Yazar Merkezleri Oluşturma: Güven Temel Öğeleri Olarak ORCID, Crossref ve Akademisyen Profilleri

Yazar Merkezleri Oluşturma: Güven Temel Öğeleri Olarak ORCID, Crossref ve Akademisyen Profilleri

Yazar merkezleri, insanların ve makinelerin üç temel soruyu yanıtlamasına yardımcı olan halka açık, bağlantılı kayıtlardır:

1. Bu çalışmayı kim oluşturdu?
2. Çalışma tam olarak nedir?
3. Kişi, çalışma ve kuruluş arasındaki bağlantıya neden güvenilmeli?

İnsan okuyucular için bir yazar merkezi, biyografi, yayınlar, kimlik bilgileri ve bağlantılar içeren bir profil sayfası gibi görünebilir. Yapay zeka sistemleri için, onu bağlantılı bir kanıt grafiği olarak düşünmek daha faydalıdır.

Güçlü bir yazar merkezi şunları bağlar:

• Bir kişiyi bir ORCID iD'ye
• Bir yayın, veri seti, rapor veya yazılım paketini bir Dijital Nesne Tanımlayıcı'ya
• Bir çalışmayı eksiksiz Crossref veya DataCite meta verilerine
• Bir araştırmacıyı doğrulanmış bağlılıklarına ve kuruluşlarına
• Halka açık bir profili istikrarlı bir kurumsal web sayfasına
• Katkıları, Katkıda Bulunan Rolleri Taksonomisi'ndekiler gibi net rollere
• Mevcut ve geçmiş rolleri tarihlere, kaynaklara ve güncelleme kayıtlarına

Bu bağlantılar kimlik çözünürlüğünü, almayı, alıntı doğruluğunu ve kaynak doğrulamayı iyileştirebilir. Bir yapay zeka sisteminin bir yazarı alıntılamasını garanti etmezler. Bir ORCID iD eklemenin yapay zeka alıntılarında sabit bir artış sağladığına dair güvenilir bir kamu kanıtı yoktur. Daha güçlü iddia daha dar ve daha savunulabilirdir: iyi kimlik ve çalışma meta verileri, arama ve araştırma sistemlerinin akademik materyali bulmasını, eşleştirmesini, doğrulamasını ve doğru şekilde alıntılamasını kolaylaştırır.

Bu makale, 13 Ağustos 2026 itibarıyla mevcut olan kamu belgelerini ve araştırmaları yansıtmaktadır.

Yazar Merkezleri Yapay Zeka Sistemleri İçin Neden Önemlidir?

Yapay zeka sistemleri hepsi aynı arama indekslerini, veritabanlarını veya sıralama yöntemlerini kullanmaz. Bazıları canlı web aramasına dayanır. Diğerleri akademik veritabanlarını, lisanslı indeksleri, dahili bilgi depolarını veya yanıt oluşturmadan önce belgeleri arayan alma sistemlerini kullanır.

Yine de, birçok sistem aynı teknik sorunlarla karşılaşır:

• İsimler farklı şekillerde yazılmış olabilir.
• Birden fazla araştırmacı aynı isme sahip olabilir.
• Bir çalışma, ön baskı, konferans versiyonu, kabul edilmiş el yazması ve son versiyona sahip olabilir.
• Bir dergi makalesi bir veri setine, yazılım paketine, hibe veya düzeltmeye bağlanabilir.
• Bir yazar kurum veya isim değiştirebilir.
• Bir web sayfası, bir kimlik bilgisini kimin verdiğini veya ne zaman geçerli olduğunu göstermeden açıklayabilir.

Kalıcı tanımlayıcılar ve yapılandırılmış meta veriler bu sorunları çözmeye yardımcı olur.

Dijital Nesne Tanımlayıcı sistemi, bir tanımlayıcıyı dijital, fiziksel veya soyut bir nesne için kalıcı bir ad olarak tanımlar. Değeri sadece tanımlayıcıya değil, aynı zamanda ona bağlı meta verilere de bağlıdır. DOI El Kitabı (doi.org)

Bir yazar merkezini düşünmenin faydalı bir yolu, dört bağlı katman olarak düşünmektir:

Amaç, etkileyici kelimelerle dolu bir profil oluşturmak değildir. Amaç, önemli iddiaların kontrol edilebildiği bir kayıt oluşturmaktır.

Bir Yazar Merkezinin Üç Ana Bölümü

1. ORCID: Kişi Kimliği Katmanı

ORCID, Açık Araştırmacı ve Katkıda Bulunan Kimliği anlamına gelir. Bir kişi için kalıcı bir tanımlayıcı sağlar ve benzer isimlere sahip, farklı isim formları kullanan veya zamanla isimlerini değiştiren araştırmacıları ayırt etmeye yardımcı olur. ORCID genel bakışı (support.orcid.org)

Bir ORCID kaydı şunları içerebilir:

• İsimler ve isim varyantları
• İstihdam ve eğitim
• Araştırma çalışmaları
• Finansman
• Akran değerlendirmesi etkinliği
• Editörlük hizmeti
• Üyelikler ve ayrımlar
• Araştırma kaynakları
• Diğer tanımlayıcılara bağlantılar

En önemli özellik, 16 haneli numaranın kendisi değildir. Bu numara ile ilişkilendirilmiş desteklenen bağlantılar ağı'dır.

