile naukowe jako podstawy zaufania

Budowanie centrów autorów: ORCID, Crossref i profile naukowe jako podstawy zaufania

Centra autorów to publiczne, powiązane ze sobą rekordy, które pomagają ludziom i maszynom odpowiedzieć na trzy podstawowe pytania:

1. Kto stworzył tę pracę?
2. Czym dokładnie jest ta praca?
3. Dlaczego ktokolwiek powinien ufać połączeniu między osobą, pracą a organizacją?

Dla ludzkich czytelników centrum autorów może wyglądać jak strona profilowa z biografią, publikacjami, kwalifikacjami i linkami. Dla systemów sztucznej inteligencji bardziej użyteczne jest postrzeganie go jako powiązanego grafu dowodów.

Silne centrum autorów łączy:

• Osobę z ORCID iD
• Publikację, zbiór danych, raport lub pakiet oprogramowania z Cyfrowym Identyfikatorem Obiektu (DOI)
• Pracę z kompletnymi metadanymi Crossref lub DataCite
• Badacza ze zweryfikowanymi afiliacjami i organizacjami
• Profil publiczny ze stabilną stroną internetową instytucji
• Wkłady w jasne role, takie jak te w Taksonomii Ról Współpracowników
• Obecne i przeszłe role z datami, źródłami i rekordami aktualizacji

Te połączenia mogą poprawić rozpoznawanie tożsamości, wyszukiwanie, dokładność cytowania i weryfikację źródła. Nie gwarantują one, że system sztucznej inteligencji zacytuje autora. Nie ma wiarygodnych publicznych dowodów na to, że dodanie jednego ORCID iD powoduje stały wzrost cytowań przez sztuczną inteligencję. Silniejsze twierdzenie jest węższe i bardziej obronne: dobre metadane tożsamości i pracy ułatwiają systemom wyszukiwania i badawczym znajdowanie, dopasowywanie, weryfikowanie i poprawne cytowanie materiałów naukowych.

Ten artykuł odzwierciedla publiczną dokumentację i badania dostępne na dzień 13 sierpnia 2026.

Dlaczego centra autorów są ważne dla systemów sztucznej inteligencji

Systemy sztucznej inteligencji nie wszystkie używają tych samych indeksów wyszukiwania, baz danych ani metod rankingowych. Niektóre opierają się na wyszukiwaniu w sieci na żywo. Inne wykorzystują naukowe bazy danych, licencjonowane indeksy, wewnętrzne repozytoria wiedzy lub systemy wyszukiwania, które przeszukują dokumenty przed wygenerowaniem odpowiedzi.

Mimo to wiele systemów boryka się z tymi samymi problemami technicznymi:

• Nazwiska mogą być pisane na różne sposoby.
• Kilku badaczy może mieć to samo nazwisko.
• Praca może mieć preprint, wersję konferencyjną, zaakceptowany manuskrypt i wersję ostateczną.
• Artykuł naukowy może być powiązany ze zbiorem danych, pakietem oprogramowania, grantem lub korektą.
• Autor może zmienić instytucję lub nazwisko.
• Strona internetowa może opisywać kwalifikację bez wskazywania, kto ją wydał lub kiedy była ważna.

Trwałe identyfikatory i ustrukturyzowane metadane pomagają rozwiązać te problemy.

System Cyfrowych Identyfikatorów Obiektu (DOI) opisuje identyfikator jako trwałą nazwę dla obiektu cyfrowego, fizycznego lub abstrakcyjnego. Jego wartość zależy nie tylko od identyfikatora, ale także od metadanych z nim połączonych. Podręcznik DOI (doi.org)

Użytecznym sposobem myślenia o centrum autorów jest postrzeganie go jako czterech połączonych warstw:

Celem nie jest stworzenie profilu pełnego imponujących słów. Celem jest stworzenie rekordu, w którym ważne twierdzenia mogą być sprawdzone.

Trzy główne części centrum autorów

1. ORCID: Warstwa tożsamości osoby

ORCID oznacza Open Researcher and Contributor ID (Otwarty Identyfikator Badacza i Współpracownika). Zapewnia trwały identyfikator dla osoby i pomaga odróżnić badaczy, którzy mają podobne nazwiska, używają różnych form imion lub zmieniają nazwiska w czasie. Przegląd ORCID (support.orcid.org)

Rekord ORCID może zawierać:

• Imiona i nazwiska oraz ich warianty
• Zatrudnienie i wykształcenie
• Prace badawcze
• Finansowanie
• Działalność recenzencka
• Usługi redakcyjne
• Członkostwa i wyróżnienia
• Zasoby badawcze
• Linki do innych identyfikatorów

Najważniejszą cechą nie jest sam 16-cyfrowy numer. Jest to sieć wspieranych połączeń przypisanych do tego numeru.

