OpenAlex-Does-Not-Record-Co-First-Authorship-Two-Systematic-Errors-in-Researcher-Evaluation

低估贡献，高估影响：用数据库评估早期研究者时的两个盲区

文中案例均已匿名化：不出现姓名、拼音、机构和 DOI，论文以 A/B/C 指代。

---

0. 一个被推翻的判断

前不久，我需要了解一位刚硕士毕业的研究者：他做过什么，做到什么程度，适不适合继续读博。招生、招聘和合作前的背调里，这类判断很常见。最省事的做法，是去 OpenAlex 这类开放文献数据库查他的作者记录。

第一轮结论来得很快。数据库列出了他近两年的几篇论文，其中不乏高影响力期刊，但每一篇的作者位置字段都写着 middle。结论似乎很清楚：他是课题组里的参与者，没有做过一作。

第二轮我换了个办法，直接读论文的开放获取全文，结果在其中一篇 Science 子刊论文的首页脚注里看到一行小字：

† These authors contributed equally to this work.

† 标在前三位作者身上，他是其中之一。他是这篇论文的共同第一作者。

同时我还注意到另一组对不上的数字：数据库里，这个作者 ID 的累计引用有数千次；而在学术网站自动生成的作者与机构页面上，他的引用只有数十次。两者相差约 40 倍。

两个数字都出自看似权威的数据源，一个把他的贡献算小了，一个把他的影响力算大了。这篇文章讲这两个盲区是怎么产生的、有多普遍，以及怎么绕开它们。

---

1. 盲区一：共同一作在索引里会”消失”

1.1 数据是怎么一路传下来的

一篇论文的作者信息，从出版商到你的查询结果，大致要经过三站：

出版商排版系统（JATS XML，含脚注）
        │  向 Crossref 登记 DOI 元数据
        ▼
Crossref（作者列表 + sequence 字段）
        │  被聚合、消歧
        ▼
OpenAlex / 其他下游数据库（author_position 字段）

问题出在第一站到第二站之间。Crossref 的作者元数据里，表示顺序的只有一个 sequence 字段，取值只有 first 和 additional 两种，**没有任何字段能表达”并列”**。出版商 XML 里的 † 脚注，在登记元数据这一步就丢掉了。

下游的 OpenAlex 同样只按署名顺序给出 first、middle、last 三种位置。对一篇有三位共同一作的论文，数据库只会告诉你：第一位是 first，另外两位是 middle，和排在第十位的作者没有区别。

1.2 这个缺口有多大

如果共同一作很少见，这个缺口无关紧要。事实正好相反。

一项基于 PubMed 与 PMC 的大规模文献计量研究（arXiv:2603.23569）统计了 2010–2024 年间约 48 万条带等同贡献标注的记录，发现：

• 共同一作的比例在 2017 年后明显加速上升；
• 在期刊层面，带标注论文所占比例的中位数从 2015 年的约 19% 升到 2024 年的 30% 以上，部分期刊超过 50%；
• 按分数计数，**中国的贡献占 40.8%**，远高于其他国家。

另一篇发表在 PLoS Biology 上的观点文章（Shou, 2026）直接指出：等同贡献信息在索引过程中常规性地丢失，造成了学术认可上的不公平。

两件事放在一起，推论很直接：对中国生物医学领域的研究生来说，”数据库看不到共同一作”很可能是常态，不是个例。 上述研究还发现，等同贡献标注集中在靠前的署名位置，而这正是研究生最常出现的位置。最需要被准确评估的早期研究者，很可能也是受影响最大的群体。

1.3 实测：三篇论文，三种结果

回到开头的案例。在他的论文里，有三篇能拿到开放获取全文，我逐一核对了脚注：

论文	类型	数据库给出的位置	全文脚注	实际身份
A	Science 子刊，原创研究	middle	† 标注前三位作者，含本人	共同一作
B	材料/生医类一区期刊，原创研究	middle	无等同贡献脚注	中间作者
C	综述	middle	# 仅标注另外两位作者	中间作者