Örneğin:

text Jane Smith └── ORCID iD ├── Makale DOI ├── Veri Seti DOI ├── Hibe tanımlayıcı ├── Üniversite bağlılığı ├── Yazılım kaydı └── Editörlük rolü

Kimliği Doğrulanmış Bağlantılar Daha Güçlüdür

Kuruluşlar, ORCID iD'lerini insanlardan bir forma tanımlayıcı yazmalarını istemek yerine, kimliği doğrulanmış bir oturum açma süreci aracılığıyla toplamalıdır. ORCID, araştırmacının doğru kaydı onaylaması için kendi yetkilendirme sürecini kullanmasını önerir. ORCID entegrasyonu ve uygulama programlama arayüzü rehberliği (info.orcid.org)

Bu ayrım önemlidir:

• Doğrulanmamış iddia: “Bu ORCID iD Jane Smith’e aittir.”
• Kimliği doğrulanmış iddia: “Jane Smith, ORCID aracılığıyla oturum açtı ve bu sisteme iD’sini kullanma yetkisi verdi.”
• Kurumsal beyan: “Üniversite, bu kişinin bu tarihler arasında bu bağlılığa sahip olduğunu onaylar.”

ORCID ayrıca beyanların kaynağını ve kökenini de saklar. Bir çalışma veya bağlılık araştırmacı, bir yayıncı, bir fon sağlayıcı veya başka bir güvenilir kuruluş tarafından eklenebilir. ORCID güven rehberliği (info.orcid.org)

Bu, hem insanlar hem de makineler için faydalı bir güven sinyali oluşturur:

Kayıt sadece ne iddia edildiğini söylemez. Aynı zamanda bu iddiayı kimin yaptığını ve ne zaman eklendiğini de gösterebilir.

Önemli Sınırlama

Bir ORCID iD, bir kayıttaki her öğenin doğru olduğunun garantisi değildir. ORCID’in kendisi, kullanıcıları güven işaretleyicilerini, kaynakları, tarihleri ve bilgiyi ekleyen kuruluşları incelemeye teşvik eder. ORCID güven işaretleyicileri (info.orcid.org)

Bu nedenle, kuruluşlar “bir ORCID iD’ye sahip olmak” ifadesini “tamamen doğrulanmış olmak” ile eşdeğer tutmamalıdır. Daha iyi bir model şöyledir:

• Kendiliğinden beyan edilmiş
• Kimliği doğrulanmış
• Kurumsal olarak onaylanmış
• Yayıncı tarafından onaylanmış
• Fon sağlayıcı tarafından onaylanmış
• Yakın zamanda incelenmiş

2. Crossref ve DataCite: Çalışma Kimliği Katmanı

ORCID kişiyi tanımlar. Crossref ve DataCite ise çalışmayı tanımlamaya yardımcı olur.

Bir Dijital Nesne Tanımlayıcı şunları tanımlayabilir:

• Dergi makaleleri
• Kitaplar ve kitap bölümleri
• Konferans bildirileri
• Veri setleri
• Yazılımlar
• Raporlar
• Ön baskılar
• Akran değerlendirmeleri
• Standartlar
• Posterler ve sunumlar

Bir DOI, istikrarlı bir açılış sayfasına çözümlenmelidir. Daha da önemlisi, çalışmayı açıklayan eksiksiz meta verilere sahip olmalıdır.

Crossref, aşağıdaki bilgilerin kaydedilmesini önerir:

• Soyadı ve adı
• Katkıda bulunan rolleri
• Bağlılıklar
• Kuruluş tanımlayıcıları
• ORCID iD'leri
• Yayın tarihleri
• Özetler
• Referanslar
• Finansman
• Lisanslar
• Sürüm bilgileri
• Güncellemeler ve düzeltmeler

Crossref gerekli ve önerilen meta veriler (crossref.org)

Crossref, meta verilerini web arayüzleri, uygulama programlama arayüzleri ve toplu indirmeler aracılığıyla erişilebilen paylaşılan bir kaynak olarak tanımlar. Alt sistemler bu bilgileri akademik çıktıları keşfetmek ve bağlamak için kullanabilir. Crossref meta veri alımı (crossref.org)

DataCite, veri setleri ve diğer birçok araştırma çıktısı için benzer bir işlev görür. 3 Mart 2026'da yayınlanan mevcut Metadata Şeması 4.7, oluşturucuları, katkıda bulunanları, ORCID tanımlayıcılarını, bağlılıkları, kuruluş tanımlayıcılarını, ilgili tanımlayıcıları, finansmanı, açıklamaları ve kaynak türlerini destekler. DataCite Metadata Şeması (schema.datacite.org)

DataCite özellikle oluşturucu ve katkıda bulunan kayıtlarını ORCID tanımlayıcılarına ve kurumsal bağlılıkları kuruluş tanımlayıcılarına bağlamayı önerir. DataCite isim tanımlayıcıları (support.datacite.org)

Bir DOI Bir Kalite Rozeti Değildir

Bir DOI, bir DOI kayıt sisteminde bir kaydın var olduğunu kanıtlar. Ancak şunları kanıtlamaz:

• Araştırmanın doğru olduğunu
• Yayınların akran değerlendirmesinden geçtiğini
• Derginin saygın olduğunu
• Yazarın uzman olduğunu
• Bulguların önemli olduğunu

Crossref bu noktayı net bir şekilde belirtir: DOI'nin kendisi nesnenin değerini veya doğruluğunu belirtmez. Çevreleyen meta veriler bağlam sağlar ve bağlantılar kurmayı mümkün kılar. Crossref DOI rehberliği (support.crossref.org)

Bu nedenle, eksiksiz bir DOI kaydı, bir sayfanın altına yerleştirilmiş bir DOI dizgisinden çok daha kullanışlıdır.

