การสร้างศูนย์ข้อมูลนักวิจัย: ORCID, Crossref และโปรไฟล์นักวิชาการเป็นพื้นฐานของความน่าเชื่อถือ

การสร้างศูนย์ข้อมูลนักวิจัย: ORCID, Crossref และโปรไฟล์นักวิชาการเป็นพื้นฐานของความน่าเชื่อถือ

ศูนย์ข้อมูลนักวิจัย คือบันทึกข้อมูลสาธารณะที่เชื่อมโยงกัน ซึ่งช่วยให้ผู้คนและระบบอัตโนมัติตอบคำถามพื้นฐานสามข้อได้:

1. ใครเป็นผู้สร้างสรรค์ผลงานนี้?
2. ผลงานนี้คืออะไรกันแน่?
3. ทำไมถึงควรเชื่อถือความเชื่อมโยงระหว่างบุคคล ผลงาน และองค์กร?

สำหรับผู้อ่านที่เป็นมนุษย์ ศูนย์ข้อมูลนักวิจัยอาจดูเหมือนหน้าโปรไฟล์ที่มีประวัติ ผลงานตีพิมพ์ ข้อมูลรับรอง และลิงก์ สำหรับระบบปัญญาประดิษฐ์ จะเป็นประโยชน์มากกว่าถ้ามองว่าเป็น กราฟหลักฐานที่เชื่อมโยงกัน

ศูนย์ข้อมูลนักวิจัยที่แข็งแกร่งจะเชื่อมโยง:

• บุคคลเข้ากับ ORCID iD
• ผลงานตีพิมพ์ ชุดข้อมูล รายงาน หรือแพ็คเกจซอฟต์แวร์เข้ากับ Digital Object Identifier
• ผลงานเข้ากับ เมทาดาตาของ Crossref หรือ DataCite ที่สมบูรณ์
• นักวิจัยเข้ากับสังกัดและองค์กรที่ได้รับการยืนยัน
• โปรไฟล์สาธารณะเข้ากับหน้าเว็บสถาบันที่เสถียร
• ผลงานเข้ากับบทบาทที่ชัดเจน เช่น บทบาทใน Contributor Roles Taxonomy
• บทบาทปัจจุบันและในอดีตเข้ากับวันที่ แหล่งที่มา และบันทึกการอัปเดต

การเชื่อมโยงเหล่านี้สามารถปรับปรุง การระบุตัวตน การดึงข้อมูล ความถูกต้องของการอ้างอิง และการตรวจสอบแหล่งที่มา ไม่ได้เป็นการรับประกันว่าระบบปัญญาประดิษฐ์จะอ้างอิงถึงผู้เขียนเสมอไป ไม่มีหลักฐานสาธารณะที่น่าเชื่อถือที่แสดงว่าการเพิ่ม ORCID iD เพียงหนึ่งรายการจะนำไปสู่การเพิ่มขึ้นของการอ้างอิงโดยปัญญาประดิษฐ์อย่างตายตัว ข้ออ้างที่แข็งแกร่งกว่านั้นแคบลงและสมเหตุสมผลกว่า: ข้อมูลเมทาดาตาของตัวตนและผลงานที่ดีทำให้ระบบการค้นคว้าและวิจัยสามารถค้นหา จับคู่ ตรวจสอบ และอ้างอิงเอกสารวิชาการได้อย่างถูกต้องง่ายขึ้น

บทความนี้สะท้อนถึงเอกสารสาธารณะและงานวิจัยที่มีอยู่ ณ วันที่ 13 สิงหาคม 2569

ทำไมศูนย์ข้อมูลนักวิจัยจึงสำคัญต่อระบบปัญญาประดิษฐ์

ระบบปัญญาประดิษฐ์ทั้งหมดไม่ได้ใช้ดัชนีการค้นหา ฐานข้อมูล หรือวิธีการจัดอันดับเดียวกัน บางระบบอาศัยการค้นหาเว็บแบบเรียลไทม์ ระบบอื่นๆ ใช้ฐานข้อมูลทางวิชาการ ดัชนีที่ได้รับอนุญาต แหล่งเก็บความรู้ภายใน หรือระบบการดึงข้อมูลที่ค้นหาเอกสารก่อนที่จะสร้างคำตอบ

ถึงกระนั้น หลายระบบก็ยังเผชิญกับปัญหาทางเทคนิคเดียวกัน:

• ชื่ออาจสะกดแตกต่างกัน
• นักวิจัยหลายคนอาจมีชื่อเดียวกัน
• ผลงานหนึ่งอาจมีฉบับพรีปรินต์ ฉบับนำเสนอในการประชุม ฉบับที่ได้รับการยอมรับ และฉบับสุดท้าย
• บทความวารสารอาจเชื่อมโยงกับชุดข้อมูล แพ็คเกจซอฟต์แวร์ เงินทุน หรือการแก้ไข
• ผู้เขียนอาจเปลี่ยนสถาบันหรือชื่อ
• หน้าเว็บอาจอธิบายข้อมูลรับรองโดยไม่ได้ระบุว่าใครเป็นผู้ออก หรือมีผลเมื่อใด

ตัวระบุถาวรและเมทาดาตาที่มีโครงสร้างช่วยแก้ไขปัญหาเหล่านี้

ระบบ Digital Object Identifier อธิบายตัวระบุว่าเป็นชื่อถาวรสำหรับวัตถุที่เป็นดิจิทัล กายภาพ หรือนามธรรม คุณค่าของมันไม่ได้ขึ้นอยู่กับตัวระบุเท่านั้น แต่ยังขึ้นอยู่กับเมทาดาตาที่เชื่อมโยงกับตัวระบุนั้นด้วย คู่มือ DOI (doi.org)

วิธีที่มีประโยชน์ในการคิดถึงศูนย์ข้อมูลนักวิจัยคือการมองว่าเป็นสี่ชั้นที่เชื่อมโยงกัน:

เป้าหมายไม่ใช่การสร้างโปรไฟล์ที่เต็มไปด้วยคำพูดที่น่าประทับใจ เป้าหมายคือการสร้างบันทึกที่สามารถตรวจสอบข้อกล่าวอ้างที่สำคัญได้

สามส่วนหลักของศูนย์ข้อมูลนักวิจัย

1. ORCID: ชั้นข้อมูลระบุตัวตนบุคคล

ORCID ย่อมาจาก Open Researcher and Contributor ID เป็นตัวระบุถาวรสำหรับบุคคลและช่วยแยกแยะนักวิจัยที่มีชื่อคล้ายกัน ใช้รูปแบบชื่อที่แตกต่างกัน หรือเปลี่ยนชื่อเมื่อเวลาผ่านไป ภาพรวม ORCID (support.orcid.org)

บันทึก ORCID อาจมี:

• ชื่อและรูปแบบชื่อที่แตกต่างกัน
• การจ้างงานและการศึกษา
• ผลงานวิจัย
• เงินทุน
• กิจกรรมการตรวจสอบโดยผู้ทรงคุณวุฒิ
• บริการบรรณาธิการ
• การเป็นสมาชิกและเกียรติประวัติ
• ทรัพยากรการวิจัย
• ลิงก์ไปยังตัวระบุอื่นๆ

