Создание авторских хабов: ORCID, Crossref и профили исследователей как основы доверия

Создание авторских хабов: ORCID, Crossref и профили исследователей как основы доверия

Авторские хабы — это общедоступные, взаимосвязанные записи, которые помогают людям и машинам ответить на три основных вопроса:

1. Кто создал эту работу?
2. Что именно представляет собой эта работа?
3. Почему следует доверять связи между человеком, работой и организацией?

Для читателей-людей авторский хаб может выглядеть как страница профиля с биографией, публикациями, квалификациями и ссылками. Для систем искусственного интеллекта полезнее рассматривать его как граф связанных доказательств.

Надежный авторский хаб связывает:

• Человека с ORCID iD
• Публикацию, набор данных, отчет или программный пакет с Цифровым идентификатором объекта
• Работу с полными метаданными Crossref или DataCite
• Исследователя с подтвержденными аффилиациями и организациями
• Общедоступный профиль со стабильной институциональной веб-страницей
• Вклады с четкими ролями, такими как те, что указаны в Таксономии ролей участников
• Текущие и прошлые роли с датами, источниками и записями об обновлениях

Эти связи могут улучшить разрешение неоднозначности идентификации, извлечение, точность цитирования и верификацию источников. Они не гарантируют, что система искусственного интеллекта процитирует автора. Нет достоверных публичных доказательств того, что добавление одного ORCID iD приводит к фиксированному увеличению цитирований искусственным интеллектом. Более сильное утверждение является более узким и более обоснованным: качественные метаданные личности и работы облегчают поисковым и исследовательским системам поиск, сопоставление, проверку и правильное цитирование научного материала.

Эта статья отражает общедоступную документацию и исследования, актуальные по состоянию на 13 августа 2026 года.

Почему авторские хабы важны для систем искусственного интеллекта

Не все системы искусственного интеллекта используют одни и те же поисковые индексы, базы данных или методы ранжирования. Некоторые полагаются на живой веб-поиск. Другие используют научные базы данных, лицензированные индексы, внутренние хранилища знаний или системы извлечения, которые ищут документы перед генерацией ответа.

Тем не менее, многие системы сталкиваются с одними и теми же техническими проблемами:

• Имена могут быть написаны по-разному.
• Несколько исследователей могут иметь одно и то же имя.
• Работа может иметь препринт, конференционную версию, принятую рукопись и окончательную версию.
• Журнальная статья может быть связана с набором данных, программным пакетом, грантом или исправлением.
• Автор может сменить учреждение или имя.
• Веб-страница может описывать квалификацию без указания, кто ее выдал или когда она была действительна.

Постоянные идентификаторы и структурированные метаданные помогают решить эти проблемы.

Система Цифровых идентификаторов объекта описывает идентификатор как постоянное имя для цифрового, физического или абстрактного объекта. Его ценность зависит не только от самого идентификатора, но и от связанных с ним метаданных. Руководство по DOI (doi.org)

Полезно рассматривать авторский хаб как четыре взаимосвязанных уровня:

Цель состоит не в создании профиля, полного впечатляющих слов. Цель — создать запись, в которой важные утверждения могут быть проверены.

Три основные части авторского хаба

1. ORCID: Уровень идентификации личности

ORCID расшифровывается как Open Researcher and Contributor ID (Открытый идентификатор исследователя и участника). Он предоставляет постоянный идентификатор для человека и помогает различать исследователей с похожими именами, использующих разные формы имен или меняющих свои имена со временем. Обзор ORCID (support.orcid.org)

Запись ORCID может содержать:

• Имена и варианты имен
• Трудоустройство и образование
• Научные работы
• Финансирование
• Рецензирование
• Редакторская деятельность
• Членство и награды
• Исследовательские ресурсы
• Ссылки на другие идентификаторы

Наиболее важной особенностью является не сам 16-значный номер. Это сеть поддерживаемых связей, прикрепленных к этому номеру.