Katkıda Bulunan Rolleri Anlam Katar

Temmuz 2026'da Crossref Şeması 5.5, birden fazla katkıda bulunan rolü, ilgili yazarlar ve Katkıda Bulunan Rolleri Taksonomisi için daha iyi destek ekledi. Crossref Şeması 5.5 (crossref.org)

Katkıda Bulunan Rolleri Taksonomisi, aşağıdakiler dahil 14 rol içerir:

• Kavramsallaştırma
• Veri kürasyonu
• Biçimsel analiz
• Araştırma
• Metodoloji
• Yazılım
• Denetim
• Doğrulama
• Görselleştirme
• Orijinal taslağı yazma
• Yazma, inceleme ve düzenleme

Taksonomi, katkıları daha şeffaf hale getirmek ve atıf, hesap verebilirlik, araştırma değerlendirmesi ve araştırma bütünlüğünü desteklemek için tasarlanmıştır. Katkıda Bulunan Rolleri Taksonomisi (credit.niso.org)

Yapay zeka sistemleri için bu, “Jane Smith bir yazardır.” ifadesinden daha zengin bir yanıt oluşturur. Bir sistem potansiyel olarak şunlar arasında ayrım yapabilir:

• Çalışmayı tasarlayan kişi
• Yazılımı yazan kişi
• Verileri analiz eden kişi
• Projeyi denetleyen kişi
• Orijinal el yazmasını yazan kişi

Bu, özellikle büyük araştırma ekipleri ve teknik projeler için önemlidir.

3. Akademisyen Profilleri: Bağlam Katmanı

Akademisyen profilleri, kimlik grafiğini insanlar için anlaşılır ve arama sistemleri için yorumlaması daha kolay hale getirir.

Sağlam bir profil şunları içermelidir:

• İstikrarlı bir kurumsal sayfa
• Tutarlı bir isim
• Uygun olduğunda isim varyantları
• ORCID iD
• Mevcut ve geçmiş bağlılıklar
• Araştırma alanları
• DOI bağlantıları içeren seçili çalışmalar
• Veri setleri, yazılımlar ve raporlar
• Finansman ve ödüller
• Editörlük veya inceleme rolleri
• Katkıda bulunan rolleri
• Mevcut ve geçmiş pozisyonlar için tarihler
• Son inceleme tarihi
• Diğer halka açık profillere bağlantılar

Google Scholar profilleri, araştırmacıların yayınları listelemesine, profili herkese açık hale getirmesine, çalışmalarını kimin alıntıladığını görmesine ve atıf metriklerini izlemesine olanak tanır. Doğrulanmış kurumsal e-posta adresine sahip halka açık bir profil, Google Scholar arama sonuçlarında görünme hakkına sahip olabilir. Google Akademisyen profilleri (scholar.google.com)

Ancak, Google Scholar görünürlük ve keşif katmanı olarak ele alınmalı, ana doğruluk kaynağı değil. Araştırmacılar kendi yayın listelerini yönetebilir ve otomatik eşleştirme yanlış veya yinelenen çalışmaları içerebilir. Atıf sayıları da veritabanları arasında farklılık gösterir.

OpenAlex, başka bir faydalı keşif katmanı sunar. Ayırt edilmiş yazar kayıtlarını korur ve yazarları, eserleri, kurumları, kaynakları ve konuları birbirine bağlar. OpenAlex, Crossref ve DataCite gibi kaynaklardan bilgi aldığını, ardından yazarları ORCID kimlikleriyle ve bağlılıkları kuruluş tanımlayıcılarıyla eşleştirdiğini belirtir. OpenAlex ekosistem açıklaması (help.openalex.org)

Bu nedenle en iyi uygulama profil federasyonudur:

text Kurumsal yazar sayfası ↕ ORCID kaydı ↕ Crossref veya DataCite çalışma kayıtları ↕ OpenAlex ve Google Scholar profilleri ↕ Yayıncı, depo, fon sağlayıcı ve profesyonel sayfalar

Tek bir profilin her şeyi içermesi gerekmez. Birbirlerine işaret etmeli ve aynı tanımlayıcıları kullanmalıdırlar.

Bu Sinyaller Yapay Zeka Atıflarını Nasıl Etkileyebilir?

Beş farklı olayı ayırmak önemlidir:

1. Keşif: Bir sistem sayfayı veya çalışmayı bulabilir mi?
2. Kimlik çözünürlüğü: Hangi kişi ve kuruluşun ilgili olduğunu söyleyebilir mi?
3. Alma: Sistem, çalışmayı kanıt setine dahil eder mi?
4. Atıf seçimi: Yanıtta çalışmadan alıntı yapar mı?
5. Atıf doğruluğu: Atıf doğru çalışmaya işaret ediyor ve iddiayı destekliyor mu?