คุณสมบัติที่สำคัญที่สุดไม่ใช่ตัวเลข 16 หลักนั้นเอง แต่เป็น เครือข่ายของการเชื่อมโยงที่ได้รับการสนับสนุน ที่แนบมากับหมายเลขนั้น

ตัวอย่างเช่น:

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

การเชื่อมโยงที่ได้รับการยืนยันมีความแข็งแกร่งกว่า

องค์กรควรรวบรวม ORCID iD ผ่านกระบวนการลงชื่อเข้าใช้ที่ได้รับการยืนยันตัวตน แทนที่จะขอให้บุคคลพิมพ์ตัวระบุลงในแบบฟอร์ม ORCID แนะนำให้ใช้กระบวนการอนุญาตของตนเอง เพื่อให้นักวิจัยยืนยันบันทึกที่ถูกต้อง แนวทางการรวม ORCID และ Application Programming Interface (info.orcid.org)

ข้อแตกต่างนี้สำคัญ:

• ข้อกล่าวอ้างที่ยังไม่ได้รับการยืนยัน: “ORCID iD นี้เป็นของ Jane Smith”
• ข้อกล่าวอ้างที่ได้รับการยืนยัน: “Jane Smith ได้ลงชื่อเข้าใช้ผ่าน ORCID และอนุญาตให้ระบบนี้ใช้ iD ของเธอ”
• การยืนยันของสถาบัน: “มหาวิทยาลัยยืนยันว่าบุคคลผู้นี้มีสังกัดนี้ในช่วงเวลาดังกล่าว”

ORCID ยังจัดเก็บ แหล่งที่มาและต้นกำเนิดของการยืนยัน ด้วย ผลงานหรือสังกัดอาจถูกเพิ่มโดยนักวิจัย ผู้จัดพิมพ์ ผู้ให้ทุน หรือองค์กรที่เชื่อถือได้อื่นๆ แนวทางความน่าเชื่อถือของ ORCID (info.orcid.org)

สิ่งนี้สร้างสัญญาณความน่าเชื่อถือที่เป็นประโยชน์สำหรับทั้งผู้คนและเครื่องจักร:

บันทึกไม่ได้บอกแค่สิ่งที่ถูกกล่าวอ้างเท่านั้น แต่ยังสามารถแสดงได้ว่าใครเป็นผู้กล่าวอ้างและเพิ่มข้อมูลเมื่อใด

ข้อจำกัดที่สำคัญ

ORCID iD ไม่ใช่การรับประกันว่าทุกรายการในบันทึกถูกต้อง ORCID เองก็ส่งเสริมให้ผู้ใช้ตรวจสอบ ตัวบ่งชี้ความน่าเชื่อถือ แหล่งที่มา วันที่ และองค์กรที่เพิ่มข้อมูล ตัวบ่งชี้ความน่าเชื่อถือของ ORCID (info.orcid.org)

ดังนั้น องค์กรไม่ควรถือว่า “มี ORCID iD” เท่ากับ “ได้รับการยืนยันอย่างสมบูรณ์” แบบจำลองที่ดีกว่าคือ:

• ยืนยันตนเอง
• ยืนยันตัวตนแล้ว
• ได้รับการยืนยันจากสถาบัน
• ได้รับการยืนยันจากผู้จัดพิมพ์
• ได้รับการยืนยันจากผู้ให้ทุน
• ตรวจสอบล่าสุด

2. Crossref และ DataCite: ชั้นข้อมูลระบุตัวตนผลงาน

ORCID ระบุตัวบุคคล ส่วน Crossref และ DataCite ช่วยระบุ ผลงาน

Digital Object Identifier สามารถระบุสิ่งต่อไปนี้ได้:

• บทความวารสาร
• หนังสือและบทในหนังสือ
• เอกสารการประชุม
• ชุดข้อมูล
• ซอฟต์แวร์
• รายงาน
• ฉบับพรีปรินต์
• การตรวจสอบโดยผู้ทรงคุณวุฒิ
• มาตรฐาน
• โปสเตอร์และการนำเสนอ

DOI ควรนำไปสู่หน้า landing page ที่เสถียร ที่สำคัญกว่านั้น มันควรมีเมทาดาตาที่สมบูรณ์ซึ่งอธิบายถึงผลงาน

Crossref แนะนำให้บันทึกข้อมูลเช่น:

• นามสกุลและชื่อจริง
• บทบาทผู้มีส่วนร่วม
• สังกัด
• ตัวระบุองค์กร
• ORCID iD
• วันที่ตีพิมพ์
• บทคัดย่อ
• เอกสารอ้างอิง
• เงินทุน
• ใบอนุญาต
• ข้อมูลเวอร์ชัน
• การอัปเดตและการแก้ไข

เมทาดาตาที่ Crossref กำหนดและแนะนำ (crossref.org)

Crossref อธิบายเมทาดาตาของตนว่าเป็นทรัพยากรที่ใช้ร่วมกัน ซึ่งสามารถเข้าถึงได้ผ่านเว็บอินเทอร์เฟซ อินเทอร์เฟซการเขียนโปรแกรมแอปพลิเคชัน และการดาวน์โหลดจำนวนมาก ระบบปลายน้ำสามารถใช้ข้อมูลนั้นเพื่อค้นหาและเชื่อมโยงผลผลิตทางวิชาการได้ การดึงข้อมูลเมทาดาตาของ Crossref (crossref.org)

DataCite ทำหน้าที่คล้ายกันสำหรับชุดข้อมูลและผลลัพธ์การวิจัยอื่นๆ อีกมากมาย Metadata Schema 4.7 ปัจจุบัน ซึ่งเผยแพร่เมื่อวันที่ 3 มีนาคม 2569 รองรับผู้สร้าง ผู้มีส่วนร่วม ตัวระบุ ORCID สังกัด ตัวระบุองค์กร ตัวระบุที่เกี่ยวข้อง เงินทุน คำอธิบาย และประเภททรัพยากร โครงร่างเมทาดาตาของ DataCite (schema.datacite.org)

DataCite แนะนำโดยเฉพาะให้เชื่อมโยงบันทึกของผู้สร้างและผู้มีส่วนร่วมเข้ากับตัวระบุ ORCID และสังกัดองค์กรเข้ากับตัวระบุองค์กร ตัวระบุชื่อของ DataCite (support.datacite.org)

DOI ไม่ใช่สัญลักษณ์คุณภาพ

DOI พิสูจน์ว่ามีบันทึกอยู่ในระบบลงทะเบียน DOI แต่ ไม่ ได้พิสูจน์ว่า:

• การวิจัยถูกต้อง
• ผลงานตีพิมพ์ได้รับการตรวจสอบโดยผู้ทรงคุณวุฒิ
• วารสารมีชื่อเสียง
• ผู้เขียนเป็นผู้เชี่ยวชาญ
• ผลการวิจัยมีความสำคัญ

Crossref ชี้แจงเรื่องนี้อย่างชัดเจนว่า ตัว DOI เองไม่ได้บ่งบอกถึงคุณค่าหรือความถูกต้องของวัตถุนั้น เมทาดาตาที่อยู่รอบๆ ให้บริบทและช่วยให้เกิดการเชื่อมโยง แนวทาง DOI ของ Crossref (support.crossref.org)

