Bridging the Language Gap in Scholarly Data I: Enhancing Author Disambiguation Algorithms for Chinese Names
تقترح هذه الورقة إطار عمل لفك الالتباس قائمًا على القواعد ومستقلاً عن نوع الخط، يدمج بيانات التأليف المشترك، والاستشهاد، والانتماء، والمحتوى لحل التباس أسماء المؤلفين بفعالية في كل من نظام "بينين" المكتوب بالأحرف اللاتينية والرموز الصينية، محققًا درجات عالية في مقياس F1 على مجموعة بيانات فيزياء واسعة النطاق من قاعدة بيانات "تشاينا ناشيونال كنووليدج إنفرستركشر".
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تنظيم مكتبة ضخمة تحتوي على ملايين الكتب التي كتبها أشخاص يحملون نفس الاسم. في الغرب، إذا رأيت اسم "جون سميث"، فقد تفترض أنه شخص واحد. ولكن في الصين، أسماء مثل "وانغ وي" (Wang Wei) شائعة للغاية؛ تخيل الأمر كأن لديك آلاف الأشخاص باسم "جون سميث" في مدينة واحدة.
تصبح المشكلة أكثر تعقيداً عندما تُكتب هذه الأسماء الصينية في قواعد البيانات الدولية. فبدلاً من استخدام الرموز الصينية الأصلية (مثل 王伟)، غالباً ما تُكتب بنظام "بينين" (Pinyin) (مثل Wang Wei). هذا يشبه التقاط صورة لشخص ثم وصفه من خلال ظله فقط. يمكن لأشخاص مختلفين تماماً أن يلقوا نفس الظل بالضبط، مما يجعل من المستحيل التمييز بينهم بمجرد النظر إلى الاسم.
تتحدث هذه الورقة البحثية عن بناء نظام أكثر ذكاءً لمعرفة أي "وانغ وي" هو الشخص المقصود فعلياً، حتى عندما يبدو الاسم متطابقاً للجميع.
المشكلة: ارتباك "الظل"
في عالم العلوم، نحتاج إلى معرفة من كتب أي ورقة بحثية بدقة لمنحهم الفضل المستحق. إذا خلطنا بين اثنين من "وانغ وي"، فقد نظن أن أحدهما عبقري كتب 1,000 ورقة، بينما يُنسى الآخر.
وجد المؤلفون أن البرامج الحاسوبية الحالية بارعة في التعامل مع الأسماء الغربية، لكنها ترتبك أمام الأسماء الصينية، خاصة عندما تُكتب بالحروف اللاتينية (بينين). فهي تفتقد إلى الإشارات الدقيقة التي توفرها الرموز الصينية.
الحل: "حقيبة أدوات المحقق"
بنى الباحثون خوارزمية "محقق" جديدة تعتمد على القواعد. فبدلاً من مجرد النظر إلى الاسم، يطرح نظامهم أربعة أسئلة محددة لتحديد ما إذا كانت ورقتان بحثيتان تعودان لنفس الشخص:
- هل لديهم نفس الأصدقاء؟ (التأليف المشترك)
- تشبيه: إذا كان كلا الـ "وانغ وي" يتسكع مع نفس المجموعة من العلماء، فمن المرجح أنهما نفس الشخص.
- هل يعملان في نفس المبنى؟ (الانتساب)
- تشبيه: إذا كان كلاهما مدرجاً تحت "جامعة تسينغهوا"، فهذه إشارة قوية إلى أنهما نفس الشخص.
- هل يتحدثان عن نفس الأشياء؟ (تشابه المحتوى)
- تشبيه: هذه هي القوة الخارقة الجديدة. حتى لو لم يعرفا بعضهما البعض، إذا كتب "وانغ وي" عن "الفيزياء الكمية" وكتب "وانغ وي" آخر عن "الفيزياء الكمية"، فإن النظام يتحقق مما إذا كانت الكلمات في أوراقهم متشابهة. الأمر يشبه التعرف على شخص من خلال صوته الفريد أو أسلوب خط يده، حتى لو لم تتمكن من رؤية وجهه.
- هل يستشهد أحدهما بالآخر؟ (الاستشهادات)
- تشبيه: إذا استشهد أحد الـ "وانغ وي" بعمل "وانغ وي" آخر، فمن المحتمل أن يكون هذا الشخص هو نفسه الذي يذكر عمله الخاص.
إذا كانت الإجابة على أي من هذه الأسئلة هي "نعم"، يقوم النظام بدمج الاسمين في هوية واحدة.
التجربة: اختبار المحقق
اختبر الفريق هذا النظام على مجموعة ضخمة تضم 65,000 ورقة بحثية في الفيزياء من الصين. أجروا الاختبار مرتين:
- الجولة الأولى: باستخدام الرموز الصينية الأصلية ("الوجه").
- الجولة الثانية: باستخدام نظام "بينين" اللاتيني ("الظل").
النتائج:
- كان المحقق الجديد دقيقاً للغاية؛ حيث حدد الشخص نفسه بنسبة تتراوح بين 88-89% من الوقت.
- والأهم من ذلك، أنه عمل بنفس الكفاءة على "الظل" (بينين) كما عمل على "الوجه" (الرموز الصينية).
- كان أفضل بكثير من الطرق القديمة، خاصة في العثور على الأشخاص الذين يجب دمجهم معاً (والذين كانت الطرق القديمة تخفق في إيجادهم غالباً).
لماذا يهم هذا؟
فكر في هذا الأمر كإصلاح خريطة مكسورة. قبل ذلك، إذا حاولت تتبع مسيرة عالم عبر قواعد البيانات الدولية، فسيظهر مساره كخط مكسور بقطع مفقودة لأن الكمبيوتر لم يستطع التمييز بين مختلف الأشخاص الذين يحملون اسم "وانغ وي".
هذه الطريقة الجديدة تجسر الفجوة بين العالمين الصيني والإنجليزي. فهي تضمن حصول العالم على التقدير لعمله الشاق، بغض النظر عن كيفية كتابة اسمه في قاعدة البيانات. إنها تنهي مشكلة "العلماء الأشباح" (وهم في الواقع عدة أشخاص تم دمجهم في شخص واحد) ومشكلة "العلماء المنقسمين" (وهم شخص واحد تم تقسيمه إلى عدة هويات).
باخت-صار: لقد بنوا مرشحاً ذكياً ينظر إلى من تعرف، وأين تعمل، وماذا تقول، ليحل لغز "أي وانغ وي هو المقصود؟" حتى عندما يكون الاسم وحده طريقاً مسدوداً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.