Từ khóa: Trí tuệ nhân tạo; DOI; Metadata; Crossref; Open Journal Systems; Dữ liệu xuất bản; Trích dẫn khoa học.

1. Mở đầu

Chuyển đổi số đang làm thay đổi căn bản phương thức tổ chức, quản lý, lưu trữ và phổ biến kết quả nghiên cứu khoa học. Trong môi trường xuất bản điện tử, một bài báo khoa học không chỉ được lưu trữ dưới dạng tệp toàn văn mà còn được cấu trúc và mô tả thông qua hệ thống dữ liệu mô tả (metadata), bao gồm các thông tin như tiêu đề bài báo, tên tác giả, cơ quan công tác, ngày xuất bản, tóm tắt, từ khóa, mã định danh ORCID, DOI và danh mục tài liệu tham khảo. Theo Crossref (2022), metadata đóng vai trò quan trọng trong việc nhận diện các đối tượng nghiên cứu, xác lập mối quan hệ giữa các công trình khoa học và kết nối chúng với các nguồn dữ liệu trong hệ sinh thái học thuật. Bên cạnh đó, Kemp (2018) và Zhu (2023) nhấn mạnh vai trò của metadata đối với khả năng phát hiện, truy cập và khai thác thông tin khoa học trên môi trường số. Theo đó, mức độ đầy đủ, chính xác, nhất quán và khả năng liên kết của metadata có ảnh hưởng trực tiếp đến hiệu quả tìm kiếm, truy xuất và phổ biến các ấn phẩm khoa học. Vì vậy, chuẩn hóa và nâng cao chất lượng metadata không chỉ là yêu cầu kỹ thuật trong quy trình xuất bản điện tử mà còn là điều kiện quan trọng nhằm nâng cao khả năng hiển thị, tăng cường kết nối học thuật và mở rộng phạm vi tiếp cận của các công trình nghiên cứu.

DOI (Digital Object Identifier) cung cấp định danh bền vững cho đối tượng được đăng ký. Tuy nhiên, tính bền vững không tự động bảo đảm rằng mọi đường dẫn đều hoạt động hoặc metadata luôn chính xác; đơn vị đăng ký vẫn cần duy trì thông tin đích và cập nhật bản ghi khi có thay đổi (Crossref, 2022). Điều đó cho thấy quản lý DOI không nên chỉ được hiểu là thao tác tạo mã và đăng ký, mà cần đặt trong quy trình quản trị dữ liệu xuất bản xuyên suốt vòng đời bài báo.

Trong bối cảnh này, trí tuệ nhân tạo có thể hỗ trợ những công việc có tính lặp lại và quy mô lớn, chẳng hạn trích xuất trường dữ liệu, phát hiện trường còn thiếu, đối chiếu các bản ghi, nhận diện biến thể trong tài liệu tham khảo và tạo cảnh báo về sai lệch. Dẫu vậy, các công cụ AI cũng có thể tạo ra kết quả không chính xác hoặc suy diễn thông tin không có căn cứ. Các khuyến nghị về đạo đức xuất bản nhấn mạnh rằng trách nhiệm đối với nội dung và độ tin cậy của công trình vẫn thuộc về con người, đồng thời việc sử dụng AI cần minh bạch khi thuộc phạm vi chính sách của tạp chí (COPE Council, 2023; Miao & Holmes, 2023).

Bài viết sử dụng phương pháp phân tích tài liệu và tổng hợp quy trình nghiệp vụ để làm rõ vai trò của DOI, metadata, OJS và Crossref; nhận diện các bước có thể ứng dụng AI; từ đó đề xuất mô hình tích hợp và bộ tiêu chí đánh giá. Do chưa tiến hành thử nghiệm trên một tập dữ liệu cụ thể, các lợi ích nêu ra được trình bày như tiềm năng và định hướng triển khai, không phải kết quả định lượng đã được kiểm chứng.