同样写着 middle，背后是两种完全不同的贡献。只看数据库字段，论文 A 和论文 B 无法区分。

1.4 顺带发现：通讯作者字段也不可靠

OpenAlex 其实提供了一个 is_corresponding 字段。按理说，它能帮我们找到论文的通讯作者，也就是通常意义上的课题负责人。我顺手用这三篇论文检验了它：

论文	全文中的实际通讯作者	OpenAlex is_corresponding 标记	结果
A	仅末位作者（1 人）	第 1、2、3 位 + 末位（4 人）	把 † 共同一作误标为通讯作者
B	倒数两位作者	倒数两位作者	正确
C	倒数两位作者	无人被标记	完全缺失

论文 A 最值得注意：被错误标记的三个人，正好是 † 标注的三位共同一作。一个合理的推测是，元数据解析时 † 这类脚注符号被笼统地当成了”特殊作者”标记。这个推测我没有进一步验证。

也就是说，等同贡献信息不一定只是”丢失”，有时还会被误读成另一种身份。 一个依赖 is_corresponding 识别导师的评估工具，会在论文 A 上得出”这名学生是通讯作者之一”的结论。这比信息丢失更糟。

1.5 技术细节：JATS 里至少有三种写法

既然元数据靠不住，就只能回到全文。Europe PMC 为开放获取论文提供 JATS 格式的全文 XML（/{pmcid}/fullTextXML）。但读脚注比想象中麻烦，因为各家出版商的写法不统一。这次实测我遇到了三种。

写法一：作者节点上的属性。 这是 JATS 标准里最规范的形式。

<contrib contrib-type="author" equal-contrib="yes">
  <name><surname>Author</surname><given-names>A</given-names></name>
</contrib>

写法二：独立的脚注，通过 id 回指。 脚注写在 <author-notes> 里，作者节点只放一个引用。

<author-notes>
  <fn id="afn1"><p>These authors contributed equally to this work.</p></fn>
</author-notes>
...
<contrib contrib-type="author">
  <name>...</name>
  <xref ref-type="author-notes" rid="afn1">†</xref>
</contrib>

写法三：只有符号，而且 <contrib> 连类型属性都没有。

<contrib>
  <name>...</name>
  <xref ref-type="aff" rid="A1">1</xref>
  <xref rid="FNA_number" ref-type="author-notes">#</xref>
</contrib>

第三种最容易漏。我的第一版解析逻辑只匹配带 contrib-type="author" 的节点，在论文 C 上一个作者都没解析出来。

稳妥的做法是反向映射，分三步：

1. 找出所有正文含 “contributed equally””equal contribution” 一类表述的脚注，记下它们的 id；
2. 遍历所有作者节点，不预设它们带什么属性；
3. 节点只要满足以下任一条件，就判定为等同贡献作者：
   • 带 equal-contrib="yes"；
   • 引用了第 1 步中的某个 id；
   • 引用文本本身就是 †、#、‡ 之类的符号。

eq_ids = {fid for fid, body in footnotes if re.search(r"contributed equally|equal contribution", body, re.I)}
for contrib in all_contrib_nodes:            # 不要只匹配 contrib-type="author"
    rids = re.findall(r'rid="([^"]+)"', contrib)
    marks = [xref_text(x) for x in xrefs(contrib)]
    is_equal = ('equal-contrib="yes"' in contrib
                or any(r in eq_ids for r in rids)
                or any(m in {"†", "#", "‡"} for m in marks))

还有一个反例要排除：论文 B 的全文里也出现了 “contributed equally” 这个短语，但它不在作者脚注里，而在全文其他位置。只用关键词匹配全文会误判，必须把脚注和作者节点对应起来。

1.6 读不到的部分，就老实写”不知道”

这个方法有明确的边界：只对开放获取、且被 Europe PMC 收录全文的论文有效。这次核查的五篇论文里，有两篇拿不到全文 XML，共同一作情况无法确认。

这时最糟的做法，是退回去相信数据库的位置字段，写上”中间作者”。正确的输出是 unknown，同时把”查看出版商原文首页”列为待办。**”不知道”是一个合法的结论；把”不知道”写成”不是”，才是错误。**

