建立作者中心：ORCID、Crossref 和学者个人资料作为信任基元

建立作者中心：ORCID、Crossref 和学者个人资料作为信任基元

作者中心是公开的、相互关联的记录，它们帮助人类和机器回答三个基本问题：

1. 谁创作了这项工作？
2. 这项工作究竟是什么？
3. 为什么人们应该信任人、工作和组织之间的关联？

对于人类读者来说，作者中心可能看起来像一个包含传记、出版物、资历和链接的个人资料页面。对于人工智能系统而言，将其视为一个关联证据图则更为有用。

一个强大的作者中心连接着：

• 一个人与一个 ORCID iD
• 一篇出版物、数据集、报告或软件包与一个数字对象识别符
• 一项工作与完整的Crossref 或 DataCite 元数据
• 一名研究人员与经过验证的机构和组织
• 一个公共个人资料与一个稳定的机构网页
• 贡献与明确的角色，例如贡献者角色分类法中的角色
• 当前和过去的角色与日期、来源和更新记录

这些连接可以提高身份解析、检索、引文准确性和来源验证。它们并不能保证人工智能系统一定会引用某位作者。目前没有可靠的公开证据表明添加一个 ORCID iD 会固定增加人工智能引文。更强有力且更具说服力的主张是：良好的身份和工作元数据使搜索和研究系统更容易找到、匹配、验证并正确引用学术材料。

本文反映了截至2026年8月13日可用的公开文档和研究。

作者中心为何对人工智能系统至关重要

人工智能系统并非都使用相同的搜索索引、数据库或排名方法。有些依赖实时网络搜索。另一些则使用学术数据库、许可索引、内部知识库或在生成答案之前搜索文档的检索系统。

尽管如此，许多系统仍面临相同的技术问题：

• 姓名可能有不同的拼写方式。
• 几位研究人员可能同名。
• 一项工作可能有预印本、会议版本、已接受的手稿和最终版本。
• 一篇期刊文章可能链接到数据集、软件包、资助项目或勘误。
• 作者可能更换机构或姓名。
• 一个网页可能描述了资历，但没有显示是谁颁发的或何时有效。

持久标识符和结构化元数据有助于解决这些问题。

数字对象识别符系统将识别符描述为数字、物理或抽象对象的持久名称。其价值不仅取决于识别符本身，还取决于与其连接的元数据。DOI 手册 (doi.org)

思考作者中心的一个有用方法是将其视为四个相互连接的层：

目标不是创建一个充满华丽词藻的个人资料。目标是创建一个记录，其中重要的主张可以被核实。

作者中心的三个主要部分

1. ORCID：个人身份层

ORCID 代表开放研究员与贡献者识别符。它为个人提供了一个持久识别符，并有助于区分姓名相似、使用不同姓名形式或随时间改变姓名的研究人员。ORCID 概览 (support.orcid.org)

一个 ORCID 记录可能包含：

• 姓名和姓名变体
• 雇佣和教育
• 研究作品
• 资助
• 同行评审活动
• 编辑服务
• 会员资格和荣誉
• 研究资源
• 与其他识别符的链接

最重要的特征并非那16位数字本身。而是附属于该数字的受支持连接网络。

例如：

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

经过身份验证的连接更强

组织应通过身份验证登录过程收集 ORCID iD，而不是要求人们在表单中输入识别符。ORCID 建议使用其授权过程，以便研究人员确认正确的记录。ORCID 集成和应用程序编程接口指南 (info.orcid.org)

这种区别很重要：

• 未经核实的主张： “这个 ORCID iD 属于简·史密斯。”
• 经过身份验证的主张： “简·史密斯通过 ORCID 登录并授权本系统使用她的 iD。”
• 机构断言： “该大学确认此人在这些日期内拥有此隶属关系。”

ORCID 还存储断言的来源和出处。作品或隶属关系可能由研究人员、出版商、资助者或其他受信任的组织添加。ORCID 信任指南 (info.orcid.org)

这为人类和机器都创建了一个有用的信任信号：

该记录不仅说明了所主张的内容，还能显示谁提出了主张以及何时添加的。

重要限制

ORCID iD 并不能保证记录上的每个项目都是正确的。ORCID 本身鼓励用户检查信任标记、来源、日期以及添加信息的组织。ORCID 信任标记 (info.orcid.org)