2. Cơ sở lý luận và hạ tầng dữ liệu xuất bản

2.1. DOI và metadata trong hệ sinh thái học thuật

Digital Object Identifier (DOI) là hệ thống định danh số được thiết kế nhằm xác định duy nhất một đối tượng và hỗ trợ truy cập đến đối tượng đó thông qua cơ chế phân giải định danh. Khác với URL vốn gắn với địa chỉ truy cập cụ thể, DOI có thể tiếp tục được sử dụng ngay cả khi địa chỉ trực tuyến của tài nguyên thay đổi, với điều kiện thông tin phân giải được duy trì và cập nhật tương ứng. Theo International DOI Foundation (IDF), hệ thống DOI không chỉ bao gồm mã định danh mà còn gắn với cơ chế phân giải và hệ thống metadata mô tả đối tượng được định danh. Sự kết hợp này tạo cơ sở cho việc nhận diện, truy xuất và kết nối các đối tượng số trong môi trường mạng (International DOI Foundation). Vì vậy, DOI cần được hiểu là một cơ chế định danh và liên kết tài nguyên, không phải địa chỉ URL cố định hay chứng nhận về chất lượng khoa học của công trình được định danh.

Trong hệ sinh thái xuất bản học thuật, metadata giữ vai trò cung cấp thông tin có cấu trúc về tài liệu và các mối quan hệ giữa tài liệu với những thực thể liên quan. Các trường metadata thường bao gồm tiêu đề, tác giả, đơn vị hoặc nguồn xuất bản, thời điểm công bố, thông tin định danh và tài liệu tham khảo. Theo Crossref, các thành viên có thể đăng ký và cập nhật metadata gắn với DOI thông qua hệ thống của tổ chức. Việc cung cấp metadata đầy đủ, chính xác và có cấu trúc không chỉ đáp ứng yêu cầu đăng ký định danh mà còn góp phần nâng cao khả năng phát hiện tài liệu, hỗ trợ liên kết trích dẫn và tăng cường khả năng trao đổi dữ liệu giữa các nền tảng học thuật.

Từ góc độ quản trị dữ liệu xuất bản, metadata không nên được xem đơn thuần là tập hợp thông tin khai báo trong quá trình đăng ký DOI, mà cần được xác định là một tài sản dữ liệu cần quản lý xuyên suốt vòng đời xuất bản. Quá trình này bao gồm chuẩn hóa cấu trúc trường dữ liệu, kiểm tra tính đầy đủ và nhất quán, đối chiếu thông tin giữa các nguồn, cập nhật khi có thay đổi và duy trì khả năng truy xuất lịch sử chỉnh sửa. Đặc biệt, những sai lệch về tên tác giả, tiêu đề bài viết, thông tin xuất bản hoặc DOI trong danh mục tài liệu tham khảo có thể làm suy giảm độ chính xác của dữ liệu thư mục và ảnh hưởng đến khả năng liên kết trích dẫn. Do đó, kết hợp các quy tắc kiểm tra tự động với sự xác minh của biên tập viên là hướng tiếp cận cần thiết nhằm nâng cao chất lượng metadata, bảo đảm tính toàn vẹn của dữ liệu và củng cố khả năng kết nối của các tạp chí trong hệ sinh thái học thuật số.

2.2. Vai trò của OJS và Crossref

Open Journal Systems (OJS) hỗ trợ quản lý quy trình xuất bản tạp chí, đồng thời lưu trữ metadata của bài báo. Theo hướng dẫn của Crossref, để đăng ký DOI thông qua OJS, tạp chí cần cấu hình DOI và thiết lập việc gửi bản ghi tới Crossref; các bước cụ thể phụ thuộc vào phiên bản OJS được sử dụng (Crossref, 2024). Crossref tiếp nhận metadata được gửi theo cấu trúc quy định, tạo cơ sở cho việc định danh và liên kết các công trình trong hệ thống.

Một quy trình nghiệp vụ cơ bản có thể mô tả như sau: tiếp nhận bản thảo → biên tập nội dung và thông tin thư mục → chuẩn hóa metadata → xuất bản trên OJS → đăng ký DOI và gửi metadata tới Crossref → kiểm tra DOI và trang đích → cập nhật khi phát sinh thay đổi. Quy trình này cần đối chiếu ít nhất các nguồn: dữ liệu trong OJS, bản PDF hoặc HTML đã xuất bản, bản ghi Crossref và landing page. Nếu các nguồn không thống nhất về tiêu đề, tác giả, ngày xuất bản hoặc DOI, khả năng truy xuất và liên kết có thể bị ảnh hưởng.