Na przykład:

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

Uwierzytelnione połączenia są silniejsze

Organizacje powinny zbierać ORCID iD poprzez uwierzytelniony proces logowania, zamiast prosić ludzi o wpisywanie identyfikatora w formularz. ORCID zaleca używanie swojego procesu autoryzacji, aby badacz potwierdził poprawny rekord. Wytyczne dotyczące integracji ORCID i interfejsu programowania aplikacji (info.orcid.org)

Ta różnica ma znaczenie:

• Niezweryfikowane twierdzenie: „Ten ORCID iD należy do Jane Smith.”
• Uwierzytelnione twierdzenie: „Jane Smith zalogowała się za pośrednictwem ORCID i autoryzowała ten system do użycia jej iD.”
• Twierdzenie instytucjonalne: „Uniwersytet potwierdza, że ta osoba była związana z tą afiliacją w tych datach.”

ORCID przechowuje również źródło i pochodzenie twierdzeń. Praca lub afiliacja mogą być dodane przez badacza, wydawcę, sponsora lub inną zaufaną organizację. Wytyczne ORCID dotyczące zaufania (info.orcid.org)

Tworzy to użyteczny sygnał zaufania zarówno dla ludzi, jak i dla maszyn:

Rekord nie tylko mówi, co jest twierdzone. Może również pokazać, kto wysunął twierdzenie i kiedy zostało ono dodane.

Ważne ograniczenie

ORCID iD nie jest gwarancją, że każdy element w rekordzie jest poprawny. Sam ORCID zachęca użytkowników do badania znaczników zaufania, źródeł, dat oraz organizacji, które dodały informacje. Znaczniki zaufania ORCID (info.orcid.org)

Dlatego organizacje nie powinny traktować „posiadania ORCID iD” jako równoznacznego z „pełną weryfikacją”. Lepszy model to:

• Zadeklarowany przez samego siebie
• Uwierzytelniony
• Potwierdzony instytucjonalnie
• Potwierdzony przez wydawcę
• Potwierdzony przez sponsora
• Ostatnio zrecenzowany

2. Crossref i DataCite: Warstwa tożsamości pracy

ORCID identyfikuje osobę. Crossref i DataCite pomagają zidentyfikować pracę.

Cyfrowy Identyfikator Obiektu (DOI) może identyfikować:

• Artykuły naukowe
• Książki i rozdziały książek
• Artykuły konferencyjne
• Zbiory danych
• Oprogramowanie
• Raporty
• Preprinty
• Recenzje eksperckie
• Standardy
• Postery i prezentacje

DOI powinien prowadzić do stabilnej strony docelowej. Co ważniejsze, powinien zawierać kompletne metadane opisujące pracę.

Crossref zaleca rejestrowanie informacji takich jak:

• Nazwisko i imię
• Role współautorów
• Afiliacje
• Identyfikatory organizacji
• ORCID iD
• Daty publikacji
• Streszczenia
• Referencje
• Finansowanie
• Licencje
• Informacje o wersji
• Aktualizacje i korekty

Wymagane i zalecane metadane Crossref (crossref.org)

Crossref opisuje swoje metadane jako wspólny zasób, do którego można uzyskać dostęp za pośrednictwem interfejsów internetowych, interfejsów programowania aplikacji i zbiorczego pobierania. Systemy niższego poziomu mogą wykorzystywać te informacje do odkrywania i łączenia wyników naukowych. Pobieranie metadanych Crossref (crossref.org)

DataCite pełni podobną funkcję dla zbiorów danych i wielu innych wyników badań. Jej obecny schemat metadanych 4.7, opublikowany 3 marca 2026 roku, obsługuje twórców, współautorów, identyfikatory ORCID, afiliacje, identyfikatory organizacji, powiązane identyfikatory, finansowanie, opisy i typy zasobów. Schemat metadanych DataCite (schema.datacite.org)

DataCite w szczególności zaleca łączenie rekordów twórców i współautorów z identyfikatorami ORCID, a afiliacji organizacji z identyfikatorami organizacji. Identyfikatory nazw DataCite (support.datacite.org)

DOI nie jest odznaką jakości

DOI dowodzi, że rekord istnieje w systemie rejestracji DOI. Nie dowodzi, że:

• Badania są poprawne
• Publikacja została poddana recenzji eksperckiej
• Czasopismo jest renomowane
• Autor jest ekspertem
• Wyniki są ważne

Crossref jasno to podkreśla: sam DOI nie oznacza wartości ani dokładności obiektu. Otaczające metadane dostarczają kontekstu i umożliwiają połączenia. Wytyczne Crossref dotyczące DOI (support.crossref.org)

Dlatego kompletny rekord DOI jest znacznie bardziej użyteczny niż ciąg znaków DOI umieszczony na dole strony.