因此，组织不应将“拥有 ORCID iD”等同于“已完全验证”。更好的模型是：

• 自行主张
• 已验证
• 机构确认
• 出版商确认
• 资助者确认
• 近期评审

2. Crossref 和 DataCite：作品身份层

ORCID 识别个人。Crossref 和 DataCite 帮助识别作品。

数字对象识别符可以识别：

• 期刊文章
• 书籍和书籍章节
• 会议论文
• 数据集
• 软件
• 报告
• 预印本
• 同行评审
• 标准
• 海报和演示文稿

DOI 应解析到一个稳定的着陆页。更重要的是，它应包含描述该作品的完整元数据。

Crossref 建议记录以下信息：

• 姓氏和名字
• 贡献者角色
• 隶属关系
• 组织识别符
• ORCID iD
• 出版日期
• 摘要
• 参考文献
• 资助
• 许可
• 版本信息
• 更新和勘误

Crossref 要求和推荐的元数据 (crossref.org)

Crossref 将其元数据描述为一种共享资源，可以通过网络界面、应用程序编程接口和大容量下载来访问。下游系统可以利用这些信息来发现和连接学术成果。Crossref 元数据检索 (crossref.org)

DataCite 为数据集和许多其他研究成果提供类似的功能。其当前的元数据模式 4.7 于2026年3月3日发布，支持创作者、贡献者、ORCID 识别符、隶属关系、组织识别符、相关识别符、资助、描述和资源类型。DataCite 元数据模式 (schema.datacite.org)

DataCite 特别建议将创作者和贡献者记录连接到 ORCID 识别符，并将组织隶属关系连接到组织识别符。DataCite 名称识别符 (support.datacite.org)

DOI 不是质量徽章

DOI 证明 DOI 注册系统中存在一条记录。它不证明：

• 研究是正确的
• 出版物经过同行评审
• 期刊声誉良好
• 作者是专家
• 研究结果很重要

Crossref 明确指出：DOI 本身不代表对象的价值或准确性。周围的元数据提供上下文并实现连接。Crossref DOI 指南 (support.crossref.org)

这就是为什么一个完整的 DOI 记录比一个放在页面底部的 DOI 字符串有用得多。

贡献者角色增加意义

2026年7月，Crossref 模式 5.5 增加了对多个贡献者角色、通讯作者和贡献者角色分类法的更好支持。Crossref 模式 5.5 (crossref.org)

贡献者角色分类法包含14个角色，其中包括：

• 概念化
• 数据管理
• 正式分析
• 调查研究
• 方法学
• 软件
• 监督
• 验证
• 可视化
• 撰写初稿
• 撰写、评审和编辑

该分类法的目的是使贡献更透明，并支持署名、问责制、研究评估和研究诚信。贡献者角色分类法 (credit.niso.org)

对于人工智能系统而言，这比“简·史密斯是作者”提供了更丰富的答案。一个系统有可能区分：

• 设计研究的人
• 编写软件的人
• 分析数据的人
• 监督项目的人
• 撰写原始手稿的人

这对于大型研究团队和技术项目尤为重要。

3. 学者个人资料：语境层

学者个人资料使身份图谱对人类更易理解，并使搜索系统更易于解释。

一个健全的个人资料应包括：

• 一个稳定的机构页面
• 一个一致的姓名
• 适用的姓名变体
• ORCID iD
• 当前和过去的隶属关系
• 研究领域
• 带有 DOI 链接的精选作品
• 数据集、软件和报告
• 资助和奖项
• 编辑或评审角色
• 贡献者角色
• 当前和过去职位的日期
• 上次评审日期
• 指向其他公共个人资料的链接

Google 学术搜索个人资料允许研究人员列出出版物，公开个人资料，查看谁引用了他们的工作，并跟踪引文指标。拥有经过验证的机构电子邮件地址的公共个人资料可能有资格出现在 Google 学术搜索结果中。Google 学术搜索个人资料 (scholar.google.com)