2.3. Khả năng và giới hạn của AI trong quản trị dữ liệu

Trí tuệ nhân tạo (Artificial Intelligence – AI) mở ra khả năng tự động hóa một số công đoạn trong quản trị dữ liệu khoa học. Các kỹ thuật này có thể được ứng dụng để trích xuất thông tin từ văn bản, nhận diện và phân loại các trường metadata, đối chiếu bản ghi giữa nhiều nguồn dữ liệu, phát hiện sự không nhất quán và xác định những trường hợp có dấu hiệu sai lệch cần được kiểm tra. Theo Yang và cộng sự (2025), sự tích hợp AI vào quản lý metadata đang làm thay đổi các phương thức tổ chức, phân loại và khai thác dữ liệu, đồng thời mở rộng khả năng hỗ trợ các hoạt động quản trị dữ liệu. Trong môi trường xuất bản học thuật, khi được kết hợp với các quy tắc kiểm tra được xác định trước, AI có thể hỗ trợ sàng lọc số lượng lớn bản ghi, ưu tiên các trường hợp có nguy cơ sai sót và giảm khối lượng công việc kiểm tra thủ công. Tuy nhiên, hiệu quả của phương thức này phụ thuộc vào chất lượng dữ liệu đầu vào, tính phù hợp của mô hình và khả năng kiểm soát kết quả đầu ra.

Bên cạnh những tiềm năng nêu trên, việc ứng dụng AI trong quản trị dữ liệu cũng đặt ra những giới hạn về độ chính xác, tính nhất quán và khả năng xác minh thông tin. Các kết quả do AI tạo ra không mặc nhiên phản ánh sự thật, bởi hệ thống có thể đưa ra dự đoán không chính xác, diễn giải sai ngữ cảnh hoặc đề xuất những mối liên hệ không có đủ căn cứ. Đối với metadata học thuật, những sai lệch này có thể xuất hiện khi phân biệt họ và tên tác giả, chuẩn hóa tên riêng, xác định thông tin cơ quan công tác hoặc đối chiếu các tài liệu có tiêu đề tương tự. Tương tự, việc nhận diện một chuỗi ký tự có cấu trúc DOI chưa đủ để khẳng định định danh đó hợp lệ hoặc tương ứng với tài liệu đang được kiểm tra. Vì vậy, cần phân biệt giữa việc phát hiện một dấu hiệu bất thường, việc xác minh tính hợp lệ của định danh và việc xác nhận tính chính xác của toàn bộ bản ghi. Việc kiểm tra nên dựa trên các nguồn có thẩm quyền, chẳng hạn như bản ghi metadata của Crossref, hồ sơ ORCID của tác giả và trang xuất bản chính thức của công trình.

Từ góc độ quản trị, AI nên được triển khai theo mô hình hỗ trợ ra quyết định thay vì thay thế hoàn toàn vai trò của con người. Theo Miao và Holmes (2023), việc ứng dụng AI trong nghiên cứu cần được định hướng theo cách tiếp cận lấy con người làm trung tâm, trong đó chú trọng bảo vệ dữ liệu, duy trì quyền chủ động của con người và đánh giá tính phù hợp, an toàn của công nghệ. Vận dụng nguyên tắc này vào quản trị DOI và metadata, AI có thể thực hiện các nhiệm vụ trích xuất, đối chiếu, phát hiện sai lệch và đề xuất phương án hiệu chỉnh; trong khi đó, cán bộ biên tập hoặc người được phân quyền chịu trách nhiệm kiểm tra căn cứ, phê duyệt những thay đổi quan trọng và bảo đảm khả năng truy xuất lịch sử xử lý dữ liệu. Cách tiếp cận này vừa khai thác được lợi thế tự động hóa, vừa hạn chế nguy cơ sai lệch lan truyền trong hệ thống dữ liệu xuất bản. Theo đó, nguyên tắc vận hành phù hợp là AI hỗ trợ phát hiện và đề xuất; con người kiểm chứng và quyết định; hệ thống ghi nhận và truy xuất quá trình xử lý.

3. Các hướng ứng dụng AI trong quản lý DOI và dữ liệu xuất bản

3.1. Kiểm tra và chuẩn hóa metadata

Bước đầu tiên có thể ứng dụng AI là kiểm tra tính đầy đủ và nhất quán của metadata trước khi đăng ký DOI. Dữ liệu có thể được thu thập từ biểu mẫu OJS, tệp PDF hoặc tài liệu biên tập, sau đó đối chiếu với bộ trường thông tin chuẩn của tạp chí. Hệ thống có thể cảnh báo trường bị bỏ trống, sai định dạng, tên tác giả không đồng nhất, ngày xuất bản không hợp lý hoặc sự khác biệt giữa tiêu đề trên trang bài báo và tệp toàn văn.