Role współautorów dodają znaczenia

W lipcu 2026 roku schemat Crossref 5.5 wprowadził lepsze wsparcie dla wielu ról współautorów, autorów korespondencyjnych oraz Taksonomii Ról Współpracowników. Schemat Crossref 5.5 (crossref.org)

Taksonomia Ról Współpracowników zawiera 14 ról, w tym:

• Konceptualizacja
• Kuracja danych
• Analiza formalna
• Badanie
• Metodologia
• Oprogramowanie
• Nadzór
• Walidacja
• Wizualizacja
• Pisanie pierwotnej wersji roboczej
• Pisanie, recenzowanie i edycja

Taksonomia została zaprojektowana w celu zwiększenia przejrzystości wkładów i wspierania uznania, odpowiedzialności, oceny badań oraz ich integralności. Taksonomia Ról Współpracowników (credit.niso.org)

Dla systemów sztucznej inteligencji tworzy to bogatszą odpowiedź niż „Jane Smith jest autorem”. System może potencjalnie rozróżniać między:

• Osobą, która zaprojektowała badanie
• Osobą, która napisała oprogramowanie
• Osobą, która przeanalizowała dane
• Osobą, która nadzorowała projekt
• Osobą, która napisała oryginalny manuskrypt

Jest to szczególnie ważne dla dużych zespołów badawczych i projektów technicznych.

3. Profile naukowe: Warstwa kontekstu

Profile naukowe sprawiają, że graf tożsamości jest zrozumiały dla ludzi i łatwiejszy do interpretacji dla systemów wyszukiwania.

Solidny profil powinien zawierać:

• Stabilną stronę instytucjonalną
• Spójne nazwisko
• Warianty nazwiska, gdy jest to stosowne
• ORCID iD
• Obecne i przeszłe afiliacje
• Obszary badań
• Wybrane prace z linkami DOI
• Zbiory danych, oprogramowanie i raporty
• Finansowanie i nagrody
• Role redakcyjne lub recenzenckie
• Role współautorów
• Daty dla obecnych i przeszłych stanowisk
• Datę ostatniej weryfikacji
• Linki do innych publicznych profili

Profile Google Scholar umożliwiają badaczom listowanie publikacji, upublicznianie profilu, sprawdzanie, kto cytuje ich prace, oraz śledzenie metryk cytowań. Publiczny profil z zweryfikowanym instytucjonalnym adresem e-mail może być kwalifikowany do pojawienia się w wynikach wyszukiwania Google Scholar. Profile Google Scholar (scholar.google.com)

Jednakże Google Scholar powinien być traktowany jako warstwa widoczności i odkrywania, a nie jako główne źródło prawdy. Badacze mogą zarządzać własnymi listami publikacji, a automatyczne dopasowywanie może obejmować niepoprawne lub zduplikowane prace. Liczby cytowań również różnią się w zależności od baz danych.

OpenAlex oferuje kolejną użyteczną warstwę odkrywania. Utrzymuje jednoznaczne rekordy autorów i łączy autorów, prace, instytucje, źródła i tematy. OpenAlex twierdzi, że czerpie informacje ze źródeł takich jak Crossref i DataCite, a następnie dopasowuje autorów do ORCID iD, a afiliacje do identyfikatorów organizacji. Opis ekosystemu OpenAlex (help.openalex.org)

Najlepszą praktyką jest zatem federacja profili:

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

Żaden pojedynczy profil nie musi zawierać wszystkiego. Powinny one wskazywać na siebie nawzajem i używać tych samych identyfikatorów.

Jak te sygnały mogą wpływać na cytowania sztucznej inteligencji

Ważne jest, aby rozróżnić pięć różnych zdarzeń:

1. Odkrywanie: Czy system może znaleźć stronę lub pracę?
2. Rozpoznawanie tożsamości: Czy potrafi rozróżnić, która osoba i organizacja są zaangażowane?
3. Wyszukiwanie: Czy system włącza pracę do swojego zbioru dowodów?
4. Wybór cytowania: Czy cytuje pracę w odpowiedzi?
5. Poprawność cytowania: Czy cytowanie wskazuje na właściwą pracę i wspiera twierdzenie?

Metadane ORCID, DOI oraz profile naukowe mogą najbardziej bezpośrednio pomóc w trzech pierwszych krokach. Mogą również poprawić poprawność cytowania. Ich wpływ na wybór cytowania prawdopodobnie zależy od trafności tematu, jakości źródła, aktualności, dostępności oraz konkretnego systemu sztucznej inteligencji.