ORCID, DOI meta verileri ve akademisyen profilleri ilk üç adımda doğrudan yardımcı olabilir. Ayrıca atıf doğruluğunu da iyileştirebilirler. Atıf seçimi üzerindeki etkileri muhtemelen konu ilgililiğine, kaynak kalitesine, güncelliğe, erişilebilirliğe ve belirli yapay zeka sistemine bağlı olacaktır.

Google Arama dokümantasyonu, makale yazarlarını tanımlamaya yardımcı olmak için bir yazar sayfası, url ve sameAs bağlantıları kullanılmasını önermektedir. Veri setleri için Google, özellikle bir kişi yaratıcısı için sameAs özelliğinde bir ORCID iD kullanılmasını önermektedir. Google makale yapılandırılmış verileri Google veri seti yapılandırılmış verileri (developers.google.com)

Basit bir profil sayfası şu şekilde yapılandırılmış veriler kullanabilir:

{ "@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" } ] }

Yapılandırılmış veriler, bir arama özelliği veya yapay zeka atıfını garanti etmez. Google, doğru bir şekilde uygulanan yapılandırılmış verilerin bile arama sonuçlarında görünmeyebileceğini belirtir. Değeri, makinelere sayfayı yorumlamak için net, standart bir yol sağlamasıdır. Google yapılandırılmış veri rehberliği (developers.google.com)

Pratik sonuç şudur:

Tanımlayıcılar kanıta giden yolu iyileştirir. Kanıtın yerini almazlar.

Güncel Araştırmalar Yapay Zeka Atıfları Hakkında Ne Söylüyor?

Yapay zeka atıf davranışı üzerine yapılan araştırmalar esas olarak atıf doğruluğu, kaynak seçimi ve doğrulanabilirlik konularını incelemiştir. Henüz ORCID bağlantılı kimlik gücünün etkisi için güvenilir, genel bir tahmin üretmemiştir.

ChatGPT tarafından üretilen atıflar üzerine yapılan 2023 tarihli bir çalışma, gerçek referanslarda önemli oranlarda uydurma referanslar ve hatalar buldu. Çalışma, 84 makale boyunca üretilen 636 atıfı inceledi ve atıf sorunlarının test edilen daha yeni modelde bile devam ettiğini buldu. Scientific Reports çalışması (nature.com)

Üretken arama motorları üzerine yapılan başka bir çalışma, oluşturulan birçok cümlenin atıflarla tam olarak desteklenmediğini ve birçok atıfın yanlarındaki ifadeleri yeterince desteklemediğini buldu. Üretken Arama Motorlarında Doğrulanabilirliği Değerlendirme (arxiv.org)

Son araştırmalar ayrıca, üretken arama sistemlerinin kaynak seçimleri, kaynak örtüşmesi, kararlılığı ve dahili ile harici bilgi kullanımı açısından farklılık gösterdiğini ortaya koymaktadır. Üretken Yapay Zeka Çağında Web Arama Karakterizasyonu (aclanthology.org)

Bu bulgular ihtiyatlı bir duruşu desteklemektedir:

• Bir DOI, alıntı yapılan çalışma hakkındaki belirsizliği azaltabilir.
• ORCID, kişi hakkındaki belirsizliği azaltabilir.
• Bağlılık tanımlayıcıları, kuruluş hakkındaki belirsizliği azaltabilir.
• Katkıda bulunan rolleri atfı iyileştirebilir.
• Halka açık bir profil bağlam sağlayabilir.
• Bu sinyallerin hiçbiri, bir sistemin çalışmayı alacağını veya alıntı yapacağını garanti etmez.

Kimlik Gücünü ve Yapay Zeka Atıf Sıklığını Ölçmek İçin Bir Araştırma Programı

Kuruluşlar, yazar merkezlerinin yapay zeka atıflarını iyileştirdiğini, ilişkiyi doğrudan ölçene kadar iddia etmemelidir.

Yazar Kimliği Gücü Puanı Tanımlayın

Aşağıdaki puan önerilen bir puandır, resmi bir standart değildir.

Bu puana atıf sayılarını, dergi prestijini veya kurumsal sıralamayı dahil etmeyin. Bu faktörler ayrı değişkenler olarak ele alınmalıdır. Bunları dahil etmek, kimlik gücünün kendisinin atıf sıklığı ile ilişkili olup olmadığını belirlemeyi zorlaştıracaktır.

Birden Fazla Atıf Türünü Ölçün

Faydalı bir çalışma en az altı sonucu izlemelidir:

1. Çalışma atıf oranı Belirli bir çalışmayı alıntılayan uygun yanıtların yüzdesi.

2. Yazar atıf oranı Çalışmayı doğru yazara doğru şekilde adlandıran veya atfeden yanıtların yüzdesi.

3. Geçerli tanımlayıcı oranı Doğru çalışmaya çözümlenen bir DOI içeren atıfların yüzdesi.

4. Atıf kesinliği Yapılan ifadeyi gerçekten destekleyen atıfların yüzdesi.

5. Atıf hatırlama Sistemin alıntıladığı önemli destekleyici kaynakların yüzdesi.

6. Çapraz platform kararlılığı Farklı sistemlerde veya tekrar eden çalıştırmalarda tekrarlanan atıfların yüzdesi.