然而，Google 学术搜索应被视为可见性和发现层，而非主要的真相来源。研究人员可以管理自己的出版物列表，自动匹配可能包含错误或重复的作品。引文计数在不同数据库中也各不相同。

OpenAlex 提供了另一个有用的发现层。它维护着明确的作者记录，并连接作者、作品、机构、来源和主题。OpenAlex 表示，它从 Crossref 和 DataCite 等来源获取信息，然后将作者与 ORCID iD 匹配，并将隶属关系与组织识别符匹配。OpenAlex 生态系统描述 (help.openalex.org)

因此，最佳实践是个人资料联邦化：

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

没有一个个人资料需要包含所有内容。它们应该相互指向并使用相同的识别符。

这些信号如何影响人工智能引文

区分五个不同的事件很重要：

1. 发现： 系统能否找到该页面或作品？
2. 身份解析： 它能否识别涉及的人和组织？
3. 检索： 系统是否将作品纳入其证据集？
4. 引文选择： 它在答案中是否引用了该作品？
5. 引文正确性： 引文是否指向正确的作品并支持该主张？

ORCID、DOI 元数据和学者个人资料能最直接地帮助前三个步骤。它们也可能提高引文的正确性。它们对引文选择的影响可能取决于主题相关性、来源质量、时效性、可访问性以及特定的人工智能系统。

Google 搜索文档建议使用作者页面、url 和 sameAs 链接来帮助识别文章作者。对于数据集，Google 特别建议在人员创建者的 sameAs 属性中使用 ORCID iD。Google 文章结构化数据 Google 数据集结构化数据 (developers.google.com)

一个简单的个人资料页面可以使用如下结构化数据：

{ "@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" } ] }

结构化数据并不能保证搜索功能或人工智能引文。Google 表示，即使是正确实现的结构化数据也可能不会出现在搜索结果中。其价值在于它为机器提供了一种清晰、标准的方式来解释页面。Google 结构化数据指南 (developers.google.com)

实际结论是：

识别符改进了获取证据的路径。它们不能取代证据。

当前研究对人工智能引文的看法

关于人工智能引文行为的研究主要集中在引文准确性、来源选择和可验证性。目前尚未产生关于 ORCID 关联身份强度影响的可靠、普遍的估计。

2023年一项针对 ChatGPT 生成引文的研究发现，伪造参考文献和真实参考文献中的错误率很高。该研究检查了84篇论文中生成的636条引文，发现即使在测试的较新模型中，引文问题依然存在。《科学报告》研究 (nature.com)

另一项关于生成式搜索引擎的研究发现，许多生成的句子并未完全得到引文支持，并且许多引文未能充分支持其旁边的陈述。评估生成式搜索引擎中的可验证性 (arxiv.org)

最近的研究还表明，生成式搜索系统在来源选择、来源重叠、稳定性以及内部知识与外部知识的使用方面存在差异。生成式人工智能时代的网络搜索特征 (aclanthology.org)

这些发现支持了一种谨慎的立场：

• DOI 可以减少对被引用作品的歧义。
• ORCID 可以减少对个人的歧义。
• 隶属关系识别符可以减少对组织的歧义。
• 贡献者角色可以改善归属。
• 公共个人资料可以提供语境。
• 所有这些信号都不能保证系统会检索或引用该作品。

衡量身份强度与人工智能引文频率的研究计划

在直接衡量这种关系之前，组织不应声称作者中心能改进人工智能引文。

定义作者身份强度评分

以下是一个建议评分，而非官方标准。

在此评分中不要包含引文计数、期刊声誉或机构排名。这些因素应作为单独的变量处理。将它们包括在内将难以确定身份强度本身是否与引文频率相关。

衡量不止一种引文类型

一项有用的研究应追踪至少六个结果：

1. 作品引文率
   符合条件的答案中引用特定作品的百分比。

2. 作者归属率
   正确命名或将作品归属于正确作者的答案百分比。

3. 有效识别符率
   包含解析到正确作品的 DOI 的引文百分比。

4. 引文准确率
   实际支持所做陈述的引文百分比。

5. 引文召回率
   系统引用的重要支持来源的百分比。

6. 跨平台稳定性
   在不同系统或重复运行中重复出现的引文百分比。

最近用于生成式搜索的衡量框架将引文选择与引文吸收区分开来，这意味着一个来源是仅仅出现在引文列表中，还是实际为答案提供了证据。这种区别应纳入未来的作者中心研究中。引文选择与引文吸收框架 (arxiv.org)