---

2. 盲区二：同名作者被合并进同一个 ID

2.1 一个 ID，几个人

开头提到的”数千次引用”是怎么来的？打开这个作者 ID 下的完整作品列表，就一目了然：

• 二十余篇论文，跨越医学、农学、植物学等至少五个互不相干的领域；
• 作品时间跨度十余年，远长于一个刚毕业硕士生的学术生涯；
• 同一个 ID 的”最近机构”里，同时出现了一所医学院和一个农业研究所。

真正属于这位研究者的，只有其中 2025–2026 年的一小簇。其余作品至少来自另外四位同名或近似同名的研究者，被数据库的消歧算法合并到了一起。

需要说明，”数千对数十”并不是严格的同口径比较，各平台统计引用的方法本来就有差异。但几十倍的差距远超口径差异能解释的范围，主要来源就是这些混入的作品。

有意思的是，这个问题在我第一次检索时就出现了：用他的名字做网络搜索，排在最前面的是另一位同名的农业环境领域研究者。

2.2 为什么会发生

作者消歧本质上是一个聚类问题：把署名字符串相同或相似的作品，按合作者、机构、主题、ORCID 等特征归到同一个人名下。下面几个因素会让它失效：

• 拼音重名率高。 中文名转成拼音会丢失大量信息，不同的汉字和声调会落到同一个拼写上。像”张伟”这样的常见名，在英文文献里对应成百上千个不同的人。
• 缩写放大冲突。 双字名常被写成首字母缩写，或拆成两个音节。同一个人可能有好几种署名形式，而不同的人又可能共享同一种。
• ORCID 覆盖不全或关联错误。 某个 ORCID 一旦被错误挂到一个聚类上，就会成为”锚点”，把更多作品吸进来。

2.3 识别信号

在引用任何基于作者 ID 的数字之前，至少检查以下几点：

1. 机构列表是否混杂：是否同时出现毫无关联的机构类型，比如医院和农业研究所。
2. 主题跨度是否合理：一个研究生两三年内不太可能横跨五个领域。
3. 时间线与学术年龄是否吻合：硕士生名下出现十几年前的论文，基本可以断定是合并错误。
4. 与独立来源交叉比对：本人认领或维护的主页、ORCID，以及各学术平台的作者页面，都可以作为参照，逐篇核对并剔除不属于他的作品。注意，自动生成的作者页面本身也是消歧算法的产物。本案中它恰好是对的，但不能默认如此；多个来源互相印证才可靠。
5. 用主题关键词过滤：在工具层面，可以只保留标题含其研究方向关键词的作品，作为一道粗筛。

2.4 后果：所有基于 ID 的指标都被污染

一旦 ID 合并出错，受影响的不只是引用数：

• h-index 与总引用：被他人的高被引论文抬高；
• 合作网络：混入完全不认识的合作者，”最常合作者”的判断可能失真；
• 研究方向演化：会画出一条根本不存在的”从消化内科转向植物学”的研究轨迹；
• 机构履历：凭空多出几段从未有过的任职经历。

对只有几篇论文的早期研究者来说，混入的作品很容易比他本人的还多。这时数据库里的”他”，在统计意义上已经是另一个人了。

---

3. 两个盲区叠加：方向相反，都不报错

把两个盲区放在一起看，会发现一个令人不安的结构：

	盲区一：共同一作丢失	盲区二：同名合并
影响对象	个人贡献	影响力指标
偏差方向	低估	高估
是否报错	否	否
数据看起来	完整、规范	完整、规范

同一个人可以同时被低估和高估。在这个案例里，他真实的共同一作身份被抹去，同时又被记上了数十倍于自己的引用。两种偏差甚至可能在某个综合评分里部分抵消，让最终分数显得合理，从而更难被发现。

更要紧的是，两种错误都不会触发任何警告。数据库返回的是格式规范、字段齐全的 JSON，没有任何标记提示”这个字段可能不准”。依赖这些数据自动生成评估报告的系统，无论是传统的人才评估工具，还是如今越来越常见的 AI agent，都会原样继承这两个盲区，并用非常自信的语气输出结论。

