💻 computer science

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

本文提出并验证了一种通用的、经人工验证的方法，该方法结合了字符级、主题级和基于 Transformer 的相似性度量，以可靠地将博士论文元数据与 OpenAlex 作者档案进行关联，从而实现高精度地追踪学术职业轨迹，并揭示了大约 17.3% 的北美博士毕业生无法与其后续发表的论文建立关联。

原作者： Jens Peter Andersen, Chaoqun Ni

发布于 2026-08-28

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jens Peter Andersen, Chaoqun Ni

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

每年，全球有数十万名学生完成博士学位，这一里程碑标志着他们正式进入研究领域。几十年来，研究学术职业生涯如何展开的科学家们一直依赖于一类特定的人群来告诉他们后续发生了什么：即那些继续在期刊上发表论文的人。通过追踪这些已发表的作品，研究人员构建了一幅关于科学家活跃时长、生产力以及职业演变过程的图景。然而，这幅图景存在一个显著的盲点。它仅包含了那些继续从事出版工作的人。它遗漏了大量完全离开学术出版界的毕业生，这些人可能转而从事工业界、政府或教学工作，或者仅仅是停止了为期刊撰稿。由于这些人并不出现在用于追踪科学产出的标准数据库中，因此在试图理解博士学位的完整影响范围的研究中，他们实际上是隐形的。如果不知道谁被遗漏了，那么任何关于职业成功或流失率的估计，都是基于一个已经被“必须持续发表论文”这一要求所过滤过的样本。

为了解决这个问题，一个研究小组开发了一种新方法，用以连接博士论文与其作者随后职业之间的纽带，即使该作者此后再未发表过任何论文。他们关注的是学位记录与职业记录之间巨大的鸿接收。这项挑战是巨大的：一篇论文往往是一个人在特定领域工作的唯一记录，而包含数百万篇科学文章的数据库中充满了重名的人。例如，一位在2009年论文中名为“John Smith”的人，可能是2015年发表了一篇论文的“J. Smith”，也可能是两个完全不同的人。由于许多毕业生会更改姓名、使用不同的首字母缩写或以略微不同的姓名形式发表作品，这一难度进一步加剧。以往的方法通常依赖于简单的姓名匹配或依靠已经关联了自身作品的志愿者，这两者都无法捕捉到那些不继续从事出版工作的沉默的大多数毕业生。

研究人员通过创建一个计算机化系统来解决这一问题，该系统就像一位高水平的图书管理员，将论文的细节与全球科学出版物数据库 OpenAlex 中的数百万个潜在匹配项进行对比。该系统不仅仅是查看姓名，它还会阅读论文标题和已发表论文的标题，将其分解为细小的文本片段，以观察它们之间的重叠程度。它还利用先进技术来理解作品的底层主题，能够识别出即便措辞不同，关于“机器学习”的论文也可能与标题为“人工智能”的论文相关联。该系统生成一个分数，代表论文作者与文章作者为同一人的可能性。为了确保系统的有效性，研究人员通过让专家评审数千个潜在匹配项，检查计算机的判断是否正确，以此对系统进行了测试。他们发现，通过将文本匹配与主题分析相结合，该系统能够可靠地识别不同记录中的同一个人，并具有极高的准确度。

这一新方法的结果揭示了学术劳动力市场的一个惊人现实。当研究人员将该系统应用于北美的一组大规模博士毕业生时，他们发现其中很大一部分人无法在数据库中关联到任何后续的出版物。具体而言，他们估计，在典型的博士毕业生群体中，有 10.2% 到 20.7% 的人在获得学位后从未出现在主要的文献数据库中，其最佳估算值为 17.3%。这意味着近五分之一的博士毕业生在标准的科学职业地图中是缺失的。这一群体并不一定意味着失败；他们可能在其他领域取得了成功，但他们的缺席扭曲了我们对博士毕业后情况的理解。研究还表明，“从出版记录中消失”的速率会随着时间的推移而增加。虽然大约 73% 的毕业生在获得学位后的第一年仍能观察到发表作品，但到十五年后，这一比例降至约 50%。如果将那些从未发表过作品的毕业生也计算在内，这种下降趋势会更加剧烈，这表明大多数研究人员仅在有限的时间窗口内对科学文献做出贡献。