นี่คือเหตุผลที่ว่าทำไมบันทึก DOI ที่สมบูรณ์จึงมีประโยชน์มากกว่าสตริง DOI ที่วางอยู่ด้านล่างหน้าเว็บ

บทบาทของผู้มีส่วนร่วมเพิ่มความหมาย

ในเดือนกรกฎาคม 2569 Crossref Schema 5.5 ได้เพิ่มการสนับสนุนที่ดีขึ้นสำหรับบทบาทของผู้มีส่วนร่วมหลายบทบาท ผู้เขียนที่ติดต่อ และ Contributor Roles Taxonomy Crossref Schema 5.5 (crossref.org)

Contributor Roles Taxonomy มี 14 บทบาท ได้แก่:

• การสร้างแนวคิด
• การดูแลจัดการข้อมูล
• การวิเคราะห์อย่างเป็นทางการ
• การสืบสวน
• ระเบียบวิธีวิจัย
• ซอฟต์แวร์
• การกำกับดูแล
• การตรวจสอบความถูกต้อง
• การสร้างภาพข้อมูล
• การเขียนฉบับร่างต้นฉบับ
• การเขียน การตรวจสอบ และการแก้ไข

การจำแนกประเภทนี้ออกแบบมาเพื่อให้ผลงานมีความโปร่งใสมากขึ้น และสนับสนุนการให้เครดิต ความรับผิดชอบ การประเมินผลงานวิจัย และความซื่อสัตย์ในการวิจัย Contributor Roles Taxonomy (credit.niso.org)

สำหรับระบบปัญญาประดิษฐ์ สิ่งนี้สร้างคำตอบที่สมบูรณ์ยิ่งขึ้นกว่าแค่ “Jane Smith เป็นผู้เขียน” ระบบสามารถแยกแยะความแตกต่างระหว่าง:

• ผู้ที่ออกแบบการศึกษา
• ผู้ที่เขียนซอฟต์แวร์
• ผู้ที่วิเคราะห์ข้อมูล
• ผู้ที่กำกับดูแลโครงการ
• ผู้ที่เขียนต้นฉบับฉบับแรก

นั่นเป็นสิ่งสำคัญอย่างยิ่งสำหรับทีมวิจัยขนาดใหญ่และโครงการทางเทคนิค

3. โปรไฟล์นักวิชาการ: ชั้นบริบท

โปรไฟล์นักวิชาการทำให้กราฟระบุตัวตนเข้าใจง่ายสำหรับผู้คน และง่ายขึ้นสำหรับระบบการค้นหาในการตีความ

โปรไฟล์ที่แข็งแกร่งควรมี:

• หน้าสถาบันที่เสถียร
• ชื่อที่สอดคล้องกัน
• รูปแบบชื่อที่เหมาะสม (ถ้ามี)
• ORCID iD
• สังกัดปัจจุบันและในอดีต
• สาขาการวิจัย
• ผลงานที่เลือกพร้อมลิงก์ DOI
• ชุดข้อมูล ซอฟต์แวร์ และรายงาน
• เงินทุนและรางวัล
• บทบาทบรรณาธิการหรือการตรวจสอบ
• บทบาทผู้มีส่วนร่วม
• วันที่สำหรับตำแหน่งปัจจุบันและในอดีต
• วันที่ตรวจสอบล่าสุด
• ลิงก์ไปยังโปรไฟล์สาธารณะอื่นๆ

โปรไฟล์ Google Scholar ช่วยให้นักวิจัยสามารถแสดงรายการผลงานตีพิมพ์ ทำให้โปรไฟล์เป็นสาธารณะ ดูว่าใครอ้างอิงผลงานของตน และติดตามตัวชี้วัดการอ้างอิง โปรไฟล์สาธารณะที่มีที่อยู่อีเมลสถาบันที่ได้รับการยืนยันอาจมีสิทธิ์ปรากฏในผลการค้นหาของ Google Scholar โปรไฟล์ Google Scholar (scholar.google.com)

อย่างไรก็ตาม Google Scholar ควรถือเป็น ชั้นการมองเห็นและการค้นพบ ไม่ใช่แหล่งความจริงหลัก นักวิจัยสามารถจัดการรายการผลงานตีพิมพ์ของตนเองได้ และการจับคู่อัตโนมัติอาจรวมถึงผลงานที่ไม่ถูกต้องหรือซ้ำกัน จำนวนการอ้างอิงก็แตกต่างกันไปในแต่ละฐานข้อมูล

OpenAlex เสนออีกชั้นการค้นพบที่มีประโยชน์ มันดูแลบันทึกผู้เขียนที่ได้รับการแก้ไขความกำกวม และเชื่อมโยงผู้เขียน ผลงาน สถาบัน แหล่งที่มา และหัวข้อต่างๆ OpenAlex ระบุว่าดึงข้อมูลจากแหล่งต่างๆ เช่น Crossref และ DataCite จากนั้นจับคู่ผู้เขียนกับ ORCID iD และสังกัดกับตัวระบุองค์กร คำอธิบายระบบนิเวศ OpenAlex (help.openalex.org)

ดังนั้น แนวทางปฏิบัติที่ดีที่สุดคือ การรวมโปรไฟล์ (profile federation):

text หน้าผู้เขียนของสถาบัน ↕ บันทึก ORCID ↕ บันทึกผลงานของ Crossref หรือ DataCite ↕ โปรไฟล์ OpenAlex และ Google Scholar ↕ หน้าผู้จัดพิมพ์ ที่เก็บข้อมูล ผู้ให้ทุน และหน้าวิชาชีพ

ไม่มีโปรไฟล์เดียวที่จำเป็นต้องมีทุกอย่าง พวกเขาควรชี้ไปยังกันและกันและใช้ตัวระบุเดียวกัน

สัญญาณเหล่านี้ส่งผลต่อการอ้างอิงโดยปัญญาประดิษฐ์ได้อย่างไร

สิ่งสำคัญคือการแยกเหตุการณ์ห้าอย่างที่แตกต่างกัน:

1. การค้นพบ: ระบบสามารถค้นหาหน้าเว็บหรือผลงานได้หรือไม่?
2. การระบุตัวตน: ระบบสามารถบอกได้ว่าบุคคลและองค์กรใดเกี่ยวข้อง?
3. การดึงข้อมูล: ระบบนำผลงานเข้าสู่ชุดหลักฐานของตนหรือไม่?
4. การเลือกอ้างอิง: ระบบอ้างอิงผลงานในคำตอบหรือไม่?
5. ความถูกต้องของการอ้างอิง: การอ้างอิงชี้ไปยังผลงานที่ถูกต้องและสนับสนุนข้อกล่าวอ้างหรือไม่?

