💻 computer science

A human-validated procedure for linking PhD dissertation metadata to OpenAlex author profiles

Cet article présente et valide une méthode généralisable, vérifiée par l'humain, qui combine des mesures de similitude au niveau du caractère, thématiques et basées sur les transformeurs pour lier de manière fiable les métadonnées de thèses de doctorat aux profils d'auteurs d'OpenAlex, atteignant une grande précision dans le suivi des trajectoires de carrière académique et révélant qu'environ 17,3 % des diplômés de doctorat nord-américains ne peuvent être liés à des publications ultérieures.

Auteurs originaux : Jens Peter Andersen, Chaoqun Ni

Publié 2026-08-28

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jens Peter Andersen, Chaoqun Ni

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Chaque année, des centaines de milliers d'étudiants à travers le monde achèvent leur doctorat, une étape qui marque leur entrée formelle dans le monde de la recherche. Depuis des décennies, les scientifiques qui étudient l'évolution des carrières académiques s'appuient sur un groupe spécifique de personnes pour savoir ce qui se passe ensuite : ceux qui continuent de publier des articles dans des revues. En suivant ces travaux publiés, les chercheurs ont dressé un portrait de la durée de l'activité des scientifiques, de leur productivité et de l'évolution de leurs carrières. Cependant, ce tableau présente un angle mort important. Il ne concerne que les personnes qui continuent de publier. Il omet le vaste nombre de diplômés qui quittent entièrement le monde de l'édition scientifique, peut-être pour travailler dans l'industrie, le gouvernement ou l'enseignement, ou simplement pour cesser d'écrire pour des revues. Parce que ces individus n'apparaissent pas dans les bases de données standards utilisées pour suivre la production scientifique, ils sont effectivement invisibles pour les études qui tentent de comprendre toute l'étendue de l'impact d'un doctorat. Sans savoir qui manque à l'appel, toute estimation du succès de carrière ou de l'attrition repose sur un échantillon qui a déjà été filtré par l'exigence de continuer à publier.

Pour résoudre ce problème, une équipe de chercheurs a développé une nouvelle façon de relier les points entre une thèse de doctorat et la carrière ultérieure de son auteur, même si cet auteur ne publie plus aucun article. Ils se sont concentrés sur le fossé massif entre le registre d'un diplôme et le registre d'une carrière. Le défi est immense : une thèse est souvent le seul enregistrement du travail d'une personne dans un domaine spécifique, et les bases de données qui contiennent des millions d'articles scientifiques sont remplies de personnes partageant des noms communs. Un chercheur nommé « John Smith » dans une thèse de 2009 pourrait être la même personne qu'un « J. Smith » ayant publié un article en 2015, ou il pourrait s'agir de deux personnes totalement différentes. La difficulté est accentuée par le fait que de nombreux diplômés changent de nom, utilisent des initiales différentes ou publient sous des variantes légèrement différentes de leurs noms. Les méthodes précédentes reposaient souvent sur une simple correspondance de noms ou sur des volontaires ayant déjà lié leurs propres travaux, deux approches qui échouent à capturer la majorité silencieuse des diplômés qui ne poursuivent pas dans le monde de l'édition.

Les chercheurs ont abordé ce problème en créant un système informatisé qui agit comme un bibliothécaire hautement qualifié, comparant les détails d'une thèse avec des millions de correspondances potentielles dans une base de données mondiale de publications scientifiques appelée OpenAlex. Au lieu de regarder uniquement les noms, le système lit les titres des thèses et les titres des articles publiés, en les décomposant en petits segments de texte pour voir à quel point ils se chevauchent. Il utilise également une technologie avancée pour comprendre les sujets sous-jacents des travaux, reconnaissant qu'un article sur le « machine learning » peut être lié à une thèse intitulée « intelligence artificielle », même si les mots diffèrent. Le système génère un score qui représente la probabilité que la personne ayant écrit la thèse soit la même que celle ayant écrit les articles. Pour s'assurer de l'efficacité de ce système, les chercheurs l'ont testé en demandant à des experts humains de passer en revue des milliers de correspondances potentielles, vérifiant si les suppositions de l'ordinateur étaient correctes. Ils ont constaté qu'en combinant la correspondance textuelle et l'analyse thématique, le système pouvait identifier de manière fiable la même personne à travers différents registres avec un haut degré de précision.

Les résultats de cette nouvelle méthode révèlent une réalité frappante sur la main-d'œuvre académique. Lorsque les chercheurs ont appliqué leur système à un large groupe de diplômés de doctorat en Amérique du Nord, ils ont découvert qu'une partie significative de ces individus ne pouvait être liée à aucune publication ultérieure dans la base de données. Plus précisément, ils estiment qu'entre 10,2 % et 20,7 % d'une cohorte typique de docteurs n'apparaissent jamais dans les principales bases de données bibliographiques après l'obtention de leur diplôme, avec une estimation la plus probable de 17,3 %. Cela signifie que près d'un diplômé sur cinq est absent des cartes standards des carrières scientifiques. Ce groupe n'est pas nécessairement en situation d'échec ; ils peuvent réussir dans d'autres secteurs, mais leur absence des données fausse notre compréhension de ce qui se passe après un doctorat. L'étude a également montré que le taux de « disparition » du registre de publication augmente avec le temps. Alors qu'environ 73 % des diplômés sont encore observés en train de publier l'année suivant leur diplôme, ce chiffre tombe à environ 50 % quinze ans plus tard. Ce déclin est encore plus marqué si l'on inclut les diplômés qui n'ont jamais publié, suggérant que la majorité des chercheurs contribuent à la littérature scientifique pendant une fenêtre de temps limitée.