Dokumentacja Google Search zaleca używanie strony autora, linków url i sameAs w celu identyfikacji autorów artykułów. Dla zbiorów danych Google w szczególności zaleca używanie ORCID iD w właściwości sameAs dla twórcy osoby. Dane strukturalne artykułów Google Dane strukturalne zbiorów danych Google (developers.google.com)

Prosta strona profilowa mogłaby używać danych strukturalnych w ten sposób:

{ "@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" } ] }

Dane strukturalne nie gwarantują funkcji wyszukiwania ani cytowania przez sztuczną inteligencję. Google stwierdza, że nawet poprawnie zaimplementowane dane strukturalne mogą nie pojawić się w wynikach wyszukiwania. Ich wartość polega na tym, że dają maszynom jasny, standardowy sposób interpretacji strony. Wytyczne Google dotyczące danych strukturalnych (developers.google.com)

Praktyczny wniosek jest następujący:

Identyfikatory poprawiają ścieżkę do dowodów. Nie zastępują dowodów.

Co obecne badania mówią o cytowaniach sztucznej inteligencji

Badania nad zachowaniem sztucznej inteligencji w zakresie cytowania skupiały się głównie na dokładności cytowania, wyborze źródeł i weryfikowalności. Nie opracowano jeszcze wiarygodnej, ogólnej oceny wpływu siły tożsamości powiązanej z ORCID.

Badanie z 2023 roku dotyczące cytowań generowanych przez ChatGPT wykazało znaczące wskaźniki sfabrykowanych referencji i błędów w rzeczywistych referencjach. Badanie objęło 636 cytowań wygenerowanych w 84 artykułach i wykazało, że problemy z cytowaniem utrzymywały się nawet w nowszym testowanym modelu. Badanie Scientific Reports (nature.com)

Inne badanie generatywnych wyszukiwarek wykazało, że wiele wygenerowanych zdań nie było w pełni popartych cytowaniami, a wiele cytowań nie wspierało w wystarczającym stopniu towarzyszących im stwierdzeń. Ocena weryfikowalności w generatywnych wyszukiwarkach (arxiv.org)

Ostatnie badania pokazują również, że generatywne systemy wyszukiwania różnią się w wyborze źródeł, ich nakładaniu się, stabilności oraz wykorzystaniu wiedzy wewnętrznej w porównaniu z zewnętrzną. Charakterystyka wyszukiwania w sieci w erze generatywnej sztucznej inteligencji (aclanthology.org)

Te odkrycia potwierdzają ostrożne stanowisko:

• DOI może zmniejszyć dwuznaczność dotyczącą cytowanej pracy.
• ORCID może zmniejszyć dwuznaczność dotyczącą osoby.
• Identyfikatory afiliacji mogą zmniejszyć dwuznaczność dotyczącą organizacji.
• Role współautorów mogą poprawić atrybucję.
• Publiczny profil może dostarczyć kontekstu.
• Żaden z tych sygnałów nie gwarantuje, że system odzyska lub zacytuje pracę.

Program badawczy do pomiaru siły tożsamości i częstotliwości cytowań sztucznej inteligencji

Organizacje nie powinny twierdzić, że centra autorów poprawiają cytowania sztucznej inteligencji, dopóki nie zmierzą tej zależności bezpośrednio.

Zdefiniuj wskaźnik siły tożsamości autora

Poniżej przedstawiono proponowany wskaźnik, nieoficjalny standard.

Nie uwzględniaj w tym wskaźniku liczby cytowań, prestiżu czasopism ani rankingu instytucji. Czynniki te powinny być traktowane jako oddzielne zmienne. Włączenie ich utrudniłoby określenie, czy sama siła tożsamości jest związana z częstotliwością cytowań.

Mierz więcej niż jeden rodzaj cytowania

Użyteczne badanie powinno śledzić co najmniej sześć wyników:

1. Współczynnik cytowań pracy
   Procent kwalifikujących się odpowiedzi, które cytują konkretną pracę.

2. Współczynnik przypisania autorstwa
   Procent odpowiedzi, które poprawnie nazywają lub przypisują pracę właściwemu autorowi.

3. Współczynnik ważnych identyfikatorów
   Procent cytowań zawierających DOI, które prowadzi do właściwej pracy.

4. Precyzja cytowania
   Procent cytowań, które faktycznie wspierają złożone stwierdzenie.

5. Kompletność cytowania
   Procent ważnych źródeł wspierających, które system cytuje.

6. Stabilność międzyplatformowa
   Procent cytowań powtarzających się w różnych systemach lub powtarzających się uruchomieniach.