ORCID, เมทาดาตา DOI และโปรไฟล์นักวิชาการสามารถช่วยโดยตรงมากที่สุดในสามขั้นตอนแรก พวกมันอาจปรับปรุงความถูกต้องของการอ้างอิงด้วย ผลกระทบของพวกมันต่อการเลือกอ้างอิงน่าจะขึ้นอยู่กับความเกี่ยวข้องของหัวข้อ คุณภาพของแหล่งที่มา ความใหม่ การเข้าถึง และระบบปัญญาประดิษฐ์เฉพาะนั้นๆ

เอกสารประกอบของ Google Search แนะนำให้ใช้หน้าผู้เขียน url และลิงก์ sameAs เพื่อช่วยระบุผู้เขียนบทความ สำหรับชุดข้อมูล Google แนะนำเป็นพิเศษให้ใช้ ORCID iD ในคุณสมบัติ sameAs สำหรับผู้สร้างที่เป็นบุคคล ข้อมูลโครงสร้างบทความของ Google ข้อมูลโครงสร้างชุดข้อมูลของ Google (developers.google.com)

หน้าโปรไฟล์แบบง่ายสามารถใช้ข้อมูลที่มีโครงสร้างดังนี้:

{ "@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" } ] }

ข้อมูลที่มีโครงสร้างไม่ได้รับประกันคุณสมบัติการค้นหาหรือการอ้างอิงโดยปัญญาประดิษฐ์ Google ระบุว่าแม้ข้อมูลที่มีโครงสร้างที่นำไปใช้อย่างถูกต้องก็อาจไม่ปรากฏในผลการค้นหา คุณค่าของมันคือการที่มันทำให้เครื่องจักรมีวิธีการตีความหน้าเว็บที่ชัดเจนและเป็นมาตรฐาน แนวทางข้อมูลโครงสร้างของ Google (developers.google.com)

ข้อสรุปในทางปฏิบัติคือ:

ตัวระบุช่วยปรับปรุงเส้นทางสู่หลักฐาน พวกเขาไม่ได้มาแทนที่หลักฐาน

งานวิจัยปัจจุบันกล่าวถึงการอ้างอิงโดยปัญญาประดิษฐ์อย่างไร

งานวิจัยเกี่ยวกับพฤติกรรมการอ้างอิงโดยปัญญาประดิษฐ์ส่วนใหญ่ศึกษา ความถูกต้องของการอ้างอิง การเลือกแหล่งที่มา และความสามารถในการตรวจสอบ ยังไม่มีการประมาณค่าที่น่าเชื่อถือและเป็นสากลสำหรับผลกระทบของความแข็งแกร่งของตัวตนที่เชื่อมโยงกับ ORCID

การศึกษาในปี 2023 เกี่ยวกับการอ้างอิงที่สร้างโดย ChatGPT พบว่ามีอัตราการอ้างอิงที่สร้างขึ้นและข้อผิดพลาดในการอ้างอิงจริงเป็นจำนวนมาก การศึกษานี้ได้ตรวจสอบการอ้างอิง 636 รายการที่สร้างขึ้นจาก 84 บทความ และพบว่าปัญหายังคงอยู่แม้ในโมเดลใหม่ที่ทดสอบ การศึกษาของ Scientific Reports (nature.com)

การศึกษาอีกชิ้นเกี่ยวกับเครื่องมือค้นหาแบบสร้างเนื้อหาพบว่าประโยคที่สร้างขึ้นจำนวนมากไม่ได้รับการสนับสนุนอย่างเต็มที่จากการอ้างอิง และการอ้างอิงหลายรายการไม่สนับสนุนข้อความที่อยู่ข้างๆ อย่างเพียงพอ การประเมินความสามารถในการตรวจสอบในเครื่องมือค้นหาแบบสร้างเนื้อหา (arxiv.org)

งานวิจัยล่าสุดยังแสดงให้เห็นว่าระบบค้นหาแบบสร้างเนื้อหามีความแตกต่างกันในการเลือกแหล่งที่มา การทับซ้อนของแหล่งที่มา ความเสถียร และการใช้ความรู้ภายในเทียบกับความรู้ภายนอก การระบุลักษณะการค้นหาเว็บในยุคของปัญญาประดิษฐ์เชิงสร้างสรรค์ (aclanthology.org)

ผลการวิจัยเหล่านี้สนับสนุนจุดยืนที่ระมัดระวัง:

• DOI สามารถลดความกำกวมเกี่ยวกับผลงานที่อ้างอิง
• ORCID สามารถลดความกำกวมเกี่ยวกับบุคคล
• ตัวระบุสังกัดสามารถลดความกำกวมเกี่ยวกับองค์กร
• บทบาทผู้มีส่วนร่วมสามารถปรับปรุงการให้เครดิต
• โปรไฟล์สาธารณะสามารถให้บริบท
• สัญญาณเหล่านี้ไม่รับประกันว่าระบบจะดึงข้อมูลหรืออ้างอิงผลงานนั้น

โครงการวิจัยเพื่อวัดความแข็งแกร่งของตัวตนและความถี่ในการอ้างอิงโดยปัญญาประดิษฐ์

องค์กรไม่ควรกล่าวอ้างว่าศูนย์ข้อมูลนักวิจัยช่วยปรับปรุงการอ้างอิงโดยปัญญาประดิษฐ์ จนกว่าจะได้วัดความสัมพันธ์โดยตรง

กำหนดคะแนนความแข็งแกร่งของตัวตนผู้เขียน

คะแนนต่อไปนี้เป็นข้อเสนอแนะ ไม่ใช่มาตรฐานอย่างเป็นทางการ

อย่ารวมจำนวนการอ้างอิง ชื่อเสียงของวารสาร หรืออันดับสถาบันไว้ในคะแนนนี้ ปัจจัยเหล่านั้นควรถือเป็นตัวแปรแยกต่างหาก การรวมปัจจัยเหล่านี้จะทำให้ยากต่อการพิจารณาว่าความแข็งแกร่งของตัวตนเองมีความสัมพันธ์กับความถี่ในการอ้างอิงหรือไม่

วัดการอ้างอิงมากกว่าหนึ่งประเภท

การศึกษาที่มีประโยชน์ควรติดตามผลลัพธ์อย่างน้อยหกประการ:

1. อัตราการอ้างอิงผลงาน
   เปอร์เซ็นต์ของคำตอบที่มีสิทธิ์ที่อ้างอิงถึงผลงานเฉพาะ

2. อัตราการให้เครดิตผู้เขียน
   เปอร์เซ็นต์ของคำตอบที่ระบุชื่อหรือให้เครดิตผลงานแก่ผู้เขียนที่ถูกต้อง

3. อัตราตัวระบุที่ถูกต้อง
   เปอร์เซ็นต์ของการอ้างอิงที่มี DOI ซึ่งนำไปสู่ผลงานที่ถูกต้อง

4. ความแม่นยำของการอ้างอิง
   เปอร์เซ็นต์ของการอ้างอิงที่สนับสนุนข้อความที่กล่าวไว้จริง

5. การเรียกคืนการอ้างอิง
   เปอร์เซ็นต์ของแหล่งข้อมูลสนับสนุนที่สำคัญที่ระบบอ้างอิงถึง

6. ความเสถียรข้ามแพลตฟอร์ม
   เปอร์เซ็นต์ของการอ้างอิงที่ซ้ำกันในระบบที่แตกต่างกันหรือในการรันซ้ำๆ

กรอบการวัดล่าสุดสำหรับการค้นหาแบบสร้างเนื้อหาแยก การเลือกอ้างอิง ออกจาก การดูดซับการอ้างอิง ซึ่งหมายถึงว่าแหล่งที่มาเพียงแค่ปรากฏในรายการอ้างอิงหรือมีส่วนร่วมให้หลักฐานแก่คำตอบจริงๆ ข้อแตกต่างนี้ควรรวมอยู่ในการศึกษาศูนย์ข้อมูลนักวิจัยในอนาคต กรอบการเลือกอ้างอิงและการดูดซับการอ้างอิง (arxiv.org)

การศึกษาที่หนึ่ง: การศึกษาสหสัมพันธ์เชิงสังเกต

การศึกษานี้ถามว่า:

ผลงานที่เชื่อมโยงกับตัวตนของผู้เขียนที่แข็งแกร่งกว่าถูกอ้างอิงโดยระบบปัญญาประดิษฐ์บ่อยขึ้นหรือไม่ หลังจากควบคุมปัจจัยด้านหัวข้อและสิ่งพิมพ์แล้ว?