Les chercheurs ont également testé si l'intelligence artificielle moderne pouvait remplacer leur système informatique structuré. Ils ont découvert que, bien que les grands modèles de langage puissent prendre des décisions très précises lorsqu'ils sont très confiants, ils sont plus lents et légèrement moins efficaces pour trouver des correspondances à travers l'ensemble du groupe que le système de notation spécialisé. L'approche la plus efficace, suggèrent-ils, consiste à utiliser le système spécialisé rapide pour scanner toutes les données, puis à utiliser l'intelligence artificielle uniquement pour revérifier les cas où le premier système est incertain. Ce processus en deux étapes permet d'obtenir une vue complète des données sans s'enliser dans le temps et le coût de la vérification de chaque enregistrement avec un modèle complexe.

En fin de compte, ce travail fait plus que simplement résoudre un problème technique de correspondance de données ; il change le récit de la carrière académique. En tenant compte des diplômés qui ne publient pas, l'étude offre une image plus honnête et complète des résultats de la formation doctorale. Elle montre que le parcours après un doctorat est bien plus diversifié que ce que les données permettaient de voir jusqu'alors, avec un nombre substantiel de personnes s'orientant vers des rôles qui n'impliquent pas la publication dans des revues académiques. La méthode développée ici est ouverte et peut être appliquée à d'autres domaines et pays, offrant un nouvel outil aux décideurs politiques et aux chercheurs pour comprendre le véritable destin des millions de personnes qui obtiennent un doctorat chaque année. Elle nous rappelle que la fin d'une thèse n'est pas toujours le début d'une carrière scientifique, et que la valeur d'un doctorat s'étend bien au-delà des pages d'une revue.

Résumé technique : Lier les métadonnées des thèses de doctorat aux profils d'auteurs d'OpenAlex

Énoncé du problème
Établir des liens fiables entre les thèses de doctorat et les dossiers de publications ultérieurs de leurs auteurs est un défi persistant en scientométrie. Les approches existantes pour étudier les trajectoires de carrière académique reposent largement sur des échantillons de commodité — tels que des registres volontaires (ex. : le Mathematics Genealogy Project) ou des échantillons restreints aux chercheurs ayant déjà établi une identité de publication stable. Ces méthodes excluent systématiquement les diplômés qui ne poursuivent pas de carrière de publication dans le milieu académique, entrent dans l'industrie ou poursuivent des carrières non liées à la recherche. Par conséquent, les estimations de la productivité en début de carrière, des effets de supervision et des taux d'attrition sont biaisées à la hausse car elles se conditionnent sur la « survie » dans la force de travail de l'édition. La difficulté technique fondamentale réside dans la liaison d'un enregistrement de thèse unique et court (souvent avec des noms communs et des métadonnées limitées) à une base de données bibliographique massive contenant des centaines de millions d'entités d'auteurs, tout en distinguant les vraies correspondances des faux positifs et en identifiant de manière robuste les absences réelles (c'est-à-dire les diplômés qui n'ont réellement aucune publication ultérieure dans la base de données).

Méthodologie
Les auteurs présentent une procédure généralisable, validée par l'humain, pour lier les métadonnées de thèses de ProQuest Dissertations & Theses (PQDT) aux profils d'auteurs et aux publications d'OpenAlex. La méthode opère en quatre étapes principales :