研究人员还测试了现代人工智能是否可以取代他们的结构化计算机系统。他们发现，虽然大型语言模型在高度自信时可以做出非常准确的判断，但与专门的评分系统相比，它们在处理整个群体匹配时速度较慢，且效果略逊一筹。他们建议，最有效的方法是使用快速的专门系统扫描所有数据，然后仅在第一个系统不确定时才使用人工智能进行复核。这种两步走的过程可以在不因使用复杂模型而陷入时间与成本困境的情况下，实现对数据的全面观察。

最终，这项工作不仅仅是修复了一个数据匹配方面的技术问题，它更改变了学术职业的叙事。通过将那些不再发表论文的毕业生纳入考量，这项研究为博士培养成果提供了一个更诚实、更完整的图景。它表明，博士之后的路径远比以往数据所允许看到的要多样化，大量的人正转向不涉及学术期刊出版的角色。这里开发的方法是开放的，可以应用于其他领域和国家，为政策制定者和研究人员提供了一个了解每年获得博士学位的人群真实命运的新工具。它提醒我们，论文的终点并不总是科学职业的起点，博士学位的价值远不止于期刊的篇幅。

技术摘要：将博士论文元数据与 OpenAlex 作者档案进行关联

问题陈述
在科学计量学中，建立博士论文与其作者后续出版记录之间的可靠联系是一个持久的挑战。现有的研究学术职业轨迹的方法主要依赖于便利样本——例如自愿登记系统（如数学谱系项目）或仅限于已建立稳定出版身份的研究人员的样本。这些方法系统性地排除了那些不继续从事学术出版、进入工业界或从事非研究职业的毕业生。因此，对早期职业生产力、导师效应和流失率的估计存在向上偏差，因为这些估计是以“在出版劳动力中生存”为前提条件的。核心技术难点在于，如何将单一且简短的论文记录（通常具有常见的姓名和有限的元数据）与包含数亿个作者实体的庞大书目数据库进行关联，同时区分真实的匹配项与假阳性，并稳健地识别真实的缺失情况（即那些在数据库中确实没有任何后续出版物的毕业生）。

方法论
作者提出了一种通用的、经人工验证的程序，用于将 ProQuest Dissertations & Theses (PQDT) 的论文元数据与 OpenAlex 中的作者档案及出版物进行关联。该方法分为四个主要步骤：

穷尽名称匹配： 系统使用灵活的变体生成策略在 OpenAlex 中搜索所有潜在的作者匹配项。它将 PQDT 的倒置姓名格式（姓, 名）转换为标准格式，并对姓名进行分词处理，以应对中间名缩写、连字符和姓名顺序的变化（例如，将“Felix-Miguel”视为单个姓氏或独立的中间名/姓氏）。这生成了一个广泛的候选对集合（论文到作者实体），以确保高召回率。
相似度测量： 对于每个候选对，系统计算四种不同的相似度得分：
- 主题标题相似度 (S1)： 使用 SciBERT Transformer 嵌入来测量论文标题与出版物标题之间的余弦相似度，即使在没有精确关键词匹配的情况下也能捕捉语义主题的重叠。
- 文本标题相似度 (S2)： 基于标题三元组（trigrams）计算 Jaccard 相似度，以衡量词汇重叠程度。
- 文本姓名相似度 (S3)： 基于作者姓名的三元组计算 Jaccard 相似度，以比简单的编辑距离更稳健地处理姓名变化。
- 论文标题相似度 (S4)： 使用 Damerau-Levenshtein 距离检测近乎相同的标题，假设论文标题本身可能会出现在出版记录中。
综合评分与优化： 这些指标被组合成一个加权综合得分 ( $C$ )。权重（ $w_1$ 到 $w_4$ ）并非理论推导，而是通过详尽的网格搜索进行经验估计，以最大化针对人工验证基准真相的马修斯相关系数 (MCC)。使用 MCC 至关重要，因为存在严重的类别不平衡（非匹配项的数量远多于匹配项）。
验证与校准： 该方法通过两个迭代过程进行验证：
- 基准测试： 对 500 篇随机抽样的论文（涵盖所有领域，2009–2010 年）及其 2,549 个候选匹配项进行盲审人工评估。
- 校准测试： 从更大的样本库（包含自然科学、技术和健康科学领域的 155,994 篇论文，2005–2010 年）中抽取 1,979 个候选匹配项。该样本是类别平衡的，并由盲审人员进行双重编码。此阶段还将结构化相似度方法与两种大语言模型 (LLM) 策略（独立策略和混合策略）进行了比较，使用的是 Qwen2.5:14b-instruct。