การออกแบบที่แนะนำ

• สุ่มตัวอย่าง ผลงานวิชาการ 10,000 ถึง 50,000 ชิ้น
• ครอบคลุมหลายสาขาวิชา ภาษา และประเภทสิ่งพิมพ์
• ใช้ข้อมูล Crossref, DataCite, OpenAlex และข้อมูล ORCID สาธารณะ
• คำนวณคะแนนความแข็งแกร่งของตัวตนสำหรับผู้เขียนและผลงานแต่ละชิ้น
• สร้างชุดคำถามที่ผลงานตัวอย่างมีความเกี่ยวข้อง
• รันคำถามผ่านระบบที่สร้างการอ้างอิงหลายระบบ
• ทำซ้ำแต่ละคำถามหลายครั้ง
• บันทึกวันที่ ระบบ การตั้งค่าโมเดล ภูมิภาค และแหล่งที่มาที่อ้างอิง

ตัวแปรควบคุมที่สำคัญ

การศึกษาควรกำหนดตัวควบคุมสำหรับ:

• ความเกี่ยวข้องของหัวข้อ
• ปีที่ตีพิมพ์
• สถานะการเข้าถึงแบบเปิด
• ความพร้อมใช้งานของบทคัดย่อ
• ความพร้อมใช้งานของฉบับเต็ม
• สถานที่ตีพิมพ์
• จำนวนการอ้างอิงทางวิชาการที่มีอยู่
• ชื่อเสียงของสถาบัน
• ภาษา
• ความเร็วหน้าเว็บและความสามารถในการรวบรวมข้อมูล
• ประเภทผลงาน
• ความแพร่หลายของชื่อผู้เขียน
• จำนวนผู้ร่วมเขียน
• การใช้คำค้นหา
• ระบบการค้นหา

แบบจำลองทางสถิติหลักสามารถประมาณค่าได้:

text Probability of correct citation = identity strength

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

การถดถอยโลจิสติกหรือแบบจำลองผลผสมผสานจะเหมาะสมสำหรับผลลัพธ์แบบใช่หรือไม่ เช่น ผลงานนั้นถูกอ้างอิงหรือไม่ แบบจำลองเชิงลบไบนอเมียลอาจมีประโยชน์สำหรับจำนวนการอ้างอิง เนื่องจากข้อมูลการอ้างอิงมักมีการกระจายที่ไม่สม่ำเสมอ

ผลลัพธ์ควรรายงานเป็น อัตราส่วนความน่าจะเป็น (odds ratio) พร้อมช่วงความเชื่อมั่น (confidence interval) ไม่ใช่เป็นเปอร์เซ็นต์ธรรมดา ตัวอย่างเช่น:

การเพิ่มขึ้นของความแข็งแกร่งของตัวตนหนึ่งส่วนเบี่ยงเบนมาตรฐานสัมพันธ์กับการเปลี่ยนแปลงของความน่าจะเป็นในการอ้างอิง หลังจากควบคุมความเกี่ยวข้อง อายุ การเข้าถึง และความสนใจทางวิชาการก่อนหน้านี้

การศึกษานี้ควรรายงานผลลัพธ์ที่เป็นโมฆะด้วย (null results) การไม่พบความสัมพันธ์จะเป็นประโยชน์ เพราะจะแสดงให้เห็นว่าตัวระบุช่วยปรับปรุงคุณภาพข้อมูลโดยไม่จำเป็นต้องเปลี่ยนแปลงพฤติกรรมการอ้างอิงโดยปัญญาประดิษฐ์

การศึกษาที่สอง: การทดลองเมทาดาตาแบบควบคุม

การศึกษาสังเกตการณ์อาจสับสนระหว่างความแข็งแกร่งของตัวตนกับความนิยม การทดลองแบบควบคุมสามารถแยกผลกระทบบางอย่างได้

มีสองเวอร์ชันในทางปฏิบัติ

เวอร์ชัน A: การทดลองบนเว็บสาธารณะ

สร้างหน้าเว็บที่จับคู่กันโดยมีเนื้อหาหลักเดียวกัน แต่มีการจัดการเมทาดาตาที่แตกต่างกัน:

• ชื่อผู้เขียนพื้นฐานเท่านั้น
• ชื่อผู้เขียนพร้อมโปรไฟล์สถาบัน
• ชื่อผู้เขียนพร้อมลิงก์ ORCID
• ชื่อผู้เขียน, ORCID, DOI, ตัวระบุสังกัด และข้อมูลที่มีโครงสร้าง

เผยแพร่หน้าเว็บพร้อมกันและติดตาม:

• การค้นพบในการค้นหา
• การจับคู่ผู้เขียนที่ถูกต้อง
• การดึงข้อมูลเข้าสู่คำตอบของปัญญาประดิษฐ์
• ความถี่ในการอ้างอิง
• ความถูกต้องของการอ้างอิง

การทดลองนี้ต้องตีความอย่างระมัดระวัง ระบบสาธารณะอาจรวบรวมข้อมูลหน้าเว็บในช่วงเวลาที่แตกต่างกัน และองค์กรไม่สามารถเปลี่ยนแปลงบันทึก Crossref หรือ DataCite สำหรับผลงานที่ตีพิมพ์ไปแล้วได้อย่างง่ายดาย

เวอร์ชัน B: ดัชนีการวิจัยแบบควบคุม

สร้างระบบดึงข้อมูลขนาดเล็กที่มีเอกสารเดียวกันภายใต้เงื่อนไขเมทาดาตาที่แตกต่างกัน เปลี่ยนแปลงเฉพาะ:

• ตัวระบุผู้เขียน
• DOI
• สังกัด
• บทบาทผู้มีส่วนร่วม
• ลิงก์โปรไฟล์
• ฟิลด์แหล่งที่มา

จากนั้นถามคำถามเดียวกันและวัดการดึงข้อมูลและการเลือกอ้างอิง การทดลองนี้ให้การควบคุมที่ดีกว่า แต่เป็นการวัดระบบการวิจัยมากกว่าแพลตฟอร์มเชิงพาณิชย์

การศึกษาที่สาม: การทยอยนำไปใช้ในองค์กร

การออกแบบที่แข็งแกร่งที่สุดในทางปฏิบัติคือ การศึกษาแบบความแตกต่างในความแตกต่าง (difference-in-differences study)