研究一：观察性相关性研究

这项研究提出：

在控制了主题和出版因素后，与更强作者身份关联的作品是否更常被人力智能系统引用？

建议设计

• 抽取10,000至50,000篇学术作品
• 涵盖多个学科、语言和出版类型
• 使用 Crossref、DataCite、OpenAlex 和公共 ORCID 数据
• 计算每位作者和作品的身份强度评分
• 创建一组与抽样作品相关的问题
• 在多个产生引文的系统上运行这些问题
• 每个问题重复多次
• 记录日期、系统、模型设置、区域和引用的来源

重要控制变量

研究应控制以下变量：

• 主题相关性
• 出版年份
• 开放获取状态
• 摘要可用性
• 全文可用性
• 发表场所
• 现有学术引文计数
• 机构声誉
• 语言
• 页面速度和可爬行性
• 作品类型
• 作者姓名常见度
• 合著者数量
• 查询措辞
• 搜索系统

主要的统计模型可以估计：

text Probability of correct citation = identity strength

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

对于作品是否被引用等是/否结果，逻辑回归或混合效应模型将是合适的。负二项式模型可能对引文计数有用，因为引文数据通常分布不均匀。

结果应报告为带有置信区间的优势比，而不是简单的百分比。例如：

在控制了相关性、年龄、获取和先前的学术关注之后，身份强度增加一个标准差与引文概率的变化相关。

该研究还应报告零结果。发现没有关系将是有用的，因为它将表明识别符提高了数据质量，而无需改变人工智能引文行为。

研究二：受控元数据实验

观察性研究可能会将身份强度与受欢迎程度混淆。受控实验可以分离一些影响。

有两种实际版本。

版本 A：公共网络实验

创建内容实质相同但元数据处理不同的匹配页面：

• 仅包含基本作者姓名
• 作者姓名加机构个人资料
• 作者姓名加 ORCID 链接
• 作者姓名、ORCID、DOI、隶属关系识别符和结构化数据

同时发布页面并监控：

• 搜索发现
• 正确的作者匹配
• 检索到人工智能答案中
• 引文频率
• 引文正确性

此实验必须谨慎解读。公共系统可能在不同时间抓取页面，并且组织无法轻易更改已发表作品的 Crossref 或 DataCite 记录。

版本 B：受控研究索引

构建一个小型检索系统，其中包含在不同元数据条件下的相同文档。仅改变：

• 作者识别符
• DOI
• 隶属关系
• 贡献者角色
• 个人资料链接
• 来源字段

然后提出相同的问题，并衡量检索和引文选择。此实验提供了更好的控制，但它衡量的是研究系统而非商业平台。

研究三：错峰组织推广

最强的实践设计是双重差分研究。

一个组织可以分阶段推出作者中心：

• 一部门在2026年10月获得完整计划。
• 二部门在2027年1月获得。
• 三部门在2027年4月获得。

所有部门都在实施前后进行衡量。尚未获得该计划的部门作为临时对照组。

衡量：

• 正确的作者归属
• DOI 解析
• 引文频率
• 引文准确性
• 搜索展示次数
• 个人资料页面访问量
• 纠正不良元数据所需时间
• 当前雇佣变动在七天内显示
• 撤稿和正式更正在七天内显示

这种设计比简单的前后比较更强，因为它有助于将推广的效果与人工智能系统的更广泛变化区分开来。

值得检验的假设

组织可以预注册这些假设：

• H1： 更强的身份链接能改善正确的作者归属。
• H2： 完整的 DOI 元数据能提高有效引文率。
• H3： 当作者姓名常见或在机构间移动时，隶属关系识别符帮助最大。
• H4： 学者个人资料在发现方面的改进大于其对最终引文频率的改进。
• H5： 身份强度对长尾作者的影响大于对已知名作者的影响。
• H6： 影响因系统、主题、语言和出版物类型而异。
• H7： 新鲜度和主题相关性比个人资料的装饰更重要。