Например:

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

Аутентифицированные соединения надежнее

Организациям следует собирать ORCID iD через процесс аутентифицированного входа, а не просить людей вводить идентификатор в форму. ORCID рекомендует использовать свой процесс авторизации, чтобы исследователь подтвердил правильность записи. Руководство по интеграции и API ORCID (info.orcid.org)

Это различие важно:

• Непроверенное утверждение: «Этот ORCID iD принадлежит Джейн Смит».
• Аутентифицированное утверждение: «Джейн Смит вошла через ORCID и разрешила этой системе использовать ее iD».
• Институциональное утверждение: «Университет подтверждает, что это лицо имело данную аффилиацию в указанные даты».

ORCID также хранит источник и происхождение утверждений. Работа или аффилиация могут быть добавлены исследователем, издателем, спонсором или другой доверенной организацией. Руководство по доверию ORCID (info.orcid.org)

Это создает полезный сигнал доверия как для людей, так и для машин:

Запись не только сообщает, что заявлено. Она также может показать, кто сделал заявление и когда оно было добавлено.

Важное ограничение

ORCID iD не является гарантией правильности каждого элемента в записи. Сам ORCID призывает пользователей проверять маркеры доверия, источники, даты и организации, добавившие информацию. Маркеры доверия ORCID (info.orcid.org)

Поэтому организации не должны считать, что «имеет ORCID iD» равнозначно «полностью проверено». Лучшая модель:

• Заявленный автором
• Аутентифицированный
• Подтвержденный учреждением
• Подтвержденный издателем
• Подтвержденный спонсором
• Недавно проверенный

2. Crossref и DataCite: Уровень идентификации работы

ORCID идентифицирует человека. Crossref и DataCite помогают идентифицировать работу.

Цифровой идентификатор объекта может идентифицировать:

• Журнальные статьи
• Книги и главы книг
• Доклады конференций
• Наборы данных
• Программное обеспечение
• Отчеты
• Препринты
• Рецензии
• Стандарты
• Постеры и презентации

DOI должен разрешаться на стабильную целевую страницу. Что более важно, он должен содержать полные метаданные, описывающие работу.

Crossref рекомендует записывать такую информацию, как:

• Фамилия и имя
• Роли участников
• Аффилиации
• Идентификаторы организаций
• ORCID iD
• Даты публикации
• Аннотации
• Ссылки
• Финансирование
• Лицензии
• Информация о версии
• Обновления и исправления

Обязательные и рекомендуемые метаданные Crossref (crossref.org)

Crossref описывает свои метаданные как общий ресурс, доступ к которому можно получить через веб-интерфейсы, программные интерфейсы приложений и массовые загрузки. Дальнейшие системы могут использовать эту информацию для обнаружения и связывания научных результатов. Извлечение метаданных Crossref (crossref.org)

DataCite выполняет аналогичную функцию для наборов данных и многих других исследовательских результатов. Ее текущая Схема метаданных 4.7, выпущенная 3 марта 2026 года, поддерживает авторов, участников, идентификаторы ORCID, аффилиации, идентификаторы организаций, связанные идентификаторы, финансирование, описания и типы ресурсов. Схема метаданных DataCite (schema.datacite.org)

DataCite специально рекомендует связывать записи авторов и участников с идентификаторами ORCID, а организационные аффилиации — с идентификаторами организаций. Идентификаторы имен DataCite (support.datacite.org)

DOI не является знаком качества

DOI подтверждает, что запись существует в системе регистрации DOI. Он не доказывает, что:

• Исследование корректно
• Публикация рецензирована
• Журнал авторитетен
• Автор является экспертом
• Выводы важны

Crossref ясно указывает на это: сам DOI не означает ценности или точности объекта. Окружающие метаданные предоставляют контекст и обеспечивают связи. Руководство по DOI Crossref (support.crossref.org)

Вот почему полная запись DOI гораздо полезнее, чем строка DOI, размещенная внизу страницы.