Niedawne ramy pomiarowe dla wyszukiwania generatywnego rozdzielają wybór cytowań od wchłaniania cytowań, co oznacza, czy źródło jedynie pojawia się na liście cytowań, czy faktycznie dostarcza dowodów do odpowiedzi. To rozróżnienie powinno być uwzględnione w przyszłych badaniach centrów autorów. Ramy wyboru i wchłaniania cytowań (arxiv.org)

Badanie pierwsze: Badanie korelacyjne obserwacyjne

To badanie zadaje pytanie:

Czy prace powiązane z silniejszymi tożsamościami autorów są częściej cytowane przez systemy sztucznej inteligencji po uwzględnieniu czynników tematycznych i publikacyjnych?

Sugerowany projekt

• Próbka od 10 000 do 50 000 prac naukowych
• Obejmująca kilka dyscyplin, języków i typów publikacji
• Wykorzystanie danych z Crossref, DataCite, OpenAlex oraz publicznych danych ORCID
• Obliczenie wskaźnika siły tożsamości dla każdego autora i pracy
• Stworzenie zestawu pytań, dla których próbkowane prace są istotne
• Uruchomienie pytań w kilku systemach generujących cytowania
• Powtórzenie każdego pytania kilka razy
• Zapisanie daty, systemu, ustawień modelu, regionu i cytowanych źródeł

Ważne zmienne kontrolne

Badanie powinno kontrolować:

• Trafność tematyczną
• Rok publikacji
• Status otwartego dostępu
• Dostępność streszczeń
• Dostępność pełnego tekstu
• Miejsce publikacji
• Istniejącą liczbę cytowań naukowych
• Reputację instytucjonalną
• Język
• Szybkość strony i możliwość indeksowania przez roboty
• Typ pracy
• Powszechność nazwiska autora
• Liczbę współautorów
• Sformułowanie zapytania
• System wyszukiwania

Główny model statystyczny mógłby oszacować:

text Probability of correct citation = identity strength

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

Regresja logistyczna lub model efektów mieszanych byłyby odpowiednie dla wyniku typu „tak” lub „nie”, np. czy praca została zacytowana. Model ujemny dwumianowy może być użyteczny dla liczby cytowań, ponieważ dane dotyczące cytowań są często nierównomiernie rozłożone.

Wynik powinien być przedstawiony jako iloraz szans z przedziałem ufności, a nie jako prosty procent. Na przykład:

Zwiększenie siły tożsamości o jedno odchylenie standardowe było związane ze zmianą prawdopodobieństwa cytowania po uwzględnieniu trafności, wieku, dostępności i wcześniejszego zainteresowania naukowego.

Badanie powinno również raportować wyniki zerowe. Stwierdzenie braku związku byłoby użyteczne, ponieważ pokazałoby, że identyfikatory poprawiają jakość danych bez konieczności zmiany zachowania sztucznej inteligencji w zakresie cytowania.

Badanie drugie: Kontrolowany eksperyment metadanych

Badanie obserwacyjne może pomylić siłę tożsamości z popularnością. Kontrolowany eksperyment może izolować niektóre efekty.

Istnieją dwie praktyczne wersje.

Wersja A: Publiczny eksperyment internetowy

Stwórz dopasowane strony z tą samą treścią merytoryczną, ale różnymi sposobami obróbki metadanych:

• Tylko podstawowe imię i nazwisko autora
• Imię i nazwisko autora plus profil instytucjonalny
• Imię i nazwisko autora plus link do ORCID
• Imię i nazwisko autora, ORCID, DOI, identyfikator afiliacji i dane strukturalne

Opublikuj strony jednocześnie i monitoruj:

• Odkrywanie w wyszukiwarkach
• Prawidłowe dopasowanie autora
• Wyszukiwanie do odpowiedzi sztucznej inteligencji
• Częstotliwość cytowań
• Poprawność cytowania

Ten eksperyment musi być interpretowany ostrożnie. Publiczne systemy mogą indeksować strony w różnym czasie, a organizacje nie mogą łatwo zmieniać rekordów Crossref lub DataCite dla już opublikowanej pracy.

Wersja B: Kontrolowany indeks badawczy

Zbuduj mały system wyszukiwania zawierający te same dokumenty w różnych warunkach metadanych. Zmieniaj tylko:

• Identyfikator autora
• DOI
• Afiliacja
• Rola współautora
• Linki do profili
• Pola pochodzenia

Następnie zadaj te same pytania i zmierz wyszukiwanie oraz wybór cytowań. Ten eksperyment zapewnia lepszą kontrolę, ale mierzy system badawczy, a nie platformy komercyjne.

Badanie trzecie: Stopniowe wdrożenie organizacyjne

Najsilniejszym praktycznym projektem jest badanie różnic w różnicach.