Quy trình đề xuất gồm: (1) thu thập dữ liệu từ nguồn được phép sử dụng; (2) trích xuất và phân loại trường metadata; (3) kiểm tra bằng quy tắc xác định trước; (4) đối chiếu giữa các nguồn; (5) lập danh sách sai lệch và mức độ ưu tiên; (6) để biên tập viên xác minh; (7) cập nhật dữ liệu đã được phê duyệt. Các kiểm tra có thể xác định bằng quy tắc, chẳng hạn trường bắt buộc không được để trống, định dạng DOI phải phù hợp hoặc trường năm xuất bản cần có giá trị hợp lệ. AI phù hợp hơn với các trường hợp cần so sánh ngữ nghĩa hoặc nhận diện những biến thể cách viết mà quy tắc đơn giản khó xử lý. Cần lưu ý rằng chuẩn hóa không có nghĩa là tự ý viết lại dữ liệu gốc. Với tên tác giả, tên cơ quan, tiêu đề hoặc định danh, hệ thống nên giữ nguyên giá trị nguồn, đưa ra đề xuất hiệu chỉnh và ghi lại người phê duyệt. Cơ chế này vừa tận dụng khả năng tự động hóa, vừa hạn chế nguy cơ AI làm thay đổi thông tin chính thức.

3.2. Đối soát DOI và tính nhất quán đa nguồn

Sau khi DOI được đăng ký, công việc quản trị tiếp tục ở khâu kiểm tra liên kết và đối soát metadata. Crossref lưu ý rằng DOI cần được gắn với metadata phù hợp và thông tin vị trí tài nguyên cần được duy trì; về bản chất, không có giải pháp kỹ thuật nào tự động loại bỏ hoàn toàn nguy cơ liên kết hỏng nếu đơn vị đăng ký không cập nhật thông tin đích (Crossref, 2022). Vì vậy, tạp chí cần kiểm tra định kỳ sự tương ứng giữa DOI được hiển thị trong bài báo, DOI trên OJS, bản ghi Crossref và landing page.

AI có thể hỗ trợ tổng hợp dữ liệu từ các nguồn được phép truy cập, so sánh những trường như tiêu đề, tên tác giả, ngày xuất bản, ISSN và DOI, sau đó phân loại cảnh báo: DOI chưa có trong bản ghi; DOI không trùng giữa các nguồn; đường dẫn không phân giải được; landing page không khớp với tài liệu; hoặc metadata có dấu hiệu thiếu và sai khác. Các lỗi này nên được phân loại theo mức độ ảnh hưởng. Lỗi DOI hoặc liên kết trang đích cần được xử lý ưu tiên; khác biệt về dấu câu hay cách trình bày có thể được xếp nhóm cần xem xét thông thường.

Quy trình đề xuất gồm: thu thập bản ghi → đối chiếu trường dữ liệu → phát hiện và phân loại sai lệch → chuyển cảnh báo tới người phụ trách → xác minh nguồn chuẩn → cập nhật metadata hoặc đường dẫn → ghi nhật ký xử lý. Không nên cho phép AI tự động sửa bản ghi Crossref hoặc thay đổi landing page mà không có cơ chế phê duyệt, đặc biệt khi thay đổi có thể ảnh hưởng đến định danh hoặc lịch sử xuất bản.

3.3. Chuẩn hóa tài liệu tham khảo và hỗ trợ phân tích trích dẫn

Tài liệu tham khảo vừa là thành phần của bài báo, vừa là dữ liệu đầu vào để hình thành liên kết giữa các công trình. Crossref khuyến khích thành viên gửi danh mục tài liệu tham khảo trong metadata; dữ liệu này có thể hỗ trợ khả năng phát hiện tài liệu và các dịch vụ liên quan đến trích dẫn. Tài liệu tham khảo được gửi trong bản ghi metadata và việc tạo liên kết tham khảo là hai thao tác có liên quan nhưng không đồng nhất (Crossref, 2020).

AI có thể phân tách một mục tham khảo thành các trường tác giả, năm, tiêu đề, tên tạp chí hoặc nhà xuất bản, tập, số, trang và DOI; sau đó hỗ trợ chuẩn hóa theo quy định biên tập của tạp chí. Công cụ cũng có thể nhận diện mục tham khảo trùng lặp, trường dữ liệu còn thiếu hoặc DOI có khả năng không khớp với tiêu đề. Tuy nhiên, kết quả cần được kiểm tra bằng nguồn tin cậy, chẳng hạn trang nhà xuất bản, bản ghi Crossref hoặc trang đích của DOI. Không nên coi DOI do mô hình AI đề xuất là đúng nếu chưa được xác minh.