องค์กรสามารถทยอยนำศูนย์ข้อมูลนักวิจัยไปใช้เป็นขั้นตอน:

• แผนกที่หนึ่งได้รับโปรแกรมเต็มรูปแบบในเดือนตุลาคม 2569
• แผนกที่สองได้รับในเดือนมกราคม 2570
• แผนกที่สามได้รับในเดือนเมษายน 2570

ทุกแผนกจะถูกวัดผลก่อนและหลังการนำไปใช้ แผนกที่ยังไม่ได้รับโปรแกรมจะทำหน้าที่เป็นกลุ่มเปรียบเทียบชั่วคราว

วัดผล:

• การให้เครดิตผู้เขียนที่ถูกต้อง
• การแก้ไข DOI
• ความถี่ในการอ้างอิง
• ความถูกต้องของการอ้างอิง
• การแสดงผลการค้นหา
• การเข้าชมหน้าโปรไฟล์
• เวลาที่ใช้ในการแก้ไขเมทาดาตาที่ไม่ถูกต้อง

การออกแบบนี้แข็งแกร่งกว่าการเปรียบเทียบแบบก่อนและหลังอย่างง่าย เพราะช่วยแยกผลกระทบของการนำไปใช้จากการเปลี่ยนแปลงที่กว้างขึ้นในระบบปัญญาประดิษฐ์

สมมติฐานที่ควรทดสอบ

องค์กรสามารถลงทะเบียนสมมติฐานเหล่านี้ล่วงหน้าได้:

• H1: การเชื่อมโยงตัวตนที่แข็งแกร่งขึ้นช่วยปรับปรุงการให้เครดิตผู้เขียนที่ถูกต้อง
• H2: เมทาดาตา DOI ที่สมบูรณ์ช่วยปรับปรุงอัตราการอ้างอิงที่ถูกต้อง
• H3: ตัวระบุสังกัดมีประโยชน์มากที่สุดเมื่อผู้เขียนมีชื่อสามัญทั่วไปหรือย้ายระหว่างสถาบัน
• H4: โปรไฟล์นักวิชาการช่วยปรับปรุงการค้นพบได้มากกว่าที่จะปรับปรุงความถี่ในการอ้างอิงขั้นสุดท้าย
• H5: ความแข็งแกร่งของตัวตนมีผลกระทบต่อผู้เขียนที่ไม่ค่อยเป็นที่รู้จักมากกว่าผู้เขียนที่มีชื่อเสียงอยู่แล้ว
• H6: ผลกระทบแตกต่างกันไปตามระบบ หัวข้อ ภาษา และประเภทสิ่งพิมพ์
• H7: ความใหม่และความเกี่ยวข้องของหัวข้อสำคัญกว่าการตกแต่งโปรไฟล์

ควรเผยแพร่ข้อมูลรับรองอะไรบ้าง?

โปรไฟล์ควรเผยแพร่ข้อมูลรับรองที่สามารถตรวจสอบได้ ข้อมูลรับรองแต่ละรายการควรมี:

• ประเภทของข้อมูลรับรอง
• บุคคลที่เป็นเจ้าของ
• องค์กรที่ออก
• ตัวระบุถาวรสำหรับองค์กรเมื่อมีให้
• วันที่เริ่มต้นและสิ้นสุด
• แหล่งที่มาของการยืนยัน
• สถานะ เช่น ปัจจุบัน หมดอายุ มีข้อโต้แย้ง หรือถูกเก็บถาวร
• วันที่ตรวจสอบล่าสุด

องค์กรควรระบุแหล่งที่มาของข้อมูลรับรองแต่ละรายการ:

• รายงานตนเอง
• ได้รับการยืนยันจากสถาบัน
• ได้รับการยืนยันจากผู้จัดพิมพ์
• ได้รับการยืนยันจากผู้ให้ทุน
• นำเข้าจากทะเบียน
• รอการตรวจสอบ

หลีกเลี่ยงการเผยแพร่คำกำกับที่ไม่มีการสนับสนุน เช่น “ผู้เชี่ยวชาญชั้นนำ” หรือ “นักวิจัยที่มีชื่อเสียงระดับโลก” ให้แทนที่ด้วยหลักฐาน:

• จำนวนและประเภทของผลงาน
• สาขาการวิจัย
• บทบาทที่ได้รับการยืนยัน
• โครงการที่ได้รับทุน
• บริการบรรณาธิการ
• ชุดข้อมูลหรือซอฟต์แวร์สาธารณะ
• การแต่งตั้งในสถาบัน

แนวทางนี้มีประโยชน์มากกว่าสำหรับทั้งผู้อ่านและเครื่องจักร

แผนการนำไปใช้สำหรับองค์กร

ระยะที่หนึ่ง: สร้างนโยบายเมทาดาตา

มอบหมายกลุ่มกำกับดูแลขนาดเล็กที่มีตัวแทนจาก:

• ฝ่ายบริหารงานวิจัย
• บริการห้องสมุด
• เทคโนโลยีสารสนเทศ
• การสื่อสาร
• บริการการตีพิมพ์หรือที่เก็บข้อมูล
• ความเป็นส่วนตัว
• ความซื่อสัตย์ในการวิจัย

สร้างนโยบายข้อมูลสั้นๆ ที่กำหนด:

• ฟิลด์ที่จำเป็น
• ระบบตัวระบุที่ได้รับการอนุมัติ
• ใครบ้างที่สามารถยืนยันแต่ละฟิลด์ได้
• ฟิลด์ใดที่เป็นสาธารณะ
• วิธีการจัดการการแก้ไข
• ระยะเวลาที่ควรใช้ในการอัปเดต
• จะเกิดอะไรขึ้นเมื่อบุคคลลาออก

ใช้สัญญาข้อมูลเดียวในทุกระบบ อย่างน้อยที่สุด ทุกบันทึกข้อมูลบุคคล ผลงาน องค์กร และข้อมูลรับรองควรมี:

text persistent_id display_name source asserted_by valid_from valid_to last_verified status evidence_url

ระยะที่สอง: รวบรวมตัวระบุที่ได้รับการยืนยัน

ขอให้นักวิจัยเชื่อมต่อบันทึก ORCID ของตนผ่านกระบวนการยืนยันตัวตน อย่าให้สถาบันต้องรับผิดชอบในการเดาว่า ORCID iD ใดเป็นของบุคคลใด

ในเวลาเดียวกัน:

• กำหนดตัวระบุองค์กรให้กับแผนกและสถาบัน
• เชื่อมโยงบันทึกบุคลากรเข้ากับ ORCID
• จับคู่ผลงานตีพิมพ์ที่มีอยู่กับบันทึก DOI
• ตั้งค่าสถานะการชนกันของชื่อ
• เก็บรูปแบบชื่ออื่นไว้
• บันทึกการยินยอมและการตั้งค่าการมองเห็น

ระยะที่สาม: ปรับปรุงเมทาดาตา DOI

สำหรับผลงานใหม่ กำหนดให้ขั้นตอนการตีพิมพ์รวบรวม:

• ชื่อผู้เขียนฉบับเต็ม
• ORCID iD ที่ได้รับการยืนยันตัวตน
• สังกัด
• ตัวระบุองค์กร
• บทบาทผู้มีส่วนร่วม
• ตัวระบุแหล่งทุน
• บทคัดย่อ
• เอกสารอ้างอิง
• ใบอนุญาต
• ข้อมูลเวอร์ชันและการอัปเดต