Correspondance exhaustive des noms : Le système recherche dans OpenAlex tous les correspondants d'auteurs potentiels en utilisant une stratégie de génération de variantes de noms flexible. Il convertit le format de nom inversé de PQDT (Nom, Prénom) en format standard et utilise la tokenisation des noms pour gérer les variations de l'initiale du deuxième prénom, de l'hyphenation et de l'ordre des noms (par exemple, traiter « Felix-Miguel » comme soit un nom de famille unique, soit comme un nom et un deuxième prénom séparés). Cela génère un large corpus de paires de candidats (thèse vers entité d'auteur) pour garantir un rappel élevé.
Mesure de similitude : Pour chaque paire de candidats, le système calcule quatre scores de similitude distincts :
- Similitude thématique du titre (S1) : Utilise les plongements (embeddings) de transformateurs SciBERT pour mesurer la similitude cosinus entre le titre de la thèse et les titres de publications, capturant le chevauchement sémantique des sujets même sans correspondance exacte de mots-clés.
- Similitude textuelle du titre (S2) : Calcule la similitude de Jaccard basée sur les trigrammes de titres pour mesurer le chevauchement lexical.
- Similitude textuelle du nom (S3) : Calcule la similitude de Jaccard basée sur les trigrammes du nom de l'auteur pour gérer plus robustement les variations de noms que la simple distance d'édition.
- Similitude du titre de la thèse (S4) : Utilise la distance de Damerau-Levenshtein pour détecter les titres quasi identiques, supposant que le titre de la thèse puisse apparaître dans le dossier de publication.
Score composite et optimisation : Ces mesures sont combinées en un score composite pondéré ( $C$ ). Les poids ( $w_1$ à $w_4$ ) ne sont pas théoriques mais estimés empiriquement via une recherche par grille exhaustive afin de maximiser le coefficient de corrélation de Matthews (MCC) par rapport à une vérité de terrain validée par l'humain. L'utilisation du MCC est cruciale en raison du fort déséquilibre des classes (les non-correspondances dépassant largement les correspondances).
Validation et calibration : La méthode est validée en deux itérations :
- Test de base : 500 thèses échantillonnées de manière aléatoire (tous domaines confondus, 2009–2010) avec 2 549 correspondances candidates évaluées par un évaluateur humain en aveugle.
- Test de calibration : 1 979 correspondances candidates tirées d'une cohorte plus large (155 994 thèses dans les sciences naturelles, techniques et de la santé, 2005–2010). Cet échantillon est équilibré entre les classes et codé en double par des évaluateurs en aveugle. Cette étape compare également l'approche de similitude structurée à deux stratégies de modèles de langage (LLM) (autonome et hybride) utilisant Qwen2.5:14b-instruct.

Résultats clés :
- Performance du score structuré : Dans le test de base, le score composite optimisé a atteint un MCC de 0,823. Dans le test de calibration, la paramétrisation de base s'est transférée avec une perte modeste (MCC = 0,8 quite 0,805). Lors de la ré-optimisation sur l'échantillon de calibration, le score structuré a obtenu un MCC intra-échantillon de 0,896, surpassant les deux stratégies LLM (MCC 0,872 et 0,880) pour la classification à couverture complète.
- Performance des LLM : Bien que les approches LLM aient été légèrement plus conservatrices (moins de faux positifs, plus de faux négatifs), elles ont excellé en tant qu'outils d'adjudication. Sur le sous-ensemble de cas évalués avec une « haute confiance » par le LLM autonome (60,4 % de l'échantillon), le MCC est monté à 0,945.
- Constatations empiriques sur la non-publication : En appliant la méthode à 155 994 doctorats nord-américains (2005–2010), les auteurs estiment que 17,3 % (intervalle : 10,2 % – 20,7 %) de la cohorte ne peut être liée à aucune publication ultérieure dans OpenAlex. Cela représente une population « invisible » substantielle, souvent exclue des études scientométriques.
- Trajectoires de carrière : L'étude observe un déclin marqué de l'activité de publication après le doctorat. Seuls 49,6 % de la cohorte complète sont observés en train de publier 15 ans après l'obtention du diplôme, un chiffre qui chute davantage lorsque l'on prend en compte les diplômés non appariés (non-publiants).

Signification et revendications
L'article revendique trois contributions principales :

Avancement méthodologique : Il fournit une méthode reproductible et généralisable pour lier des registres à enregistrement unique (thèses) à des bases de données bibliographiques massives sans dépendre du signalement volontaire ou d'une vérité de terrain liée à ORCID (ce qui biaise les échantillons vers les éditeurs actifs). La méthode tient explicitement compte des taux d'erreur pour fournir des intervalles de confiance pour les estimations substantielles.
Correction du biais de sélection : En identifiant avec succès la population des « non-publiants » ou des « publiants de courte durée », la méthode permet aux chercheurs de déplacer le dénominateur des études de trajectoire de carrière de « ceux qui publient » vers « la population formée complète ». Cela révèle l'ampleur réelle de l'attrition de la force de travail de l'édition immédiatement après le doctorat.
Recommandation de stratégie hybride : Les auteurs proposent une stratégie en deux étapes : utiliser le score structuré, efficace en calcul et à haut rappel, pour la couverture complète, et déployer les LLM uniquement pour l'adjudication des cas proches du seuil de décision ou présentant une faible similitude structurée. Cela équilibre coût et précision, en exploitant la haute confiance du LLM sur les cas difficiles tout en évitant sa surcharge de calcul sur les correspondances évidentes.

Les auteurs maintiennent une position modeste, notant que leur méthode estime « l'activité de publication observée » plutôt qu'un statut de carrière définitif (car les diplômés peuvent publier dans des lieux non indexés). Ils reconnaissent également les limites concernant les changements de nom (ex. : suite à un mariage) et les problèmes de translittération, qui peuvent gonfler la part estimée de non-publiants, particulièrement pour certains groupes démographiques. La méthode est conçue pour être applicable à toute source de données contenant des champs de métadonnées pertinents, à condition que les paramètres spécifiques soient recalibrés pour le domaine cible.

Articles similaires