应该发布哪些资历？

个人资料应发布可查证的资历。每项资历应包含：

• 资历类型
• 持有者
• 颁发组织
• （如果可用）组织的持久识别符
• 开始和结束日期
• 验证来源
• 状态，例如当前、已过期、有争议或已存档
• 上次评审日期

组织应标明每项资历的来源：

• 自行报告
• 机构验证
• 出版商验证
• 资助者验证
• 从注册中心导入
• 待审中

避免发布未经支持的标签，例如“领先专家”或“世界知名研究员”。用证据取代它们：

• 作品数量和类型
• 研究领域
• 已验证的角色
• 已资助项目
• 编辑服务
• 公共数据集或软件
• 机构任命

这种方法对读者和机器都更有用。

组织的推广计划

阶段一：制定元数据政策

指定一个小型治理小组，成员来自：

• 研究管理
• 图书馆服务
• 信息技术
• 宣传
• 出版或存储库服务
• 隐私
• 研究诚信

创建一份简短的数据政策，定义：

• 必填字段
• 批准的识别符系统
• 谁可以声明每个字段
• 哪些字段是公开的
• 如何处理更正
• 更新应耗时多久
• 当个人离职时会发生什么

在系统之间使用单一数据契约。至少，每个个人、作品、组织和资历记录应包含：

text persistent_id display_name source asserted_by valid_from valid_to last_verified status evidence_url

阶段二：收集已验证识别符

要求研究人员通过身份验证过程连接他们的 ORCID 记录。不要让机构负责猜测哪个 ORCID iD 属于某个人。

同时：

• 为部门和机构分配组织识别符
• 将员工记录链接到 ORCID
• 将现有出版物与 DOI 记录匹配
• 标记姓名冲突
• 保留替代姓名形式
• 记录同意和可见性设置

阶段三：改进 DOI 元数据

对于新作品，要求出版流程收集：

• 完整的作者姓名
• 已验证的 ORCID iD
• 隶属关系
• 组织识别符
• 贡献者角色
• 资助识别符
• 摘要
• 参考文献
• 许可
• 版本和更新信息

对于较旧的作品，从最近五年和组织使用频率最高的作者开始。

Crossref 和 DataCite 应接收更正和更新，而不仅仅是原始存入。DOI 字符串保持持久，而相关元数据可以维护。Crossref 元数据维护 (crossref.org)

阶段四：建立规范作者页面

每位研究人员都应有一个稳定的机构页面。该页面应：

• 使用永久网址
• 显示当前角色
• 保留带日期的先前角色
• 链接到 ORCID
• 链接到选定的 DOI 记录
• 链接到公共学者个人资料
• 显示研究领域
• 显示上次更新日期
• 使用结构化数据
• 对搜索爬虫保持可访问性
• 避免要求登录

Google 建议使用清晰的作者 URL 和 sameAs 链接来帮助区分作者。Google 作者标记指南 (developers.google.com)

阶段五：联邦化并监控个人资料

将机构页面链接到：

• ORCID
• Google 学术搜索
• OpenAlex
• 出版商页面
• 存储库记录
• 资助页面
• （在适用的情况下）公共专业个人资料

使用自动化检查查找：

• 失效的 DOI 链接
• 缺失的 ORCID 链接
• 重复的作者
• 错误的合著者匹配
• 旧的隶属关系
• 过期的资历
• 缺失的更新日期
• 不匹配的姓名
• 撤稿或更正

更新和角色变更的治理

作者中心必须保留历史。它不应在每次人员变动工作时重写过去。

推荐的来源层级

当研究人员更换机构时

不要从历史作品中删除旧的隶属关系。

相反：

1. 在先前的雇佣记录中添加结束日期。
2. 添加新的隶属关系和开始日期。
3. 更新机构个人资料。
4. 保持历史出版物隶属关系不变，除非出版商发布更正。
5. 通过适当的来源更新 ORCID 记录。
6. 将旧的个人资料页面重定向到已存档或新的页面。