Роли участников добавляют смысл

В июле 2026 года в Crossref Schema 5.5 была добавлена улучшенная поддержка для множественных ролей участников, соответствующих авторов и Таксономии ролей участников. Crossref Schema 5.5 (crossref.org)

Таксономия ролей участников содержит 14 ролей, в том числе:

• Концептуализация
• Курация данных
• Формальный анализ
• Исследование
• Методология
• Программное обеспечение
• Руководство
• Валидация
• Визуализация
• Написание первоначального черновика
• Написание, рецензирование и редактирование

Таксономия была разработана для повышения прозрачности вкладов и поддержки признания, подотчетности, оценки исследований и честности в исследованиях. Таксономия ролей участников (credit.niso.org)

Для систем искусственного интеллекта это создает более богатый ответ, чем «Джейн Смит — автор». Система потенциально может различать:

• Человека, который разработал исследование
• Человека, который написал программное обеспечение
• Человека, который проанализировал данные
• Человека, который руководил проектом
• Человека, который написал оригинальную рукопись

Это особенно важно для больших исследовательских групп и технических проектов.

3. Профили исследователей: Уровень контекста

Профили исследователей делают граф идентификации понятным для людей и облегчают его интерпретацию поисковыми системами.

Надежный профиль должен включать:

• Стабильную институциональную страницу
• Последовательное имя
• Варианты имени, если применимо
• ORCID iD
• Текущие и прошлые аффилиации
• Области исследований
• Избранные работы со ссылками на DOI
• Наборы данных, программное обеспечение и отчеты
• Финансирование и награды
• Редакторские или рецензионные роли
• Роли участников
• Даты для текущих и прошлых должностей
• Дату последнего просмотра
• Ссылки на другие публичные профили

Профили Google Scholar позволяют исследователям перечислять публикации, делать профиль публичным, видеть, кто цитирует их работы, и отслеживать метрики цитирования. Публичный профиль с подтвержденным институциональным адресом электронной почты может быть квалифицирован для появления в результатах поиска Google Scholar. Профили Google Scholar (scholar.google.com)

Однако Google Scholar следует рассматривать как уровень видимости и обнаружения, а не как основной источник истины. Исследователи могут управлять своими списками публикаций, и автоматическое сопоставление может включать неверные или дублирующиеся работы. Количество цитирований также различается в разных базах данных.

OpenAlex предлагает еще один полезный уровень обнаружения. Он поддерживает однозначные записи авторов и связывает авторов, работы, учреждения, источники и темы. OpenAlex заявляет, что черпает информацию из таких источников, как Crossref и DataCite, а затем сопоставляет авторов с ORCID iD, а аффилиации — с идентификаторами организаций. Описание экосистемы OpenAlex (help.openalex.org)

Поэтому лучшей практикой является федерация профилей:

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

Ни один профиль не должен содержать все. Они должны ссылаться друг на друга и использовать одни и те же идентификаторы.

Как эти сигналы могут влиять на цитирования искусственным интеллектом

Важно разделить пять различных событий:

1. Обнаружение: Может ли система найти страницу или работу?
2. Разрешение неоднозначности идентификации: Может ли она определить, какое лицо и организация вовлечены?
3. Извлечение: Включает ли система работу в свой набор доказательств?
4. Выбор цитирования: Цитирует ли она работу в ответе?
5. Корректность цитирования: Указывает ли цитирование на правильную работу и поддерживает ли утверждение?

ORCID, метаданные DOI и профили исследователей могут наиболее непосредственно помочь с первыми тремя шагами. Они также могут улучшить корректность цитирования. Их влияние на выбор цитирования, вероятно, зависит от актуальности темы, качества источника, новизны, доступности и конкретной системы искусственного интеллекта.

