The name-collision burden of name-based author attribution is unequal across name origins: a measurement in OpenAlex, and an identifier-based remedy (SigmaCV)

Technische Zusammenfassung: Die Last der Namenskollision in OpenAlex und das SigmaCV-Heilmittel

Problemstellung
Eine verantwortungsvolle Forschungsbewertung beruht auf der korrekten Zuordnung wissenschaftlicher Arbeiten zu spezifischen Forschenden. Ein erheblicher Teil der aktuellen Praxis stützt sich jedoch immer noch auf Namenszeichenfolgen statt auf persistente Identifikatoren. Dieser Ansatz führt systematisch bei häufigen Nachnamen sowie bei Namen, die aus nicht-lateinischen Skripten romanisiert wurden (insbesondere ostasiatische Namen), zu Fehlern, was „Namenskollisionen“ zur Folge hat, bei denen mehrere distinkte Autorenentitäten denselben normalisierten Namen teilen. Die Arbeit postuliert, dass diese Ambiguität nicht symmetrisch ist; die Last der Namenskollision trifft Forschende mit ostasiatischen Namen unverhältnismäßig stark, was eine strukturelle Voraussetzung für eine ungerechte Bewertung schafft. Während vorangegangene Arbeiten bereits die Richtung dieses Effekts etabliert haben, zielt diese Arbeit darauf ab, das Ausmaß der Last über die gesamte Population der ORCID-führenden Autoren in offenen Forschungsdaten zu quantifizieren.

Methodik
Die Studie nutzt einen einzelnen, vollständigen Snapshot der OpenAlex-Datenbank vom März 2026, der etwa 113,6 Millionen Autorenentitäten umfasst. Die Analyse konzentriert sich auf die ca. 4,63 Millionen Autoren in diesem Snapshot, die eine ORCID iD besitzen.

• Populationsstratifizierung: Autoren werden nach dem Land ihrer letzten bekannten Institution in drei Gruppen unterteilt:

  • Ostasiatisch: Japan, China, Südkorea, Taiwan, Hongkong.
  • Anglophon: USA, UK, Australien, Kanada, Neuseeland, Irland.
  • Sonstige: Kontinentaleuropa und Brasilien (dienen als grober lateinischer Skript-Referenzwert).
  • Hinweis: Das Land wird als Proxy für den Namen und die Romanisierungsexposition verwendet, nicht als selbstberichtete Ethnizität.

• Matching-Operatoren: Die Autoren definieren einen transparenten, selbst definierten Exakt-Namens-Operator (Kleinschreibung, Akzentbereinigung, Whitespace-Kollaps), um Kollisionszahlen für drei verschiedene Attributionsstrategien zu berechnen:

  1. Vollnamens-Entitätszählung (Obere Schranke): Die Anzahl der OpenAlex-Autorenentitäten, die exakt denselben normalisierten vollen Namen teilen. Dies beinhaltet potenzielle Datenbank-Übersegmentierung.
  2. ORCID-eingeschränkte Zählung (Konservative untere Schranke): Die Teilmenge der Vollnamens-Treffer, die auch eine ORCID besitzen. Da distinkte ORCIDs distinkte reale Personen repräsentieren, dient dies als konservativer Proxy für die Anzahl der distinkten realen Personen, die denselben Namen teilen.
  3. Initial + Nachname (Legacy-Worst-Case): Die Anzahl der Entitäten, die denselben Erstinitial und Nachnamen teilen, was das Worst-Case-Szenario für das Matching rein auf Namenszeichenfolgen darstellt (z. B. bei Legacy-Zitationsstilen).

• Statistische Analyse: Die Studie berechnet exakte Populationsstatistiken (Mediane, Interquartilsabstände, 90. Perzentile) statt Stichproben-Schätzungen. Sie verwendet die rang-biseriale Korrelation ($r$), um Effektstärken zwischen den Straten zu messen, und die Negativ-Binomial-Regression, um für Publikationsvolumen, Fachbereich und Karrierealter zu bereinigen.

Kernergebnisse
Die Studie stellt fest, dass die Last der Namenskollision groß und über die Namensursprünge hinweg stark ungleich verteilt ist, wobei sich die Disparität verschärft, wenn die Attributionsstrategien weniger spezifisch werden.

• ORCID-eingeschränkte Strategie (Proxy für reale Personen):

  • Der mediane ostasiatische Forscher teilt seinen Namen mit 3 distinkten realen Personen (IQR 1–17).
  • Im Gegensatz dazu hat der mediane anglophone und „sonstige“ Forscher einen eindeutigen Namen (Median 1).
  • 10,5 % der ostasiatischen Forscher teilen ihren Namen mit mindestens 100 distinkten realen Personen, verglichen mit 0,9 % der Anglophonen und 0,1 % der „sonstigen“ Gruppe.
  • Die Effektstärke ist groß ($r = -0,49$ vs. Anglophon; $r = -0,55$ vs. Sonstige).