Khi dữ liệu tham khảo đã được chuẩn hóa và xác minh, tạp chí có thể sử dụng chúng để theo dõi số lượng tài liệu có DOI, tỷ lệ tham khảo được liên kết, những nguồn được trích dẫn thường xuyên và các chủ đề có liên hệ. Những phân tích này có thể hỗ trợ đánh giá hoạt động biên tập và định hướng nội dung, nhưng không nên đồng nhất số lượng trích dẫn với chất lượng khoa học. Việc diễn giải chỉ số cần tính đến lĩnh vực nghiên cứu, thời gian công bố, loại tài liệu và đặc điểm của cơ sở dữ liệu.

4. Mô hình tích hợp AI và cơ chế bảo đảm chất lượng

4.1. Quy trình quản trị đề xuất

Trên cơ sở các nghiệp vụ nêu trên, bài viết đề xuất quy trình tích hợp theo chuỗi: “Tiếp nhận dữ liệu → Chuẩn hóa metadata → Kiểm tra tự động bằng quy tắc và AI → Đăng ký DOI → Đối soát OJS–PDF/HTML–Crossref–landing page → Cán bộ chuyên môn xác minh → Cập nhật và lưu vết → Giám sát định kỳ”. Ở bước tiếp nhận, tạp chí xác định nguồn dữ liệu, quyền truy cập và trường thông tin cần xử lý. Ở bước chuẩn hóa, bộ quy tắc metadata cần được xác lập thống nhất giữa các khâu biên tập và xuất bản. Trước khi đăng ký DOI, hệ thống kiểm tra những lỗi có thể phát hiện sớm để hạn chế việc gửi dữ liệu chưa hoàn chỉnh. Sau đăng ký, công cụ tiếp tục đối soát bản ghi với trang bài báo và bản toàn văn. Mọi cảnh báo cần có trạng thái xử lý, người chịu trách nhiệm và kết quả xác minh.

Nguyên tắc vận hành trung tâm là “AI hỗ trợ – con người kiểm chứng – hệ thống ghi nhận”. AI hỗ trợ phân tích và đề xuất; cán bộ biên tập hoặc người được phân quyền quyết định việc sửa dữ liệu; hệ thống lưu nhật ký để có thể truy xuất ai đã thay đổi trường nào, vào thời điểm nào và dựa trên căn cứ gì. Cách tổ chức này phù hợp với yêu cầu trách nhiệm giải trình trong xuất bản học thuật; các hướng dẫn của COPE cũng khẳng định công cụ AI không thể đảm nhận trách nhiệm tác giả và con người vẫn chịu trách nhiệm về nội dung được công bố (COPE Council, 2023).

4.2. Tiêu chí đánh giá hiệu quả

Đánh giá hiệu quả không nên chỉ dựa vào số lượng tác vụ được tự động hóa. Tạp chí cần thiết lập số liệu nền trước khi triển khai và đo lường định kỳ sau triển khai, tối thiểu trên các nhóm chỉ số sau:

Các chỉ số cần được xác định rõ cách tính và phạm vi đo. Chẳng hạn, “DOI hợp lệ” cần phân biệt giữa định dạng đúng, phân giải thành công và dẫn đến đúng bài báo. Việc thí điểm trên một nhóm số báo hoặc một tập tài liệu tham khảo đã được cán bộ xác minh sẽ giúp đánh giá độ chính xác của công cụ trước khi mở rộng triển khai.

4.3. Điều kiện triển khai và quản trị rủi ro

Việc ứng dụng trí tuệ nhân tạo (AI) trong quản lý metadata xuất bản khoa học cần được đặt trong một khuôn khổ quản trị thống nhất, bảo đảm sự kết hợp giữa chuẩn hóa dữ liệu, kiểm soát quy trình, bảo vệ thông tin và giám sát của con người. Trước hết, tạp chí cần xây dựng bộ quy tắc chuẩn hóa metadata và quy trình nghiệp vụ áp dụng thống nhất ở các khâu tiếp nhận, biên tập, kiểm tra, đăng tải và đăng ký DOI. Khi cấu trúc hoặc cách biểu diễn dữ liệu không đồng nhất, hệ thống AI có thể nhận diện nhầm sự khác biệt về hình thức thành lỗi dữ liệu, hoặc bỏ sót những sai lệch thực chất. Vì vậy, chuẩn hóa dữ liệu đầu vào là một điều kiện quan trọng để nâng cao độ tin cậy của quá trình kiểm tra tự động.