Organizacja może wdrażać centra autorów etapami:

• Dział pierwszy otrzymuje pełny program w październiku 2026 roku.
• Dział drugi otrzymuje go w styczniu 2027 roku.
• Dział trzeci otrzymuje go w kwietniu 2027 roku.

Wszystkie działy są mierzone przed i po wdrożeniu. Działy, które jeszcze nie otrzymały programu, służą jako tymczasowe grupy porównawcze.

Mierz:

• Prawidłowe przypisanie autorstwa
• Rozpoznawanie DOI
• Częstotliwość cytowań
• Dokładność cytowania
• Wyświetlenia w wyszukiwarkach
• Wizyty na stronach profili
• Czas potrzebny na poprawienie błędnych metadanych

Ten projekt jest silniejszy niż proste porównanie przed i po, ponieważ pomaga oddzielić efekt wdrożenia od szerszych zmian w systemach sztucznej inteligencji.

Hipotezy warte przetestowania

Organizacje mogą wstępnie zarejestrować te hipotezy:

• H1: Silniejsze powiązania tożsamości poprawiają prawidłowe przypisanie autorstwa.
• H2: Kompletne metadane DOI poprawiają wskaźniki ważnych cytowań.
• H3: Identyfikatory afiliacji pomagają najbardziej, gdy autorzy mają popularne nazwiska lub przenoszą się między instytucjami.
• H4: Profile naukowe poprawiają odkrywanie bardziej niż poprawiają ostateczną częstotliwość cytowań.
• H5: Siła tożsamości ma większy wpływ na autorów z długiego ogona niż na już znanych autorów.
• H6: Efekt różni się w zależności od systemu, tematu, języka i typu publikacji.
• H7: Aktualność i trafność tematyczna są ważniejsze niż dekoracja profilu.

Jakie kwalifikacje powinny być publikowane?

Profil powinien publikować kwalifikacje, które można sprawdzić. Każda kwalifikacja powinna zawierać:

• Typ kwalifikacji
• Osoba, która ją posiada
• Instytucja wydająca
• Trwały identyfikator organizacji, jeśli jest dostępny
• Daty rozpoczęcia i zakończenia
• Źródło weryfikacji
• Status, taki jak aktualny, wygasły, sporny lub zarchiwizowany
• Data ostatniej weryfikacji

Organizacje powinny oznaczać źródło każdej kwalifikacji:

• Zadeklarowane przez samego siebie
• Zweryfikowane instytucjonalnie
• Zweryfikowane przez wydawcę
• Zweryfikowane przez sponsora
• Zaimportowane z rejestru
• Oczekuje na weryfikację

Unikaj publikowania niepopartych etykiet, takich jak „wiodący ekspert” lub „światowej sławy badacz”. Zastąp je dowodami:

• Liczba i typ prac
• Obszary badań
• Zweryfikowane role
• Projekty finansowane
• Usługi redakcyjne
• Publiczne zbiory danych lub oprogramowanie
• Nominacje instytucjonalne

Takie podejście jest bardziej użyteczne zarówno dla czytelników, jak i dla maszyn.

Plan wdrożenia dla organizacji

Faza pierwsza: Stwórz politykę metadanych

Wyznacz niewielką grupę zarządzającą z przedstawicielami z:

• Administracji badań
• Usług bibliotecznych
• Technologii informatycznych
• Komunikacji
• Usług wydawniczych lub repozytoryjnych
• Prywatności
• Integralności badań

Stwórz krótką politykę danych, która definiuje:

• Pola wymagane
• Zatwierdzone systemy identyfikatorów
• Kto może zatwierdzić każde pole
• Które pola są publiczne
• Jak są obsługiwane korekty
• Jak długo powinny trwać aktualizacje
• Co się dzieje, gdy osoba odchodzi

Użyj jednolitej umowy danych dla wszystkich systemów. Minimalnie, każdy rekord osoby, pracy, organizacji i kwalifikacji powinien zawierać:

text persistent_id display_name source asserted_by valid_from valid_to last_verified status evidence_url

Faza druga: Zbieraj uwierzytelnione identyfikatory

Poproś badaczy o połączenie ich rekordów ORCID poprzez uwierzytelniony proces. Nie obarczaj instytucji odpowiedzialnością za zgadywanie, który ORCID iD należy do danej osoby.

Jednocześnie:

• Przypisz identyfikatory organizacji działom i instytucjom
• Połącz rekordy pracowników z ORCID
• Dopasuj istniejące publikacje do rekordów DOI
• Oznaczaj kolizje nazwisk
• Zachowaj alternatywne formy nazwisk
• Rejestruj zgodę i ustawienia widoczności

Faza trzecia: Popraw metadane DOI

Dla nowych prac wymagaj, aby proces publikacji zbierał:

• Pełne nazwiska autorów
• Uwierzytelnione ORCID iD
• Afiliacje
• Identyfikatory organizacji
• Role współautorów
• Identyfikatory finansowania
• Streszczenia
• Referencje
• Licencje
• Informacje o wersji i aktualizacjach

Dla starszych prac zacznij od ostatnich pięciu lat i najczęściej używanych autorów organizacji.