Документация Google Search рекомендует использовать страницу автора, url и ссылки sameAs для помощи в идентификации авторов статей. Для наборов данных Google специально рекомендует использовать ORCID iD в свойстве sameAs для автора-создателя. Структурированные данные статей Google Структурированные данные наборов данных Google (developers.google.com)

Простая страница профиля может использовать структурированные данные следующим образом:

{ "@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" } ] }

Структурированные данные не гарантируют функцию поиска или цитирование искусственным интеллектом. Google заявляет, что даже правильно реализованные структурированные данные могут не отображаться в результатах поиска. Их ценность в том, что они предоставляют машинам четкий, стандартный способ интерпретации страницы. Руководство Google по структурированным данным (developers.google.com)

Практический вывод таков:

Идентификаторы улучшают путь к доказательствам. Они не заменяют доказательства.

Что говорят текущие исследования о цитированиях искусственным интеллектом

Исследования поведения искусственного интеллекта в области цитирования в основном изучали точность цитирования, выбор источников и возможность проверки. Пока еще не получена надежная, общая оценка влияния силы идентификации, связанной с ORCID.

Исследование 2023 года цитирований, сгенерированных ChatGPT, выявило значительное количество сфабрикованных ссылок и ошибок в реальных ссылках. В исследовании было рассмотрено 636 цитирований, сгенерированных в 84 статьях, и было обнаружено, что проблемы с цитированием сохраняются даже в новой протестированной модели. Исследование Scientific Reports (nature.com)

Другое исследование генеративных поисковых систем показало, что многие сгенерированные предложения не были полностью подтверждены цитированиями, и что многие цитирования недостаточно поддерживали утверждения, расположенные рядом с ними. Оценка проверяемости в генеративных поисковых системах (arxiv.org)

Недавние исследования также показывают, что генеративные поисковые системы различаются по выбору источников, перекрытию источников, стабильности и использованию внутренних и внешних знаний. Характеристика веб-поиска в эпоху генеративного искусственного интеллекта (aclanthology.org)

Эти выводы поддерживают осторожную позицию:

• DOI может уменьшить двусмысленность в отношении цитируемой работы.
• ORCID может уменьшить двусмысленность в отношении человека.
• Идентификаторы аффилиаций могут уменьшить двусмысленность в отношении организации.
• Роли участников могут улучшить атрибуцию.
• Публичный профиль может предоставить контекст.
• Ни один из этих сигналов не гарантирует, что система извлечет или процитирует работу.

Исследовательская программа по измерению силы идентификации и частоты цитирования искусственным интеллектом

Организации не должны утверждать, что авторские хабы улучшают цитирования искусственным интеллектом, пока они не измерят эту связь напрямую.

Определение показателя силы идентификации автора

Ниже представлен предлагаемый показатель, а не официальный стандарт.

Не включайте в этот показатель количество цитирований, престиж журнала или рейтинг учреждения. Эти факторы следует рассматривать как отдельные переменные. Их включение затруднило бы определение того, связана ли сила идентификации с частотой цитирования.

Измерение более чем одного вида цитирования

Полезное исследование должно отслеживать как минимум шесть результатов:

1. Показатель цитирования работы
   Процент соответствующих ответов, которые цитируют конкретную работу.

2. Показатель атрибуции автора
   Процент ответов, которые правильно называют или приписывают работу нужному автору.

3. Показатель действительных идентификаторов
   Процент цитирований, содержащих DOI, который разрешается на правильную работу.

4. Точность цитирования
   Процент цитирований, которые фактически подтверждают сделанное утверждение.

5. Полнота цитирования
   Процент важных подтверждающих источников, которые система цитирует.

6. Межплатформенная стабильность
   Процент цитирований, повторяющихся в разных системах или при повторных запусках.

Недавняя методология измерения для генеративного поиска разделяет выбор цитирования и поглощение цитирования, что означает, появляется ли источник просто в списке цитирований или фактически вносит доказательства в ответ. Это различие должно быть включено в будущие исследования авторских хабов. Методология выбора и поглощения цитирования (arxiv.org)

Исследование первое: Наблюдательное корреляционное исследование

Это исследование ставит вопрос:

Цитируются ли работы, связанные с более сильной идентификацией автора, чаще системами искусственного интеллекта после контроля факторов темы и публикации?