Thứ hai, cần thiết lập cơ chế phân quyền truy cập và quy định rõ phạm vi dữ liệu được phép xử lý bằng các công cụ AI. Đặc biệt, bản thảo chưa công bố, thông tin cá nhân của tác giả và các dữ liệu thuộc diện bảo mật cần được quản lý theo những yêu cầu cụ thể về quyền truy cập, mục đích sử dụng và bảo vệ thông tin. Các quy định này cần phù hợp với chính sách của tạp chí và điều kiện sử dụng của từng công cụ AI, nhằm hạn chế nguy cơ tiết lộ dữ liệu hoặc sử dụng thông tin ngoài phạm vi được cho phép. Đây cũng là một nội dung quan trọng trong định hướng quản trị AI lấy con người làm trung tâm, nhấn mạnh yêu cầu bảo vệ quyền riêng tư và duy trì sự giám sát của con người (Miao & Holmes, 2023).

Thứ ba, quy trình xử lý metadata cần bảo đảm khả năng truy xuất thông qua việc ghi nhận đầy đủ các thao tác tự động và thủ công. Nhật ký hệ thống nên thể hiện các thông tin cần thiết như thời điểm xử lý, trường dữ liệu được thay đổi, nội dung trước và sau chỉnh sửa, chủ thể thực hiện và kết quả kiểm tra. Cơ chế này giúp tạp chí xác định nguồn gốc của sai lệch, kiểm tra tính nhất quán của dữ liệu và khắc phục sự cố khi phát sinh. Việc lưu vết cần được xem là một thành phần của quy trình kiểm soát chất lượng, thay vì chỉ là chức năng kỹ thuật bổ trợ.

Thứ tư, mức độ tự động hóa cần được xác định trên cơ sở tính chất nghiệp vụ và mức độ rủi ro của từng loại thao tác. Những tác vụ có tiêu chí kiểm tra rõ ràng, ít phụ thuộc vào phán đoán chuyên môn, chẳng hạn như phát hiện trường dữ liệu bị bỏ trống, kiểm tra định dạng hoặc nhận diện sự không thống nhất về cấu trúc, có thể được tự động hóa ở mức độ cao hơn. Ngược lại, các thao tác liên quan đến xác minh danh tính tác giả, đối chiếu DOI, xác nhận ngày xuất bản và phê duyệt bản ghi metadata chính thức cần có cơ chế kiểm tra, xác nhận của cán bộ được phân quyền. Cách tiếp cận này giúp hạn chế việc tiếp nhận trực tiếp các kết quả chưa được kiểm chứng từ AI, đồng thời duy trì trách nhiệm của con người đối với tính chính xác của dữ liệu xuất bản. Theo COPE (2023), việc sử dụng công cụ AI không làm thay đổi trách nhiệm của con người đối với nội dung và tính liêm chính của hoạt động xuất bản khoa học.

Bên cạnh đó, cần chú trọng đào tạo biên tập viên về năng lực sử dụng và đánh giá đầu ra AI. Nội dung đào tạo nên bao gồm nhận diện thông tin không có căn cứ hoặc do hệ thống tạo ra, kiểm chứng nguồn, đối chiếu dữ liệu với tài liệu gốc và xử lý các trường hợp kết quả tự động không phù hợp. Đồng thời, tạp chí cần xây dựng hướng dẫn nội bộ về phạm vi sử dụng AI, trách nhiệm kiểm tra và quy trình xử lý khi phát hiện sai sót. Việc triển khai AI cần bảo đảm tính minh bạch, trách nhiệm giải trình và sự phù hợp với chính sách xuất bản cũng như các nguyên tắc đạo đức có liên quan (Miao & Holmes, 2023; COPE, 2023).

Như vậy, quản trị rủi ro trong ứng dụng AI vào quản lý metadata không chỉ là vấn đề lựa chọn công nghệ mà còn đòi hỏi sự phối hợp giữa chuẩn hóa dữ liệu, bảo mật thông tin, khả năng truy xuất, kiểm soát mức độ tự động hóa và nâng cao năng lực chuyên môn. Đây là những điều kiện nền tảng để AI phát huy vai trò hỗ trợ kiểm soát chất lượng metadata mà không thay thế trách nhiệm chuyên môn của đội ngũ biên tập.