• Vollnamens-Entitätsstrategie:

  • Der mediane ostasiatische Forscher matcht 9 Entitäten (vs. 1 bei anderen), was sowohl reale Kollisionen als auch Datenbank-Übersegmentierung widerspiegelt.

• Initial + Nachname (Legacy-Worst-Case):

  • Die Disparität ist hier am extremsten. Der mediane ostasiatische Forscher kollidiert mit 4.846 distinkten Identitäten (IQR 1.240–16.548).
  • 92,3 % der ostasiatischen Forscher kollidieren unter dieser Strategie mit mindestens 100 Identitäten.
  • Die Mediane der Anglophonen und „sonstigen“ Gruppen liegen bei 69 bzw. 34.
  • Die Effektstärken sind sehr groß ($r = -0,71$ und $r = -0,74$).

• Robustheitsprüfungen:

  • Publikationsvolumen: Eine Negativ-Binomial-Regression, die das Publikationsvolumen bereinigt, zeigt, dass die ostasiatische Schicht immer noch etwa die 6,5- bis 8,6-fache erwartete Kollisionsanzahl der anglophonen Schicht trägt. Die Lücke ist kein Artefakt der höheren Produktivität unter ostasiatischen Autoren.
  • Sensitivitätsanalyse: Die Reklassifizierung der Autoren nach dem Nachnamen statt nach dem Institut-Land verstärkt die beobachtete Lücke, was bestätigt, dass der Länder-Proxy konservativ ist.

Beiträge

1. Quantifizierung der Namensambiguität: Die Arbeit liefert die erste direkte, vollständige Populationsquantifizierung der Namenskollisionslast in offenen Forschungsdaten. Sie zerlegt die Last in drei Ebenen (Vollnamens-Entitäten, ORCID-eingeschränkte reale Personen und initialbasierte Legacy-Matches) und zeigt auf, dass für romanisierte ostasiatische Namen die initialbasierte Attribution kein geringfügiges Ärgernis, sondern ein kategorisches Versagen ist.
2. SigmaCV: Die Autoren präsentieren SigmaCV, eine Open-Source- (Apache-2.0), FAIR-konforme Webanwendung, die akademische Lebensläufe anhand eines persistenten Identifikators (ORCID) statt nach Namen zusammenstellt. Sie dient als implementierte Instanz des Prinzips, dass die Attribution identifikatorbasiert erfolgen muss, um Namensambiguität zu vermeiden.

Bedeutung und Behauptungen
Die Arbeit beansprucht, die Namensambiguität zu messen, welche eine notwendige Voraussetzung für eine ungerechte Attribution darstellt, unterscheidet jedoch explizit zwischen dieser und einer nachgewiesenen Schädigung durch die Bewertung.

• Geltungsbereich der Behauptung: Die Autoren geben an, das Risiko der Exposition (die Kollisionslast) zu messen, nicht die Folgen (z. B. spezifische Zitationsverzerrungen oder Bewertungsergebnisse). Sie argumentieren, dass eine große, ungleich verteilte Last inflatierte Indikatoren und falsch zugeordnete Zitationen ermöglicht und somit die Fairness der Forschungsbewertung bedroht.
• Heilmittel: Die Arbeit plädiert für eine strukturelle Lösung: die Verschiebung der Attribution von Namenszeichenfolgen zu persistenten Identifikatoren. Sie betont, dass dies ein Konsens im Feld ist (implementiert durch OpenAlex, Scopus, Web of Science und ORCID) und nicht eine neuartige Erfindung; SigmaCV ist eine Implementierung dieses Prinzips.
• Einschränkungen und Equity-Trade-offs: Die Autoren räumen ein, dass ihre Population auf ORCID-Inhaber beschränkt ist, was bedeutet, dass der vorgeschlagene Heilweg (identifikatorbasierte Attribution) derzeit primär jene begünstigt, die bereits über Identifikatoren verfügen. Sie merken an, dass die ORCID-Adoption global ungleichmäßig ist; während die Identifikator-Verankerung das Namensambiguitäts-Problem für die Identifizierten löst, könnte sie die Equity-Lücke zu einer „Pflicht zum Besitz eines Identifikators“ verschieben. Sie behaupten nicht, dass dies eine vollständige Lösung für alle Forschenden ist, argumentieren aber, dass es eine notwendige Korrektur für die identifizierte Population darstellt.

Zusammenfassend liefert die Arbeit empirische Belege dafür, dass die namensbasierte Attribution ein systematisch höheres Risiko der Konflation für ostasiatische Forscher im Vergleich zu ihren anglophonen und europäischen Gegenübern schafft, was den Übergang zu identifikatorbasierten Systemen wie SigmaCV begründet, um eine faire Forschungsbewertung zu gewährleisten.