Crossref i DataCite powinny otrzymywać korekty i aktualizacje, a nie tylko pierwotny depozyt. Ciągi znaków DOI pozostają trwałe, natomiast powiązane metadane mogą być utrzymywane. Utrzymywanie metadanych Crossref (crossref.org)

Faza czwarta: Twórz kanoniczne strony autorów

Każdy badacz powinien mieć jedną stabilną stronę instytucjonalną. Ta strona powinna:

• Używać stałego adresu internetowego
• Pokazywać aktualną rolę
• Zachować poprzednie role z datami
• Linkować do ORCID
• Linkować do wybranych rekordów DOI
• Linkować do publicznych profili naukowych
• Pokazywać obszary badań
• Wyświetlać datę ostatniej aktualizacji
• Używać danych strukturalnych
• Pozostawać dostępną dla robotów wyszukiwarek
• Unikać wymagania logowania

Google zaleca używanie jasnych adresów URL autorów i linków sameAs, aby pomóc w rozróżnianiu autorów. Wytyczne Google dotyczące znaczników autora (developers.google.com)

Faza piąta: Federuj i monitoruj profile

Połącz stronę instytucjonalną z:

• ORCID
• Google Scholar
• OpenAlex
• Stronami wydawców
• Rekordami repozytoriów
• Stronami grantów
• Publicznymi profilami zawodowymi, gdzie jest to stosowne

Używaj zautomatyzowanych kontroli, aby znaleźć:

• Uszkodzone linki DOI
• Brakujące linki ORCID
• Zduplikowanych autorów
• Błędne dopasowania współautorów
• Stare afiliacje
• Wygasłe kwalifikacje
• Brakujące daty aktualizacji
• Niezgodne nazwiska
• Wycofania lub korekty

Zarządzanie aktualizacjami i zmianami ról

Centrum autorów musi zachować historię. Nie powinno przepisywać przeszłości za każdym razem, gdy osoba zmienia pracę.

Zalecana hierarchia źródeł

Gdy badacz zmienia instytucję

Nie usuwaj starej afiliacji z prac historycznych.

Zamiast tego:

1. Dodaj datę zakończenia do poprzedniego rekordu zatrudnienia.
2. Dodaj nową afiliację z datą rozpoczęcia.
3. Zaktualizuj profil instytucjonalny.
4. Zachowaj niezmienione historyczne afiliacje publikacji, chyba że wydawca wyda korektę.
5. Zaktualizuj rekord ORCID poprzez właściwe źródło.
6. Przekieruj starą stronę profilową do strony zarchiwizowanej lub nowej.

Gdy osoba zmienia nazwisko

Użyj ORCID do połączenia wariantów nazwisk. Dodaj poprzednie lub alternatywne nazwiska, jeśli badacz wyrazi na to zgodę. Nie zmieniaj nazwiska autora w opublikowanym rekordzie DOI jedynie po to, aby dopasować je do aktualnego profilu.

Celem trwałego identyfikatora jest łączenie prac pomimo zmian nazwisk, bez przepisywania rekordu publikacji.

Gdy rola współautora się zmienia

Rola współautora w ukończonej pracy powinna być traktowana jako część rekordu historycznego.

Na przykład:

• Rola osoby w opublikowanym artykule nie powinna się zmieniać dlatego, że później została ona kierownikiem katedry.
• Rola redakcyjna powinna mieć datę rozpoczęcia i zakończenia.
• Rola w grancie powinna być związana z okresem trwania grantu.
• Rola w oprogramowaniu powinna być związana z wersją lub wydaniem.

Jeśli oryginalny rekord wkładu jest błędny, użyj formalnego procesu korekty. Nie nadpisuj go bezgłośnie.

Gdy kwalifikacja wygasa

Użyj jasnych wartości statusu:

• Aktualny
• Wygasły
• Odnowiony
• Zawieszony
• Sporny
• Zarchiwizowany

Automatyczne przypomnienia powinny być wysyłane przed wygaśnięciem. Publiczne profile powinny pokazywać status i datę, zamiast pozostawiać nieaktualną kwalifikację widoczną bez wyjaśnienia.