5. Kết luận

Quản lý DOI cần được đặt trong tổng thể quản trị dữ liệu xuất bản khoa học. DOI tạo lập cơ chế định danh và phân giải bền vững, nhưng giá trị sử dụng phụ thuộc vào chất lượng metadata, việc duy trì đường dẫn và mức độ đầy đủ của thông tin tham khảo. Sự kết hợp giữa OJS, Crossref và quy trình kiểm tra chất lượng có thể giúp tạp chí duy trì tính nhất quán của dữ liệu trong toàn bộ vòng đời xuất bản. AI có tiềm năng hỗ trợ ba nhóm nghiệp vụ chính: kiểm tra và chuẩn hóa metadata; đối soát DOI và dữ liệu giữa nhiều nguồn; chuẩn hóa tài liệu tham khảo và hỗ trợ phân tích trích dẫn. Để chuyển tiềm năng này thành hiệu quả thực tế, cần triển khai theo từng giai đoạn, bắt đầu từ các tác vụ lặp lại có tiêu chí kiểm tra rõ ràng, xây dựng chỉ số đánh giá trước và sau triển khai, đồng thời bảo đảm cơ chế xác minh và lưu vết.

Do bài viết mới dừng ở phân tích tài liệu và đề xuất mô hình, nghiên cứu tiếp theo cần thử nghiệm quy trình trên dữ liệu thực tế của tạp chí, xây dựng bộ dữ liệu chuẩn đã được xác minh và đo lường độ chính xác của cảnh báo AI, thời gian xử lý cũng như tỷ lệ lỗi được phát hiện. Hướng tiếp cận phù hợp không phải thay thế cán bộ chuyên môn bằng AI, mà là kết hợp tự động hóa với trách nhiệm biên tập, nhằm nâng cao độ tin cậy, khả năng truy xuất và tính minh bạch của dữ liệu xuất bản.

Tài liệu tham khảo

1.      Committee on Publication Ethics. (2023). Authorship and AI tools: COPE position statement. Truy cập tại https://publicationethics.org/cope-position-statements/ai-author

2.      Crossref. (2022). Register and maintain your records. Truy cập tại https://www.crossref.org/documentation/register-maintain-records/

3.      Crossref. (2021). Metadata best practices. Truy cập tại https://www.crossref.org/documentation/principles-practices/best-practices/

4.      Crossref. (2026). Registering your DOI records using the OJS platform. Truy cập tại https://www.crossref.org/documentation/register-maintain-records/ojs-plugin/

5.      Crossref. (2024). Adding references to your metadata record. https://crossref.org/documentation/register-maintain-records/maintaining-your-metadata/add-references/

6.      Crossref. (2020). Reference linking. Truy cập tại https://support.crossref.org/hc/en-us/articles/215785803-Reference-linking

7.      COPE Council. (2023). Authorship and AI tools: COPE position statement. Committee on Publication Ethics. Truy cập tại https://doi.org/10.24318/cCVRZBms?utm_source=chatgpt.com

8.      International DOI Foundation. (2026). DOI handbook. Truy cập tại https://www.doi.org/doi-handbook/html/

9.      Kemp, J. (2018). Metadata and discoverability: A use case overview. Information Services & Use, 38(1–2). https://doi.org/10.3233/ISU-180004

10.  Macdonald, H., & Abbasi, K. (2023). Riding the whirlwind: BMJ’s policy on artificial intelligence in scientific publishing. BMJ, 382, p1923. Truy cập tại https://doi.org/10.1136/bmj.p1923

11.  Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.Truy cập tại. https://unesdoc.unesco.org/ark:/48223/pf0000386693

12.  Yang, W., Fu, R., Amin, M. B., và cộng sự. (2025). The impact of modern AI in metadata management. Human-Centric Intelligent Systems, 5, 323–350. Truy cập tại https://doi.org/10.1007/s44230-025-00106-5

13.  Zhu, J. (2023). Unlocking potential: Harnessing the power of metadata for discoverability and accessibility. Information Services & Use, 43(3–4). https://doi.org/10.3233/ISU-230202

Nguyễn Thị Hồng Nhung

Tạp chí Địa lý nhân văn và Phát triển bền vững