当个人更改姓名时

使用 ORCID 连接姓名变体。在研究人员同意的情况下添加以前或替代姓名。不要仅仅为了使其与当前个人资料匹配而更改已出版 DOI 记录中的作者姓名。

持久识别符的目的是在姓名变更时连接作品，而无需重写出版记录。

当贡献者的角色发生变化时

贡献者在已完成作品中的角色应被视为历史记录的一部分。

例如：

• 一个人在已发表文章中的角色不应因为他们后来成为系主任而改变。
• 编辑角色应有开始和结束日期。
• 资助角色应与资助期相关联。
• 软件角色应与版本或发布相关联。

如果原始贡献记录有误，请使用正式更正流程。不要无声地覆盖它。

当资历过期时

使用清晰的状态值：

• 当前
• 已过期
• 已续订
• 已暂停
• 有争议
• 已存档

应在过期前发送自动提醒。公共个人资料应显示状态和日期，而不是在没有解释的情况下留下过时的资历。

当研究人员离开组织时

组织应：

• 保留历史个人资料
• 明确标记先前的角色
• 保留指向已出版作品的链接
• 转移个人资料所有权
• 为原页面设置重定向
• 删除私人联系信息
• 保留在原雇佣期间真实的机构断言

当作者身份有争议时

冻结有争议的字段，保留原始来源，并记录争议。不要仅凭非正式请求就删除作者或更改贡献者角色。

研究诚信办公室、出版商或负责的项目主管应确定正式的更正路径。

成功衡量标准

组织应在承诺提高人工智能可见性之前跟踪运营质量。

建议的目标包括：

• 95%的活跃研究人员拥有已验证的 ORCID iD
• 95%的新作品（如果可用）包含 ORCID
• 95%的隶属关系使用持久的组织识别符
• 100%的新 DOI 存入通过元数据验证
• 100%的作者页面包含稳定的个人资料地址
• 100%的角色变更包含日期
• 错误分配给作者的作品少于1%
• 元数据更正在30天内完成
• 当前雇佣变动在七天内显示
• 撤稿和正式更正及时反映

对于人工智能引文研究，追踪：

• 正确的作者归属率
• 有效 DOI 率
• 引文准确率
• 引文召回率
• 作品引文频率
• 跨系统一致性
• 从元数据更正到索引改进的时间
• 个人资料发现与最终答案引文之间的差异

组织应按学科、语言、职业阶段和姓名常见度报告这些衡量结果。否则，平均分数可能掩盖不平等的结果。

风险与保障

如果作者中心成为一个守门系统，它们可能会带来新的风险。

组织不应：

• 惩罚将部分 ORCID 信息保密的研究人员
• 将公共 Google 学术搜索个人资料视为质量证明
• 使用引文计数代替同行评审
• 不必要地发布个人联系方式
• 仅凭机构声望推断专业知识
• 要求每位研究人员使用相同的公共个人资料服务
• 将缺失的识别符视为不当行为的证据
• 允许自动化系统未经审查就覆盖记录

ORCID 的采用和元数据质量因领域、国家、职业阶段和出版物类型而异。一个公平的系统必须支持手动更正、隐私控制、姓名多样性以及那些工作无法通过期刊出版指标很好地代表的人。

结论

一个强大的作者中心不是一个个人品牌项目。它是一个机器可读的证据系统。

• ORCID 将个人与持久身份连接起来。
• Crossref 和 DataCite 将作品与稳定的识别符和丰富的元数据连接起来。
• 研究机构注册识别符 将个人和作品与机构连接起来。
• 贡献者角色 显示每个人实际做了什么。
• 机构和学者个人资料 提供公共语境。
• 结构化数据 帮助搜索系统解释这些关系。
• 治理和版本历史 显示当前是什么，过去是什么，以及谁确认了每个声明。

可能的好处并非是自动的排名提升。好处是从个人 → 作品 → 组织 → 证据的更强大的链条。

因此，组织应做出两项承诺：

1. 标准化并维护元数据。
2. 衡量人工智能引文行为，而不是假设其效果。

最可信的作者中心不是拥有最多徽章的那个。而是其重要主张持久、相互关联、有来源、最新且易于验证的那个。