Bridging the Language Gap in Scholarly Data I: Enhancing Author Disambiguation Algorithms for Chinese Names

Título: Superando la Brecha Lingüística en Datos Académicos: Mejora de Algoritmos de Desambiguación de Nombres Chinos

1. El Problema

La desambiguación de autores (identificar correctamente a investigadores con nombres idénticos) es fundamental para la investigación scientométrica y la asignación precisa de autoría. Sin embargo, los métodos existentes presentan deficiencias críticas al tratar con nombres chinos debido a varias características estructurales y lingüísticas:

• Alta Ambigüedad en Pinyin: En bases de datos internacionales, los nombres chinos se romanizan (Pinyin). Un mismo Pinyin (ej. "Wang Wei") puede corresponder a múltiples caracteres chinos distintos (ej. 王伟，王威，王维), creando colisiones de identidad masivas.
• Estructura del Nombre: Los apellidos chinos son altamente concentrados (los 100 más comunes cubren el 87% de la población) y los nombres propios carecen de iniciales o nombres intermedios, lo que reduce los puntos de diferenciación comunes en occidente.
• Falta de Datos en Carácter: Las bases de datos internacionales rara vez contienen los caracteres originales, obligando a trabajar solo con Pinyin, lo que aumenta la ambigüedad.
• Limitaciones de Métodos Actuales: Los enfoques existentes suelen estar optimizados para nombres en alfabeto latino y dependen de datos etiquetados o no aprovechan la similitud semántica del contenido, fallando al no encontrar conexiones sociales o institucionales directas.

2. Metodología

Los autores proponen un marco de desambiguación basado en reglas que integra múltiples fuentes de evidencia para resolver identidades. El enfoque se aplica a un corpus de 65,241 artículos de física extraídos de la Infraestructura Nacional de Conocimiento de China (CNKI).

Componentes Clave del Algoritmo:
El sistema evalúa pares de nombres idénticos asociados a múltiples publicaciones bajo cuatro criterios. Si se cumple cualquiera de ellos, se considera que pertenecen a la misma identidad:

1. Co-autoría Compartida: Si los autores comparten al menos un co-autor en sus registros.
2. Afiliación Institucional: Se utiliza la similitud de Levenshtein normalizada (>0.6) o la inclusión de cadenas de afiliación para determinar si pertenecen a la misma institución.
3. Similitud de Contenido (Novedad): Se calcula la similitud coseno entre los vectores de documentos (títulos, resúmenes, palabras clave) generados mediante Word2Vec. Se establecen umbrales específicos para cada idioma (0.9207 para chino, 0.9621 para inglés) para minimizar falsos positivos.
4. Relaciones de Citación: Si un autor cita el trabajo del otro (autocitación).

Diseño Experimental:

• Conjuntos de Datos Paralelos: Se crearon dos versiones del mismo corpus: una en chino original (nombres en caracteres, contenido en chino) y otra traducida (nombres en Pinyin, títulos/resúmenes en inglés).
• Evaluación: Se construyó un conjunto de "verdad fundamental" (ground truth) mediante anotación humana de 80 pares de nombres (40 coincidencias y 40 no coincidencias).
• Líneas Base: El método se comparó contra dos enfoques existentes: el algoritmo de Sinatra et al. (basado en redes sociales/institucionales) y el de Waqas & Qadir (basado en heurística multicapa).

3. Contribuciones Clave

1. Algoritmo Híbrido: Propone un método que combina las relaciones sociales/institucionales tradicionales con la similitud semántica del contenido, demostrando que esto mejora la recuperación (recall) sin sacrificar la precisión.
2. Evaluación Agnóstica al Script: Es la primera evaluación sistemática a gran escala que compara el rendimiento de la desambiguación en nombres en caracteres chinos frente a sus transliteraciones en Pinyin, demostrando que el método es robusto en ambos sistemas de escritura.
3. Reproducibilidad y Datos Abiertos: Se ha liberado el código, los scripts de análisis y un conjunto de datos de 65,241 artículos con metadatos bilingües e identidades desambiguadas, abordando la falta de transparencia en la literatura actual.
4. Análisis de Transliteración: Proporciona evidencia empírica sobre cómo la romanización afecta la precisión de la desambiguación y cómo mitigarlo mediante algoritmos mejorados.

4. Resultados

• Rendimiento General: El método propuesto superó a ambas líneas base en ambas representaciones lingüísticas.
  • Puntuación F1: 0.89 para nombres en caracteres chinos y 0.88 para nombres en Pinyin.
  • Comparativa: Las líneas base obtuvieron puntuaciones F1 más bajas (rango 0.75–0.82).
• Precisión vs. Recuperación:
  • Precisión: El método mantuvo una precisión casi perfecta (1.0 en chino, 0.953 en inglés), indicando muy pocos falsos positivos (fusionar autores distintos).
  • Recuperación (Recall): La mejora principal se observó en la recuperación (0.80 en chino, 0.82 en inglés), superando significativamente a las líneas base (que oscilaron entre 0.60 y 0.72). Esto significa que el algoritmo identificó correctamente pares de autores idénticos que los métodos anteriores no detectaron, gracias al componente de similitud de contenido.
• Consistencia Translingüística: El 87.3% de las identidades asignadas fueron idénticas tanto en la versión en caracteres como en la versión en Pinyin, demostrando una alta estabilidad del algoritmo a través de las representaciones lingüísticas.

5. Significado e Impacto

Este trabajo es crucial para la equidad en la evaluación académica global:

• Mitigación de Sesgos: Los errores de desambiguación en nombres chinos pueden llevar a la fragmentación de la carrera de un investigador (sus trabajos se atribuyen a perfiles falsos) o a la confluencia de múltiples investigadores en un solo perfil (inflando métricas). Este método reduce ambos errores.
• Escalabilidad: Al no requerir datos de entrenamiento etiquetados (es un método basado en reglas y heurísticas), es aplicable a grandes volúmenes de datos históricos y nuevos sin necesidad de reentrenamiento costoso.
• Implicaciones para Bases de Datos Internacionales: Demuestra que es posible realizar análisis scientométricos fiables sobre autores chinos en bases de datos internacionales (que usan Pinyin) utilizando algoritmos adaptados, cerrando la brecha entre los registros domésticos chinos y los globales.
• Generalización: El enfoque sugiere que estrategias similares podrían aplicarse a otros sistemas de nombres no occidentales (coreano, japonés, indio) que sufren problemas de ambigüedad similares.