这也是开头”第一轮结论”犯错的原因：它没有算错，只是太相信字段的字面意思。

---

4. 一份可操作的核查清单

基于公开记录对一位早期研究者下结论之前，建议至少完成以下五步：

1. 先确认身份，再谈指标。 用多个独立来源确认数据库中哪些作品真正属于他，用机构、主题、时间线三个信号排查合并错误。所有指标只在清洗后的作品集上计算。

2. 共同一作只看全文脚注。 不要用 author_position 判断是否一作，也不要用 is_corresponding 判断是否通讯作者。开放获取论文读 JATS 全文；拿不到全文的标记为 unknown，不要退回位置字段。

3. 识别课题负责人，区分平台与个人。 在清洗后的作品集中，出现最频繁、且反复位于通讯作者或末位的合作者，通常就是导师或课题负责人。据此可以追问一个关键问题：这位研究者有没有不以该导师为通讯作者的工作？这一步是推断，需要用课题组主页或学位论文致谢核实。

4. 诚信信号只作参考。 PubPeer 评论和撤稿、更正记录（可通过 Crossref 的 update-to 字段查询）值得查，但”没有记录”只说明当前没有公开质疑。PubPeer 主要捕捉图像和数据重复问题，覆盖不了方法学上的争议。

5. 区分”已核实”和”推断”。 学位状态、毕业时间、去向这类信息，不在任何文献数据库里。报告中凡是推断得出的结论都应明确标注，并写清楚没能核实什么。

---

5. 一个小工具

我把上述流程中能自动化的部分整理成了一个命令行脚本和一份 agent skill 说明，开源在 GitHub：gsioeo/early-career-researcher-record-skill。

它依次调用 OpenAlex、Crossref、PubPeer 和 Europe PMC 四个免密接口，完成三件事：

• 列出候选作者 ID，并提示同名合并风险；
• 逐篇检查 PubPeer 评论和撤稿、更正记录；
• 从开放获取全文的脚注中识别共同一作。

python researcher_audit.py --dois 10.xxxx/aaaa --surname Lastname
#  10.xxxx/aaaa
#     pubpeer=CLEAN  retraction/correction=no  co-first: A, B, Lastname  | target_is_cofirst=True

它刻意不做几件事：不自动判定谁是导师，因为通讯作者字段不可靠，而且这本身是推断；不给研究者打分；也不猜测学位状态。这些判断应该留给人，至少也应以”推断”的身份出现。

---

6. 局限与伦理

方法的局限。 全文脚注核查只覆盖被 Europe PMC 收录的开放获取论文，付费论文仍需人工查看出版商页面。PubPeer 查询用的是其浏览器插件的公开接口，没有正式文档，随时可能变化。本文的实测样本很小：一位研究者，三篇可读全文的论文。它只能说明问题存在，不能说明问题有多普遍；普遍程度请以文中引用的大规模研究为准。

伦理。 这类核查的对象是可识别的具体个人，应当只用于正当目的，例如招生、招聘、合作前的尽职调查，或核查自己的记录；生成的报告应当私下保存。还要记住：数据库里的错误，从来不是被评估者的错误。一个学生不应因为出版商的元数据格式丢掉了他的 †，就被认为”没做过一作”；也不应因为算法把别人的引用算到他头上，而背负不属于他的期待。

---

结语

数据库给出的是线索，不是结论。

对成熟的研究者来说，几百篇论文和几十年的履历足以冲淡这些误差。可对只有几篇论文的早期研究者，一个丢失的 †、一次错误的合并，就可能完全改写他的画像。而他们恰恰最常被这样评估。

在按下”生成报告”之前，花十分钟读一读论文首页的脚注。

---

参考文献

1. Trends in Equal-Contribution Authorship: A Large-Scale Bibliometric Analysis of Biomedical Literature. arXiv:2603.23569, 2026.
2. Shou W. We need to correct the wide-spread omission of equal contribution in article indexing. PLoS Biology, 2026, 24(4): e3003746. https://doi.org/10.1371/journal.pbio.3003746
3. OpenAlex API 文档：authorships 对象（author_position、is_corresponding）。
4. Crossref REST API 文档：作者 sequence 字段与 update-to 关系。
5. JATS 标签集：<contrib> 的 equal-contrib 属性与 <author-notes>。