Üretken arama için yakın zamanda yapılan bir ölçüm çerçevesi, atıf seçimini atıf emiliminden ayırır; yani bir kaynağın sadece atıf listesinde mi göründüğü yoksa aslında yanıta kanıt mı sağladığı. Bu ayrım gelecekteki yazar merkezi çalışmalarına dahil edilmelidir. Atıf seçimi ve atıf emilimi çerçevesi (arxiv.org)

Çalışma Bir: Gözlemsel Korelasyon Çalışması

Bu çalışma şunu sorar:

Daha güçlü yazar kimlikleriyle bağlantılı eserler, konu ve yayın faktörleri kontrol edildikten sonra yapay zeka sistemleri tarafından daha sık alıntı yapılıyor mu?

Önerilen tasarım

• 10.000 ila 50.000 akademik eserden örneklem alın
• Çeşitli disiplinleri, dilleri ve yayın türlerini kapsayın
• Crossref, DataCite, OpenAlex ve herkese açık ORCID verilerini kullanın
• Her yazar ve çalışma için bir kimlik gücü puanı hesaplayın
• Örneklenen eserlerin ilgili olduğu bir soru seti oluşturun
• Soruları, alıntı üreten çeşitli sistemlerde çalıştırın
• Her soruyu birkaç kez tekrarlayın
• Tarihi, sistemi, model ayarını, bölgeyi ve alıntı yapılan kaynakları kaydedin

Önemli kontrol değişkenleri

Çalışma şunları kontrol etmelidir:

• Konu ilgililiği
• Yayın yılı
• Açık erişim durumu
• Özet mevcudiyeti
• Tam metin mevcudiyeti
• Mekan
• Mevcut akademik atıf sayısı
• Kurumsal itibar
• Dil
• Sayfa hızı ve taranabilirlik
• Çalışma türü
• Yazar adının yaygınlığı
• Ortak yazar sayısı
• Sorgu ifadesi
• Arama sistemi

Ana istatistiksel model şunları tahmin edebilir:

text Doğru atıf olasılığı = kimlik gücü

• konuyla ilgili olma
• çalışma yaşı
• açık erişim
• akademik atıflar
• sistem
• sorgu
• yazar ve konu kontrolleri

Bir çalışmanın alıntı yapılıp yapılmadığı gibi evet-veya-hayır bir sonuç için lojistik regresyon veya karma etkili bir model uygun olacaktır. Atıf verileri genellikle düzensiz dağıldığı için negatif binom modeli atıf sayıları için faydalı olabilir.

Hasonuç, basit bir yüzde olarak değil, güven aralığı ile bir olasılık oranı olarak rapor edilmelidir. Örneğin:

Kimlik gücündeki bir standart sapma artışı, ilgililik, yaş, erişim ve önceki akademik dikkat kontrol edildikten sonra atıf olasılığında bir değişiklikle ilişkilendirilmiştir.

Çalışma ayrıca boş sonuçları da rapor etmelidir. Bir ilişkinin bulunmaması, tanımlayıcıların yapay zeka atıf davranışını değiştirmeksizin veri kalitesini iyileştirdiğini göstereceği için faydalı olacaktır.

Çalışma İki: Kontrollü Meta Veri Deneyi

Gözlemsel bir çalışma, kimlik gücünü popülerlikle karıştırabilir. Kontrollü bir deney, bazı etkileri izole edebilir.

İki pratik versiyonu vardır.

Versiyon A: Halka Açık Web Deneyi

Aynı esas içeriğe sahip ancak farklı meta veri işlemleri uygulanan eşleştirilmiş sayfalar oluşturun:

• Sadece temel yazar adı
• Yazar adı artı kurumsal profil
• Yazar adı artı ORCID bağlantısı
• Yazar adı, ORCID, DOI, bağlılık tanımlayıcısı ve yapılandırılmış veri

Sayfaları aynı anda yayınlayın ve şunları izleyin:

• Arama keşfi
• Doğru yazar eşleşmesi
• Yapay zeka yanıtlarına alma
• Atıf sıklığı
• Atıf doğruluğu

Bu deney dikkatlice yorumlanmalıdır. Halka açık sistemler sayfaları farklı zamanlarda tarayabilir ve kuruluşlar, zaten yayınlanmış bir çalışma için Crossref veya DataCite kayıtlarını kolayca değiştiremez.

Versiyon B: Kontrollü Araştırma Dizini

Farklı meta veri koşullarında aynı belgeleri içeren küçük bir alma sistemi oluşturun. Sadece şunları değiştirin:

• Yazar tanımlayıcı
• DOI
• Bağlılık
• Katkıda bulunan rolü
• Profil bağlantıları
• Provenans alanları

Ardından aynı soruları sorun ve almayı ve atıf seçimini ölçün. Bu deney daha iyi kontrol sağlar, ancak ticari platformlar yerine bir araştırma sistemini ölçer.

Çalışma Üç: Aşamalı Kurumsal Uygulama

En güçlü pratik tasarım bir fark-farklarda çalışmasıdır.