Предлагаемый дизайн

• Выбрать выборку из от 10 000 до 50 000 научных работ
• Охватить несколько дисциплин, языков и типов публикаций
• Использовать данные Crossref, DataCite, OpenAlex и публичные данные ORCID
• Рассчитать показатель силы идентификации для каждого автора и работы
• Создать набор вопросов, для которых выбранные работы являются релевантными
• Запустить вопросы в нескольких системах, генерирующих цитирования
• Повторить каждый вопрос несколько раз
• Записать дату, систему, настройки модели, регион и цитируемые источники

Важные контрольные переменные

Исследование должно контролировать:

• Актуальность темы
• Год публикации
• Статус открытого доступа
• Доступность аннотации
• Доступность полного текста
• Место публикации
• Существующее количество научных цитирований
• Репутация учреждения
• Язык
• Скорость страницы и индексируемость
• Тип работы
• Распространенность имени автора
• Количество соавторов
• Формулировка запроса
• Поисковая система

Основная статистическая модель могла бы оценить:

text Probability of correct citation = identity strength

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

Логистическая регрессия или модель смешанных эффектов были бы уместны для бинарного результата, например, была ли работа процитирована. Отрицательная биномиальная модель может быть полезна для подсчета цитирований, поскольку данные цитирования часто распределены неравномерно.

Результат должен быть представлен как отношение шансов с доверительным интервалом, а не как простой процент. Например:

Увеличение силы идентификации на одно стандартное отклонение было связано с изменением вероятности цитирования после контроля актуальности, возраста, доступности и предыдущего научного внимания.

Исследование также должно сообщать о нулевых результатах. Обнаружение отсутствия связи было бы полезно, поскольку оно показало бы, что идентификаторы улучшают качество данных без обязательного изменения поведения искусственного интеллекта при цитировании.

Исследование второе: Контролируемый эксперимент с метаданными

Наблюдательное исследование может спутать силу идентификации с популярностью. Контролируемый эксперимент может изолировать некоторые эффекты.

Существует две практические версии.

Версия А: Эксперимент в публичной сети

Создайте сопоставленные страницы с одинаковым содержательным контентом, но с разными вариантами метаданных:

• Только базовое имя автора
• Имя автора плюс институциональный профиль
• Имя автора плюс ссылка на ORCID
• Имя автора, ORCID, DOI, идентификатор аффилиации и структурированные данные

Опубликуйте страницы одновременно и отслеживайте:

• Обнаружение в поиске
• Правильное сопоставление автора
• Извлечение в ответы искусственного интеллекта
• Частота цитирования
• Корректность цитирования

Этот эксперимент следует интерпретировать осторожно. Публичные системы могут индексировать страницы в разное время, и организации не могут легко изменять записи Crossref или DataCite для уже опубликованной работы.

Версия Б: Контролируемый исследовательский индекс

Создайте небольшую систему извлечения, содержащую одни и те же документы в разных условиях метаданных. Изменяйте только:

• Идентификатор автора
• DOI
• Аффилиация
• Роль участника
• Ссылки на профиль
• Поля происхождения

Затем задавайте одни и те же вопросы и измеряйте извлечение и выбор цитирования. Этот эксперимент обеспечивает лучший контроль, но он измеряет исследовательскую систему, а не коммерческие платформы.

Исследование третье: Поэтапное внедрение в организации

Наиболее надежный практический дизайн — это исследование разности разностей.

Организация может внедрять авторские хабы поэтапно:

• Отдел первый получает полную программу в октябре 2026 года.
• Отдел второй получает ее в январе 2027 года.
• Отдел третий получает ее в апреле 2027 года.