สำหรับผลงานเก่า ให้เริ่มต้นด้วยผลงานย้อนหลังห้าปีล่าสุดและผู้เขียนที่ใช้งานมากที่สุดขององค์กร

Crossref และ DataCite ควรรวมถึงการแก้ไขและการอัปเดต แทนที่จะเป็นเพียงการฝากข้อมูลต้นฉบับเท่านั้น สตริง DOI ยังคงถาวร ในขณะที่เมทาดาตาที่เกี่ยวข้องสามารถบำรุงรักษาได้ การบำรุงรักษาเมทาดาตาของ Crossref (crossref.org)

ระยะที่สี่: สร้างหน้าผู้เขียนหลัก

นักวิจัยแต่ละคนควรมีหน้าสถาบันที่เสถียรหนึ่งหน้า หน้าเว็บนั้นควร:

• ใช้ที่อยู่เว็บถาวร
• แสดงบทบาทปัจจุบัน
• เก็บรักษาบทบาทก่อนหน้าพร้อมวันที่
• ลิงก์ไปยัง ORCID
• ลิงก์ไปยังบันทึก DOI ที่เลือก
• ลิงก์ไปยังโปรไฟล์นักวิชาการสาธารณะ
• แสดงสาขาการวิจัย
• แสดงวันที่อัปเดตล่าสุด
• ใช้ข้อมูลที่มีโครงสร้าง
• ยังคงเข้าถึงได้สำหรับโปรแกรมรวบรวมข้อมูลการค้นหา
• หลีกเลี่ยงการกำหนดให้เข้าสู่ระบบ

Google แนะนำให้ใช้ URL ของผู้เขียนที่ชัดเจนและลิงก์ sameAs เพื่อช่วยแยกแยะผู้เขียน แนวทางการทำเครื่องหมายผู้เขียนของ Google (developers.google.com)

ระยะที่ห้า: รวมและตรวจสอบโปรไฟล์

เชื่อมโยงหน้าสถาบันเข้ากับ:

• ORCID
• Google Scholar
• OpenAlex
• หน้าผู้จัดพิมพ์
• บันทึกที่เก็บข้อมูล
• หน้าเงินทุน
• โปรไฟล์วิชาชีพสาธารณะที่เหมาะสม (ถ้ามี)

ใช้การตรวจสอบอัตโนมัติเพื่อค้นหา:

• ลิงก์ DOI ที่เสีย
• ลิงก์ ORCID ที่หายไป
• ผู้เขียนซ้ำซ้อน
• การจับคู่ผู้ร่วมเขียนที่ผิดพลาด
• สังกัดเก่า
• ข้อมูลรับรองที่หมดอายุ
• วันที่อัปเดตที่หายไป
• ชื่อที่ไม่ตรงกัน
• การถอนหรือการแก้ไข

การกำกับดูแลสำหรับการอัปเดตและการเปลี่ยนแปลงบทบาท

ศูนย์ข้อมูลนักวิจัยต้องเก็บรักษาประวัติ ไม่ควรเขียนประวัติใหม่ทุกครั้งที่บุคคลเปลี่ยนงาน

ลำดับชั้นแหล่งที่มาที่แนะนำ

เมื่อนักวิจัยย้ายสถาบัน

อย่าลบสังกัดเก่าออกจากผลงานทางประวัติศาสตร์

ให้ทำดังนี้:

1. เพิ่มวันที่สิ้นสุดลงในบันทึกการจ้างงานเดิม
2. เพิ่มสังกัดใหม่พร้อมวันที่เริ่มต้น
3. อัปเดตโปรไฟล์สถาบัน
4. คงสังกัดผลงานตีพิมพ์ทางประวัติศาสตร์ไว้เหมือนเดิม เว้นแต่ผู้จัดพิมพ์จะออกการแก้ไข
5. อัปเดตบันทึก ORCID ผ่านแหล่งที่มาที่เหมาะสม
6. เปลี่ยนเส้นทางหน้าโปรไฟล์เก่าไปยังหน้าเก็บถาวรหรือหน้าใหม่

เมื่อบุคคลเปลี่ยนชื่อ

ใช้ ORCID เพื่อเชื่อมโยงรูปแบบชื่อที่แตกต่างกัน เพิ่มชื่อเดิมหรือชื่ออื่นเมื่อนักวิจัยเห็นด้วย อย่าเปลี่ยนชื่อผู้เขียนในบันทึก DOI ที่เผยแพร่แล้วเพียงเพื่อให้ตรงกับโปรไฟล์ปัจจุบัน

วัตถุประสงค์ของตัวระบุถาวรคือการเชื่อมโยงผลงานเมื่อมีการเปลี่ยนชื่อ โดยไม่ต้องเขียนบันทึกการตีพิมพ์ใหม่

เมื่อบทบาทของผู้มีส่วนร่วมเปลี่ยนไป

บทบาทของผู้มีส่วนร่วมในผลงานที่เสร็จสมบูรณ์ควรถือเป็นส่วนหนึ่งของบันทึกทางประวัติศาสตร์

ตัวอย่างเช่น:

• บทบาทของบุคคลในบทความที่ตีพิมพ์ไม่ควรเปลี่ยนแปลงเพียงเพราะภายหลังบุคคลนั้นได้เป็นหัวหน้าภาควิชา
• บทบาทบรรณาธิการควรมีวันที่เริ่มต้นและวันที่สิ้นสุด
• บทบาทเงินทุนควรกำหนดตามช่วงเวลาที่ได้รับเงินทุน
• บทบาทซอฟต์แวร์ควรกำหนดตามเวอร์ชันหรือการเผยแพร่

หากบันทึกการมีส่วนร่วมเดิมผิดพลาด ให้ใช้กระบวนการแก้ไขอย่างเป็นทางการ อย่าเขียนทับโดยไม่มีการแจ้งให้ทราบ

เมื่อข้อมูลรับรองหมดอายุ

ใช้ค่าสถานะที่ชัดเจน:

• ปัจจุบัน
• หมดอายุ
• ต่ออายุแล้ว
• ถูกระงับ
• มีข้อโต้แย้ง
• เก็บถาวร

ควรมีการส่งการแจ้งเตือนอัตโนมัติก่อนหมดอายุ โปรไฟล์สาธารณะควรแสดงสถานะและวันที่ แทนที่จะปล่อยให้ข้อมูลรับรองที่ล้าสมัยปรากฏโดยไม่มีคำอธิบาย

เมื่อนักวิจัยลาออกจากองค์กร

องค์กรควร:

• เก็บรักษาโปรไฟล์ทางประวัติศาสตร์
• ระบุบทบาทเดิมอย่างชัดเจน
• เก็บลิงก์ไปยังผลงานที่ตีพิมพ์
• โอนความเป็นเจ้าของโปรไฟล์
• ตั้งค่าการเปลี่ยนเส้นทางสำหรับหน้าเดิม
• ลบข้อมูลติดต่อส่วนตัว
• เก็บคำยืนยันของสถาบันที่เป็นจริงในช่วงระยะเวลาการจ้างงานเดิมไว้