Bir kuruluş yazar merkezlerini aşamalar halinde uygulamaya koyabilir:

• Birinci Departman tam programı Ekim 2026'da alır.
• İkinci Departman Ocak 2027'de alır.
• Üçüncü Departman Nisan 2027'de alır.

Tüm departmanlar uygulamadan önce ve sonra ölçülür. Henüz programı almamış departmanlar geçici karşılaştırma grupları olarak hizmet eder.

Şunları ölçün:

• Doğru yazar atıfı
• DOI çözünürlüğü
• Atıf sıklığı
• Atıf doğruluğu
• Arama gösterimleri
• Profil sayfası ziyaretleri
• Kötü meta verileri düzeltmek için gereken süre

Bu tasarım, uygulamanın etkisini yapay zeka sistemlerindeki daha geniş değişikliklerden ayırmaya yardımcı olduğu için basit bir öncesi-sonrası karşılaştırmasından daha güçlüdür.

Test Edilmeye Değer Hipotezler

Kuruluşlar bu hipotezleri önceden kaydedebilir:

• H1: Daha güçlü kimlik bağlantıları, doğru yazar atıfını iyileştirir.
• H2: Eksiksiz DOI meta verileri, geçerli atıf oranlarını iyileştirir.
• H3: Bağlılık tanımlayıcıları, yazarların yaygın isimlere sahip olduğu veya kurumlar arasında geçiş yaptığı durumlarda en çok yardımcı olur.
• H4: Akademisyen profilleri, son atıf sıklığını iyileştirmekten çok keşfi iyileştirir.
• H5: Kimlik gücü, halihazırda ünlü yazarlardan çok kuyruklu yazarlar üzerinde daha büyük bir etkiye sahiptir.
• H6: Etki, sisteme, konuya, dile ve yayın türüne göre değişir.
• H7: Güncellik ve konuyla ilgili olma, profil dekorasyonundan daha önemlidir.

Hangi Kimlik Bilgileri Yayınlanmalı?

Bir profil, kontrol edilebilen kimlik bilgilerini yayınlamalıdır. Her kimlik bilgisi şunları içermelidir:

• Bir kimlik bilgisi türü
• Sahip olan kişi
• Veren kuruluş
• Mevcut olduğunda kuruluş için kalıcı bir tanımlayıcı
• Başlangıç ve bitiş tarihleri
• Bir doğrulama kaynağı
• Mevcut, süresi dolmuş, tartışmalı veya arşivlenmiş gibi bir durum
• Son inceleme tarihi

Kuruluşlar her kimlik bilgisinin kaynağını etiketlemelidir:

• Kendiliğinden bildirilen
• Kurumsal olarak doğrulanmış
• Yayıncı tarafından doğrulanmış
• Fon sağlayıcı tarafından doğrulanmış
• Bir sicilden içe aktarılan
• İncelemede bekleyen

“Önde gelen uzman” veya “dünya çapında tanınan araştırmacı” gibi desteksiz etiketler yayınlamaktan kaçının. Bunları kanıtlarla değiştirin:

• Çalışmaların sayısı ve türü
• Araştırma alanları
• Doğrulanmış roller
• Finanse edilen projeler
• Editörlük hizmeti
• Halka açık veri setleri veya yazılımlar
• Kurumsal atamalar

Bu yaklaşım, hem okuyucular hem de makineler için daha kullanışlıdır.

Kuruluşlar İçin Uygulama Planı

Aşama Bir: Meta Veri Politikasını Oluşturun

Aşağıdaki temsilcilerden oluşan küçük bir yönetişim grubu atayın:

• Araştırma yönetimi
• Kütüphane hizmetleri
• Bilgi teknolojileri
• İletişim
• Yayıncılık veya depo hizmetleri
• Gizlilik
• Araştırma bütünlüğü

Şunları tanımlayan kısa bir veri politikası oluşturun:

• Gerekli alanlar
• Onaylanmış tanımlayıcı sistemleri
• Her alanı kimin iddia edebileceği
• Hangi alanların halka açık olduğu
• Düzeltmelerin nasıl ele alındığı
• Güncellemelerin ne kadar sürmesi gerektiği
• Bir kişi ayrıldığında ne olacağı

Sistemler arasında tek bir veri sözleşmesi kullanın. Minimumda, her kişi, çalışma, kuruluş ve kimlik bilgisi kaydı şunları içermelidir:

text kalici_id gorunum_adi kaynak beyan_eden gecerli_baslangic gecerli_bitis son_dogrulama durum kanit_url

Aşama İki: Kimliği Doğrulanmış Tanımlayıcıları Toplayın

Araştırmacılardan ORCID kayıtlarını kimliği doğrulanmış bir süreçle bağlamalarını isteyin. Kurumu, bir ORCID kimliğinin kime ait olduğunu tahmin etmekten sorumlu tutmayın.