Все отделы измеряются до и после внедрения. Отделы, которые еще не получили программу, служат временными контрольными группами.

Измеряйте:

• Правильная атрибуция автора
• Разрешение DOI
• Частота цитирования
• Точность цитирования
• Показы в поиске
• Посещения страниц профилей
• Время, необходимое для исправления неверных метаданных

Этот дизайн надежнее, чем простое сравнение «до и после», потому что он помогает отделить эффект внедрения от более широких изменений в системах искусственного интеллекта.

Гипотезы, достойные проверки

Организации могут предварительно зарегистрировать эти гипотезы:

• H1: Более сильные идентификационные связи улучшают правильную атрибуцию автора.
• H2: Полные метаданные DOI улучшают показатели действительных цитирований.
• H3: Идентификаторы аффилиаций наиболее полезны, когда авторы имеют распространенные имена или переходят между учреждениями.
• H4: Профили исследователей улучшают обнаружение в большей степени, чем увеличивают окончательную частоту цитирования.
• H5: Сила идентификации оказывает большее влияние на авторов с «длинным хвостом», чем на уже известных авторов.
• H6: Эффект варьируется в зависимости от системы, темы, языка и типа публикации.
• H7: Актуальность и тематическая релевантность важнее, чем оформление профиля.

Какие учетные данные следует публиковать?

Профиль должен публиковать учетные данные, которые можно проверить. Каждое учетное данные должно иметь:

• Тип учетных данных
• Лицо, которому они принадлежат
• Выдающая организация
• Постоянный идентификатор организации, если доступен
• Даты начала и окончания
• Источник проверки
• Статус, такой как текущий, истекший, оспариваемый или архивный
• Дату последнего просмотра

Организации должны указывать источник каждых учетных данных:

• Заявлено автором
• Подтверждено учреждением
• Подтверждено издателем
• Подтверждено спонсором
• Импортировано из реестра
• Ожидает проверки

Избегайте публикации неподкрепленных ярлыков, таких как «ведущий эксперт» или «всемирно известный исследователь». Замените их доказательствами:

• Количество и тип работ
• Области исследований
• Подтвержденные роли
• Финансируемые проекты
• Редакторская деятельность
• Общедоступные наборы данных или программное обеспечение
• Институциональные назначения

Этот подход более полезен как для читателей, так и для машин.

План внедрения для организаций

Фаза первая: Создание политики метаданных

Назначьте небольшую руководящую группу с представителями от:

• Администрации исследований
• Библиотечных служб
• Информационных технологий
• Коммуникаций
• Издательских или репозитарных служб
• Конфиденциальности
• Честности в исследованиях

Создайте краткую политику данных, которая определяет:

• Обязательные поля
• Утвержденные системы идентификаторов
• Кто может утверждать каждое поле
• Какие поля являются публичными
• Как обрабатываются исправления
• Сколько времени должны занимать обновления
• Что происходит, когда человек увольняется

Используйте единый контракт данных для всех систем. Как минимум, каждая запись о человеке, работе, организации и учетных данных должна содержать:

text persistent_id display_name source asserted_by valid_from valid_to last_verified status evidence_url

Фаза вторая: Сбор аутентифицированных идентификаторов

Попросите исследователей подключить свои записи ORCID через аутентифицированный процесс. Не возлагайте на учреждение ответственность за угадывание, какой ORCID iD принадлежит человеку.

В то же время:

• Присвойте идентификаторы организаций отделам и учреждениям
• Свяжите записи сотрудников с ORCID
• Сопоставьте существующие публикации с записями DOI
• Отмечайте коллизии имен
• Сохраняйте альтернативные формы имен
• Записывайте настройки согласия и видимости

Фаза третья: Улучшение метаданных DOI

Для новых работ требуйте, чтобы рабочий процесс публикации собирал:

• Полные имена авторов
• Аутентифицированные ORCID iD
• Аффилиации
• Идентификаторы организаций
• Роли участников
• Идентификаторы финансирования
• Аннотации
• Ссылки
• Лицензии
• Информация о версии и обновлении

Для старых работ начните с последних пяти лет и наиболее часто используемых авторов организации.