Gdy badacz opuszcza organizację

Organizacja powinna:

• Zachować historyczny profil
• Jasno oznaczyć poprzednią rolę
• Zachować linki do opublikowanych prac
• Przekazać własność profilu
• Ustawić przekierowanie dla poprzedniej strony
• Usunąć prywatne dane kontaktowe
• Zachować instytucjonalne twierdzenia, które były prawdziwe w okresie poprzedniego zatrudnienia

Gdy autorstwo jest sporne

Zablokuj sporne pole, zachowaj oryginalne źródło i zarejestruj spór. Nie usuwaj autora ani nie zmieniaj ról wkładu wyłącznie na podstawie nieformalnej prośby.

Biuro ds. integralności badań, wydawca lub odpowiedzialny organ projektu powinny określić formalną ścieżkę korekty.

Miary sukcesu

Organizacje powinny śledzić jakość operacyjną, zanim obiecają zwiększoną widoczność w sztucznej inteligencji.

Sugerowane cele obejmują:

• 95 procent aktywnych badaczy ma uwierzytelnione ORCID iD
• 95 procent nowych prac zawiera ORCID, jeśli jest dostępne
• 95 procent afiliacji używa trwałego identyfikatora organizacji
• 100 procent nowych depozytów DOI przechodzi walidację metadanych
• 100 procent stron autorów zawiera stabilny adres profilu
• 100 procent zmian ról zawiera daty
• Mniej niż 1 procent prac jest nieprawidłowo przypisanych autorowi
• Korekty metadanych są zakończone w ciągu 30 dni
• Zmiany obecnego zatrudnienia pojawiają się w ciągu siedmiu dni
• Wycofania i formalne korety są odzwierciedlane bezzwłocznie

Dla badania cytowań sztucznej inteligencji śledź:

• Wskaźnik prawidłowego przypisania autorstwa
• Wskaźnik ważnych DOI
• Precyzję cytowania
• Kompletność cytowania
• Częstotliwość cytowań pracy
• Zgodność między systemami
• Czas od korekty metadanych do ulepszonego indeksowania
• Różnicę między odkrywaniem profilu a cytowaniem w końcowej odpowiedzi

Organizacja powinna raportować te miary według dyscypliny, języka, etapu kariery i powszechności nazwisk. W przeciwnym razie średni wynik może ukrywać nierówne rezultaty.

Ryzyka i zabezpieczenia

Centra autorów mogą tworzyć nowe ryzyka, jeśli staną się systemem kontroli dostępu.

Organizacje nie powinny:

• Karać badaczy, którzy zachowują niektóre informacje ORCID w prywatności
• Traktować publicznego profilu Google Scholar jako dowodu jakości
• Używać liczby cytowań jako substytutu recenzji eksperckiej
• Niepotrzebnie publikować prywatnych danych kontaktowych
• Wywodzić ekspertyzy wyłącznie z prestiżu instytucjonalnego
• Wymagać od każdego badacza korzystania z tej samej publicznej usługi profilowej
• Traktować brakujących identyfikatorów jako dowodu niewłaściwego postępowania
• Zezwalać zautomatyzowanym systemom na nadpisywanie rekordów bez weryfikacji

Przyjęcie ORCID i jakość metadanych różnią się w zależności od dziedziny, kraju, etapu kariery i typu publikacji. Sprawiedliwy system musi wspierać ręczną korektę, kontrolę prywatności, różnorodność nazwisk oraz osoby, których praca nie jest dobrze reprezentowana przez metryki publikacji czasopism.

Podsumowanie

Silne centrum autorów nie jest projektem osobistego brandingu. Jest to system dowodowy czytelny dla maszyn.

• ORCID łączy osobę z trwałym identyfikatorem.
• Crossref i DataCite łączą prace ze stabilnymi identyfikatorami i bogatymi metadanymi.
• Identyfikatory Rejestru Organizacji Badawczych (ROR) łączą ludzi i prace z instytucjami.
• Role współautorów pokazują, co faktycznie zrobiła każda osoba.
• Profile instytucjonalne i naukowe zapewniają publiczny kontekst.
• Dane strukturalne pomagają systemom wyszukiwania interpretować zależności.
• Zarządzanie i historia wersji pokazują, co jest aktualne, co było prawdziwe w przeszłości i kto potwierdził każde twierdzenie.

Prawdopodobną korzyścią nie jest automatyczne zwiększenie pozycji w rankingu. Korzyścią jest silniejszy łańcuch od osoby → pracy → organizacji → dowodu.

Organizacje powinny zatem podjąć dwa zobowiązania:

1. Standardyzuj i utrzymuj metadane.
2. Mierz zachowanie sztucznej inteligencji w zakresie cytowania, zamiast zakładać efekt.

Najbardziej wiarygodne centrum autora to nie to z największą liczbą odznak. To to, którego ważne twierdzenia są trwałe, powiązane, udokumentowane, aktualne i łatwe do zweryfikowania.