เมื่อมีการโต้แย้งความเป็นผู้เขียน

ตรึงฟิลด์ที่มีข้อโต้แย้ง เก็บรักษาแหล่งที่มาเดิม และบันทึกข้อโต้แย้ง อย่าลบผู้เขียนหรือเปลี่ยนบทบาทการมีส่วนร่วมโดยอาศัยเพียงคำขอที่ไม่เป็นทางการ

สำนักงานความซื่อสัตย์ในการวิจัย ผู้จัดพิมพ์ หรือหน่วยงานโครงการที่รับผิดชอบควรกำหนดเส้นทางการแก้ไขอย่างเป็นทางการ

ตัวชี้วัดความสำเร็จ

องค์กรควรติดตามคุณภาพการดำเนินงานก่อนที่จะรับประกันการมองเห็นที่เพิ่มขึ้นโดยปัญญาประดิษฐ์

เป้าหมายที่แนะนำ ได้แก่:

• 95 เปอร์เซ็นต์ของนักวิจัยที่ใช้งานมี ORCID iD ที่ได้รับการยืนยันตัวตนแล้ว
• 95 เปอร์เซ็นต์ของผลงานใหม่มี ORCID (เมื่อมีให้)
• 95 เปอร์เซ็นต์ของสังกัดใช้ตัวระบุองค์กรถาวร
• 100 เปอร์เซ็นต์ของการฝาก DOI ใหม่ผ่านการตรวจสอบเมทาดาตา
• 100 เปอร์เซ็นต์ของหน้าผู้เขียนมีที่อยู่โปรไฟล์ที่เสถียร
• 100 เปอร์เซ็นต์ของการเปลี่ยนแปลงบทบาทมีวันที่
• ผลงานน้อยกว่า 1 เปอร์เซ็นต์ถูกกำหนดให้กับผู้เขียนผิดพลาด
• การแก้ไขเมทาดาตาเสร็จสิ้นภายใน 30 วัน
• การเปลี่ยนแปลงการจ้างงานปัจจุบันปรากฏภายในเจ็ดวัน
• การถอนและการแก้ไขอย่างเป็นทางการได้รับการสะท้อนอย่างรวดเร็ว

สำหรับการศึกษาการอ้างอิงโดยปัญญาประดิษฐ์ ให้ติดตาม:

• อัตราการให้เครดิตผู้เขียนที่ถูกต้อง
• อัตรา DOI ที่ถูกต้อง
• ความแม่นยำของการอ้างอิง
• การเรียกคืนการอ้างอิง
• ความถี่ในการอ้างอิงผลงาน
• การตกลงร่วมกันข้ามระบบ
• ระยะเวลาจากการแก้ไขเมทาดาตาไปจนถึงการปรับปรุงการทำดัชนี
• ความแตกต่างระหว่างการค้นพบโปรไฟล์และการอ้างอิงในคำตอบสุดท้าย

องค์กรควรรรายงานมาตรการเหล่านี้ตามสาขาวิชา ภาษา ขั้นอาชีพ และความแพร่หลายของชื่อ มิฉะนั้น คะแนนเฉลี่ยอาจซ่อนผลลัพธ์ที่ไม่เท่าเทียมกัน

ความเสี่ยงและมาตรการป้องกัน

ศูนย์ข้อมูลนักวิจัยสามารถสร้างความเสี่ยงใหม่ได้หากกลายเป็นระบบที่กีดกัน

องค์กรไม่ควร:

• ลงโทษนักวิจัยที่เก็บข้อมูล ORCID บางส่วนเป็นส่วนตัว
• ถือว่าโปรไฟล์ Google Scholar สาธารณะเป็นหลักฐานของคุณภาพ
• ใช้จำนวนการอ้างอิงแทนการตรวจสอบโดยผู้ทรงคุณวุฒิ
• เผยแพร่ข้อมูลติดต่อส่วนตัวโดยไม่จำเป็น
• อนุมานความเชี่ยวชาญจากชื่อเสียงของสถาบันเพียงอย่างเดียว
• กำหนดให้นักวิจัยทุกคนต้องใช้บริการโปรไฟล์สาธารณะเดียวกัน
• ถือว่าตัวระบุที่ขาดหายไปเป็นหลักฐานการประพฤติมิชอบ
• อนุญาตให้ระบบอัตโนมัติเขียนทับบันทึกโดยไม่มีการตรวจสอบ

การนำ ORCID มาใช้และคุณภาพของเมทาดาตาแตกต่างกันไปตามสาขา ประเทศ ขั้นอาชีพ และประเภทสิ่งพิมพ์ ระบบที่เป็นธรรมต้องสนับสนุนการแก้ไขด้วยตนเอง การควบคุมความเป็นส่วนตัว ความหลากหลายของชื่อ และบุคคลที่ผลงานไม่ได้รับการนำเสนออย่างดีโดยตัวชี้วัดการตีพิมพ์ในวารสาร

บทสรุป

ศูนย์ข้อมูลนักวิจัยที่แข็งแกร่งไม่ใช่โครงการสร้างแบรนด์ส่วนบุคคล แต่เป็น ระบบหลักฐานที่เครื่องจักรสามารถอ่านได้

• ORCID เชื่อมโยงบุคคลเข้ากับตัวตนถาวร
• Crossref และ DataCite เชื่อมโยงผลงานเข้ากับตัวระบุที่เสถียรและเมทาดาตาที่สมบูรณ์
• ตัวระบุ Research Organization Registry เชื่อมโยงบุคคลและผลงานเข้ากับสถาบัน
• บทบาทผู้มีส่วนร่วม แสดงให้เห็นว่าแต่ละบุคคลทำอะไรไปบ้าง
• โปรไฟล์สถาบันและโปรไฟล์นักวิชาการ ให้บริบทสาธารณะ
• ข้อมูลที่มีโครงสร้าง ช่วยให้ระบบการค้นหาตีความความสัมพันธ์ได้
• การกำกับดูแลและประวัติเวอร์ชัน แสดงให้เห็นว่าอะไรเป็นปัจจุบัน อะไรเป็นจริงในอดีต และใครเป็นผู้ยืนยันข้อกล่าวอ้างแต่ละรายการ

ประโยชน์ที่น่าจะได้รับไม่ใช่การเพิ่มอันดับโดยอัตโนมัติ ประโยชน์คือห่วงโซ่ที่แข็งแกร่งขึ้นจาก บุคคล → ผลงาน → องค์กร → หลักฐาน

ดังนั้น องค์กรควรให้คำมั่นสองประการ:

1. สร้างมาตรฐานและบำรุงรักษาเมทาดาตา
2. วัดพฤติกรรมการอ้างอิงโดยปัญญาประดิษฐ์ แทนที่จะคาดการณ์ผลกระทบ

ศูนย์ข้อมูลนักวิจัยที่น่าเชื่อถือที่สุดไม่ใช่ศูนย์ข้อมูลที่มีป้ายกำกับมากที่สุด แต่เป็นศูนย์ข้อมูลที่มีข้อกล่าวอ้างสำคัญที่คงอยู่ เชื่อมโยง มีแหล่งที่มา เป็นปัจจุบัน และง่ายต่อการตรวจสอบ