关键结果

结构化得分的表现： 在基准测试中，优化后的综合得分实现了 0.823 的 MCC。在校准测试中，基准参数化表现出仅有的轻微损失（MCC = 0.805）。当在校准样本上重新优化时，结构化得分实现了 0.896 的样本内 MCC，在全覆盖分类方面优于两种 LLM 策略（MCC 分别为 0.872 和 0.880）。
LLM 表现： 虽然 LLM 方法相对保守（假阳性较少，假阴性较多），但它们作为判定工具表现出色。在 LLM 独立策略判定为“高置信度”的子集（占样本的 60.4%）中，MCC 上升至 0.945。
关于非出版行为的实证发现： 通过将该方法应用于 155,994 名北美博士（2005–2010 年），作者估计该群体中有 17.3%（区间：10.2%–20.7%）无法在 OpenAlex 中找到任何后续出版物记录。这代表了一个庞大的“隐形”群体，在传统的科学计量学研究中经常被排除在外。
职业轨迹： 研究观察到博士毕业后出版活动出现剧烈下降。在考虑了未匹配（非出版）毕业生后，毕业 15 年后仍有出版活动的比例仅为 49.6%。

意义与主张
作者声称其主要贡献有三点：

方法论的进步： 它提供了一种可复现、可推广的方法，用于将单记录注册表（论文）与大规模书目数据库进行关联，而无需依赖自愿报告或 ORCID 链接的基准真相（后者会使样本向活跃出版者倾斜）。该方法明确考虑了误差率，从而为实质性估计提供置信区间。
纠正选择偏差： 通过成功识别“非出版”或“短时出版”群体，该方法允许研究人员将职业轨迹研究的分母从“那些发表了论文的人”转向“全体受训人口”。这揭示了博士毕业后从出版劳动力中流失的真实程度。
混合策略建议： 作者提出了一个用于大规模应用的两阶段策略：使用计算效率高、高召回率的结构化得分进行全覆盖，并仅在决策阈值附近或结构化相似度较低的情况下部署 LLM 进行裁定。这种方式平衡了成本与准确性，既利用了 LLM 在处理困难案例时的高置信度，又避免了其在处理简单匹配时的计算开销。

作者保持了审慎的态度，指出该方法估计的是“观测到的出版活动”而非确定的职业状态（因为毕业生可能会在非索引刊物上发表作品）。他们也承认了包括姓名变更（如因婚姻导致的改姓）和转写问题在内的局限性，这些因素可能会抬高估计的非出版比例，尤其是在特定人口统计群体中。该方法旨在适用于任何包含相关元数据字段的数据源，前提是针对目标领域进行特定的参数重新校准。

技术摘要：将博士论文元数据与 OpenAlex 作者档案进行关联

类似论文