Aynı zamanda:

• Departmanlara ve kurumlara kuruluş tanımlayıcıları atayın
• Personel kayıtlarını ORCID'ye bağlayın
• Mevcut yayınları DOI kayıtlarıyla eşleştirin
• İsim çakışmalarını işaretleyin
• Alternatif isim formlarını koruyun
• Onay ve görünürlük ayarlarını kaydedin

Aşama Üç: DOI Meta Verilerini İyileştirin

Yeni çalışmalar için, yayın iş akışının şunları toplamasını isteyin:

• Tam yazar adları
• Kimliği doğrulanmış ORCID iD'leri
• Bağlılıklar
• Kuruluş tanımlayıcıları
• Katkıda bulunan rolleri
• Finansman tanımlayıcıları
• Özetler
• Referanslar
• Lisanslar
• Sürüm ve güncelleme bilgileri

Eski çalışmalar için, son beş yıldan ve kuruluşun en çok kullanılan yazarlarından başlayın.

Crossref ve DataCite, sadece orijinal kaydı değil, düzeltmeleri ve güncellemeleri de almalıdır. DOI dizgileri kalıcı kalırken, ilişkili meta veriler sürdürülebilir. Crossref meta veri bakımı (crossref.org)

Aşama Dört: Kanonik Yazar Sayfaları Oluşturun

Her araştırmacının bir tane istikrarlı kurumsal sayfası olmalıdır. Bu sayfa şunları yapmalıdır:

• Kalıcı bir web adresi kullanın
• Mevcut rolü gösterin
• Önceki rolleri tarihlerle birlikte koruyun
• ORCID'ye bağlayın
• Seçili DOI kayıtlarına bağlayın
• Halka açık akademisyen profillerine bağlayın
• Araştırma alanlarını gösterin
• Son güncelleme tarihini gösterin
• Yapılandırılmış veri kullanın
• Arama tarayıcıları için erişilebilir kalın
• Giriş yapmayı gerektirmekten kaçının

Google, yazarları ayırt etmeye yardımcı olmak için net yazar URL'leri ve sameAs bağlantıları kullanılmasını önermektedir. Google yazar biçimlendirme rehberliği (developers.google.com)

Aşama Beş: Profilleri Birleştirin ve İzleyin

Kurumsal sayfayı şunlara bağlayın:

• ORCID
• Google Akademisyen
• OpenAlex
• Yayıncı sayfaları
• Depo kayıtları
• Hibe sayfaları
• Uygun olduğunda halka açık profesyonel profiller

Şunları bulmak için otomatik kontroller kullanın:

• Bozuk DOI bağlantıları
• Eksik ORCID bağlantıları
• Yinelenen yazarlar
• Yanlış ortak yazar eşleşmeleri
• Eski bağlılıklar
• Süresi dolmuş kimlik bilgileri
• Eksik güncelleme tarihleri
• Uyumsuz isimler
• Geri çekmeler veya düzeltmeler

Güncellemeler ve Rol Değişiklikleri İçin Yönetişim

Bir yazar merkezi geçmişi korumalıdır. Bir kişi her iş değiştirdiğinde geçmişi yeniden yazmamalıdır.

Önerilen Kaynak Hiyerarşisi

Bir Araştırmacı Kurum Değiştirdiğinde

Eski bağlantıyı tarihi çalışmalardan silmeyin.

Bunun yerine:

1. Eski istihdam kaydına bir bitiş tarihi ekleyin.
2. Yeni bağlılığı bir başlangıç tarihiyle ekleyin.
3. Kurumsal profili güncelleyin.
4. Yayıncı bir düzeltme yayınlamadığı sürece tarihi yayın bağlılıklarını değiştirmeyin.
5. Uygun kaynak aracılığıyla ORCID kaydını güncelleyin.
6. Eski profil sayfasını arşivlenmiş veya yeni bir sayfaya yönlendirin.

Bir Kişi İsim Değiştirdiğinde

İsim varyantlarını bağlamak için ORCID kullanın. Araştırmacının kabul ettiği durumlarda eski veya alternatif adları ekleyin. Yayınlanmış bir DOI kaydındaki yazar adını, sadece güncel bir profille eşleştirmek için değiştirmeyin.

Kalıcı tanımlayıcının amacı, yayın kaydını yeniden yazmadan isim değişiklikleri arasında eserleri bağlamaktır.

Bir Katkıda Bulunanın Rolü Değiştiğinde

Tamamlanmış bir çalışmadaki bir katkıda bulunanın rolü, tarihi kaydın bir parçası olarak ele alınmalıdır.

Örneğin:

• Bir kişinin yayınlanmış bir makaledeki rolü, daha sonra bir bölüm başkanı olması nedeniyle değişmemelidir.
• Bir editörlük rolünün başlangıç ve bitiş tarihi olmalıdır.
• Bir hibe rolü hibe dönemiyle bağlantılı olmalıdır.
• Bir yazılım rolü sürüm veya yayınla bağlantılı olmalıdır.

Orijinal katkı kaydı yanlışsa, resmi bir düzeltme süreci kullanın. Bunu sessizce üzerine yazmayın.

Bir Kimlik Bilgisinin Süresi Dolduğunda

Net durum değerleri kullanın:

• Mevcut
• Süresi dolmuş
• Yenilenmiş
• Askıya alınmış
• Tartışmalı
• Arşivlenmiş

Süresi dolmadan önce otomatik hatırlatıcılar gönderilmelidir. Halka açık profiller, eski bir kimlik bilgisini açıklamasız bırakmak yerine, durumu ve tarihi göstermelidir.