Crossref и DataCite должны получать исправления и обновления, а не только исходный депозит. Строки DOI остаются постоянными, в то время как связанные метаданные могут поддерживаться. Обслуживание метаданных Crossref (crossref.org)

Фаза четвертая: Создание канонических страниц авторов

Каждый исследователь должен иметь одну стабильную институциональную страницу. Эта страница должна:

• Использовать постоянный веб-адрес
• Отображать текущую роль
• Сохранять предыдущие роли с датами
• Ссылаться на ORCID
• Ссылаться на выбранные записи DOI
• Ссылаться на публичные профили исследователей
• Отображать области исследований
• Отображать дату последнего обновления
• Использовать структурированные данные
• Оставаться доступной для поисковых роботов
• Избегать требования входа в систему

Google рекомендует использовать четкие URL-адреса авторов и ссылки sameAs для помощи в различении авторов. Руководство Google по разметке авторов (developers.google.com)

Фаза пятая: Федерация и мониторинг профилей

Свяжите институциональную страницу с:

• ORCID
• Google Scholar
• OpenAlex
• Страницами издателей
• Записями репозиториев
• Страницами грантов
• Публичными профессиональными профилями, где это уместно

Используйте автоматические проверки для обнаружения:

• Неработающих ссылок DOI
• Отсутствующих ссылок ORCID
• Дублирующихся авторов
• Неправильных совпадений соавторов
• Старых аффилиаций
• Истекших учетных данных
• Отсутствующих дат обновления
• Несоответствующих имен
• Отзывов или исправлений

Управление обновлениями и изменениями ролей

Авторский хаб должен сохранять историю. Он не должен переписывать прошлое каждый раз, когда человек меняет работу.

Рекомендуемая иерархия источников

Когда исследователь меняет учреждение

Не удаляйте старую аффилиацию из исторических работ.

Вместо этого:

1. Добавьте дату окончания в запись о предыдущем трудоустройстве.
2. Добавьте новую аффилиацию с датой начала.
3. Обновите институциональный профиль.
4. Сохраняйте исторические аффилиации публикаций без изменений, если издатель не выпустит исправление.
5. Обновите запись ORCID через соответствующий источник.
6. Перенаправьте старую страницу профиля на архивную или новую страницу.

Когда человек меняет имя

Используйте ORCID для связи вариантов имени. Добавляйте прежние или альтернативные имена, если исследователь согласен. Не изменяйте имя автора в опубликованной записи DOI просто для того, чтобы оно соответствовало текущему профилю.

Цель постоянного идентификатора — связывать работы при изменении имен без переписывания записи публикации.

Когда меняется роль участника

Роль участника в завершенной работе должна рассматриваться как часть исторической записи.

Например:

• Роль человека в опубликованной статье не должна меняться из-за того, что он позднее стал заведующим кафедрой.
• Редакторская роль должна иметь даты начала и окончания.
• Роль в гранте должна быть привязана к периоду гранта.
• Роль в программном обеспечении должна быть привязана к версии или релизу.

Если исходная запись о вкладе неверна, используйте официальный процесс исправления. Не перезаписывайте ее молча.

Когда срок действия учетных данных истекает

Используйте четкие значения статуса:

• Текущие
• Истекшие
• Возобновленные
• Приостановленные
• Оспариваемые
• Архивные

Автоматические напоминания должны отправляться до истечения срока действия. Публичные профили должны показывать статус и дату, а не оставлять устаревшие учетные данные видимыми без объяснений.

Когда исследователь покидает организацию

Организация должна:

• Сохранять исторический профиль
• Четко отмечать прежнюю роль
• Сохранять ссылки на опубликованные работы
• Передавать право собственности на профиль
• Устанавливать перенаправление для прежней страницы
• Удалять частную контактную информацию
• Сохранять институциональные утверждения, которые были верны в период прежнего трудоустройства

Когда авторство оспаривается

Заморозьте оспариваемое поле, сохраните первоначальный источник и зафиксируйте спор. Не удаляйте автора и не изменяйте роли участия только на основании неформального запроса.

Отдел по обеспечению честности исследований, издатель или ответственный руководитель проекта должны определить официальный путь исправления.

Показатели успеха

Организации должны отслеживать операционное качество, прежде чем обещать повышенную видимость искусственного интеллекта.

Предлагаемые цели включают:

• 95 процентов активных исследователей имеют аутентифицированные ORCID iD
• 95 процентов новых работ включают ORCID, если доступно
• 95 процентов аффилиаций используют постоянный идентификатор организации
• 100 процентов новых депозитов DOI проходят проверку метаданных
• 100 процентов страниц авторов содержат стабильный адрес профиля
• 100 процентов изменений ролей включают даты
• Менее 1 процента работ неправильно присвоены автору
• Исправления метаданных завершаются в течение 30 дней
• Изменения текущего трудоустройства отображаются в течение семи дней
• Отзывы и официальные исправления отражаются оперативно

Для исследования цитирования искусственным интеллектом отслеживайте:

• Показатель правильной атрибуции автора
• Показатель действительных DOI
• Точность цитирования
• Полнота цитирования
• Частота цитирования работ
• Межсистемное согласие
• Время от исправления метаданных до улучшения индексации
• Различие между обнаружением профиля и цитированием в окончательном ответе

Организация должна отчитываться по этим показателям в разрезе дисциплины, языка, этапа карьеры и распространенности имени. В противном случае средний балл может скрывать неравные результаты.

Риски и меры предосторожности

Авторские хабы могут создавать новые риски, если они станут системой контроля доступа.

Организации не должны:

• Наказывать исследователей, которые сохраняют некоторую информацию ORCID в конфиденциальности
• Рассматривать публичный профиль Google Scholar как доказательство качества
• Использовать количество цитирований в качестве замены рецензирования
• Публиковать личные контактные данные без необходимости
• Выводить экспертность только из институционального престижа
• Требовать от каждого исследователя использования одного и того же публичного сервиса профилей
• Рассматривать отсутствие идентификаторов как доказательство недобросовестности
• Позволять автоматизированным системам перезаписывать записи без проверки

Внедрение ORCID и качество метаданных варьируются в зависимости от области, страны, этапа карьеры и типа публикации. Справедливая система должна поддерживать ручную коррекцию, контроль конфиденциальности, разнообразие имен и людей, чья работа плохо представлена метриками журнальных публикаций.

Заключение

Надежный авторский хаб — это не проект по личному брендингу. Это машиночитаемая система доказательств.

• ORCID связывает человека с постоянным идентификатором.
• Crossref и DataCite связывают работы со стабильными идентификаторами и богатыми метаданными.
• Идентификаторы Реестра исследовательских организаций связывают людей и работы с учреждениями.
• Роли участников показывают, что именно сделал каждый человек.
• Институциональные и научные профили обеспечивают публичный контекст.
• Структурированные данные помогают поисковым системам интерпретировать взаимосвязи.
• Управление и история версий показывают, что актуально, что было правдой в прошлом, и кто подтвердил каждое утверждение.

Вероятная польза — это не автоматическое повышение рейтинга. Польза заключается в более прочной цепочке от личности → работе → организации → доказательству.

Поэтому организации должны взять на себя два обязательства:

1. Стандартизировать и поддерживать метаданные.
2. Измерять поведение искусственного интеллекта при цитировании, а не предполагать эффект.

Самый заслуживающий доверия авторский хаб — это не тот, который имеет больше всего значков. Это тот, чьи важные утверждения постоянны, связаны, имеют источники, актуальны и легко проверяемы.