Bir Araştırmacı Kuruluştan Ayrıldığında

Kuruluş şunları yapmalıdır:

• Tarihi profili koruyun
• Eski rolü net bir şekilde işaretleyin
• Yayınlanmış çalışmalara bağlantıları saklayın
• Profil sahipliğini devredin
• Eski sayfa için bir yönlendirme ayarlayın
• Özel iletişim bilgilerini kaldırın
• Eski istihdam döneminde doğru olan kurumsal beyanları saklayın

Yazarlık Tartışmalı Olduğunda

Tartışmalı alanı dondurun, orijinal kaynağı koruyun ve anlaşmazlığı kaydedin. Sadece gayri resmi bir talebe dayanarak bir yazarı kaldırmayın veya katkı rollerini değiştirmeyin.

Araştırma bütünlüğü ofisi, yayıncı veya sorumlu proje yetkilisi, resmi düzeltme yolunu belirlemelidir.

Başarı Ölçütleri

Kuruluşlar, artırılmış yapay zeka görünürlüğü vaat etmeden önce operasyonel kaliteyi izlemelidir.

Önerilen hedefler şunlardır:

• Aktif araştırmacıların %95'i kimliği doğrulanmış ORCID iD'lere sahiptir
• Yeni çalışmaların %95'i mevcut olduğunda ORCID içerir
• Bağlılıkların %95'i kalıcı bir kuruluş tanımlayıcısı kullanır
• Yeni DOI kayıtlarının %100'ü meta veri doğrulamasını geçer
• Yazar sayfalarının %100'ü istikrarlı bir profil adresi içerir
• Rol değişikliklerinin %100'ü tarihleri içerir
• Çalışmaların %1'inden azı yanlışlıkla bir yazara atanır
• Meta veri düzeltmeleri 30 gün içinde tamamlanır
• Mevcut istihdam değişiklikleri yedi gün içinde görünür
• Geri çekmeler ve resmi düzeltmeler derhal yansıtılır

Yapay zeka atıf çalışması için şunları izleyin:

• Doğru yazar atıf oranı
• Geçerli DOI oranı
• Atıf kesinliği
• Atıf hatırlama
• Çalışma atıf sıklığı
• Çapraz sistem anlaşması
• Meta veri düzeltmesinden gelişmiş indekslemeye kadar geçen süre
• Profil keşfi ile nihai yanıt atıfı arasındaki fark

Kuruluş, bu ölçümleri disiplin, dil, kariyer aşaması ve isim yaygınlığına göre rapor etmelidir. Aksi takdirde, ortalama bir puan eşitsiz sonuçları gizleyebilir.

Riskler ve Güvenceler

Yazar merkezleri bir kapı bekçiliği sistemi haline gelirse yeni riskler yaratabilir.

Kuruluşlar şunları yapmamalıdır:

• Bazı ORCID bilgilerini gizli tutan araştırmacıları cezalandırmayın
• Halka açık bir Google Akademisyen profilini kalite kanıtı olarak kabul etmeyin
• Atıf sayılarını akran değerlendirmesinin yerine kullanmayın
• Gereksiz yere kişisel iletişim bilgilerini yayınlamayın
• Sadece kurumsal prestijden uzmanlık çıkarmayın
• Her araştırmacının aynı halka açık profil hizmetini kullanmasını zorunlu kılmayın
• Eksik tanımlayıcıları suistimal kanıtı olarak ele almayın
• Otomatik sistemlerin kayıtları incelemeden üzerine yazmasına izin vermeyin

ORCID benimsenmesi ve meta veri kalitesi alan, ülke, kariyer aşaması ve yayın türüne göre değişir. Adil bir sistem, manuel düzeltmeyi, gizlilik kontrollerini, isim çeşitliliğini ve çalışmaları dergi yayın metrikleriyle iyi temsil edilmeyen kişileri desteklemelidir.

Sonuç

Güçlü bir yazar merkezi kişisel bir markalaşma projesi değildir. O, makine tarafından okunabilir bir kanıt sistemidir.

• ORCID bir kişiyi kalıcı bir kimliğe bağlar.
• Crossref ve DataCite çalışmaları istikrarlı tanımlayıcılara ve zengin meta verilere bağlar.
• Araştırma Kuruluşu Kaydı tanımlayıcıları kişileri ve çalışmaları kurumlara bağlar.
• Katkıda bulunan rolleri her kişinin gerçekte ne yaptığını gösterir.
• Kurumsal ve akademisyen profilleri halka açık bağlam sağlar.
• Yapılandırılmış veri arama sistemlerinin ilişkileri yorumlamasına yardımcı olur.
• Yönetişim ve sürüm geçmişi neyin güncel olduğunu, geçmişte neyin doğru olduğunu ve her iddiayı kimin onayladığını gösterir.

Olası fayda otomatik bir sıralama artışı değildir. Fayda, kişi → çalışma → kuruluş → kanıt zincirini güçlendirmektir.

Kuruluşlar bu nedenle iki taahhütte bulunmalıdır:

1. Meta verileri standartlaştırın ve koruyun.
2. Bir etki varsaymak yerine yapay zeka atıf davranışını ölçün.

En güvenilir yazar merkezi, en çok rozete sahip olan değildir. Önemli iddiaları kalıcı, bağlantılı, kaynaklı, güncel ve doğrulanması kolay olandır.