A Global Author-Identity Map for the World of Code:62.7M Developer Identities from 106.8M Author Strings over 5.87B Commits

Resumen Técnico: Un Mapa Global de Identidad de Autor para el Mundo del Código

1. Planteamiento del Problema

El artículo aborda el desafío fundamental de la resolución de identidad de autor en repositorios de software a escala global. En el "Mundo del Código" (WoC, por sus siglas en inglés), un solo desarrollador suele realizar commits bajo múltiples cadenas de nombre/email (alias), mientras que una sola cadena (por ejemplo, root@localhost o Your Name <you@example.com>) es frecuentemente reutilizada por miles de desarrolladores distintos.

La dificultad central radica en equilibrar la exhaustividad (recall: fusionar todos los alias de una persona) con la precisión (evitar la "sobre-fusión" de personas no relacionadas). Los autores argumentan que la unión transitiva ingenua sobre atributos compartidos (por ejemplo, compartir un email o un nombre) crea "mega-clústeres": clústeres únicos que contienen millones de identidades no relacionadas. Estos clústeres corrompen silenciosamente las analíticas posteriores (por ejemplo, conteos de desarrolladores, productividad, factores de autobús o bus factors) y vuelven sin sentido las métricas de precisión si la región de confusión no es medida. Los mapas globales previos lograron una alta exhaustividad, pero sufrieron de una sobre-fusión masiva, mientras que los benchmarks centrados solo en la exhaustividad no lograron penalizar esta confusión.

2. Metodología

Los autores presentan un flujo de construcción de seis etapas diseñado para producir un mapa de identidad libre de mega-clústeres. El proceso es impulsado por una secuencia de operaciones de "filtrado" (gating) y "corte" (cutting) para eliminar la sobre-fusión antes de intentar recuperar la exhaustividad.

1. Generación de Enlaces: Se generan candidatos a aristas de "misma persona" basados en coincidencias exactas de email, nombre o handles poco comunes. La clausura transitiva de estas aristas forma un grafo de unión bruto.
2. Filtrado de Valores: Las identidades con atributos no identificativos (nombres genéricos, emails de marcador de posición, cuentas de bots) se neutralizan para que no puedan actuar como puentes de fusión. Esto se realiza mediante un análisis de dispersión de nombres y verificaciones de frecuencia/listas negras.
3. Filtrado Estructural (El Paso Crítico): Para disolver el mega-clúster restante, los autores computan la centralidad de intermediación muestreada (sampled betweenness centrality) en el grafo de unión exacto. Identifican y cortan un pequeño conjunto de identidades "puente" de alta intermediación (aprox. 2,000 IDs) que sueldan comunidades que de otro modo estarían disjuntas. Crucialmente, el 98% de estos puentes son "limpios de atributos", lo que significa que no pueden ser eliminados solo mediante reglas basadas en valores.
4. Clasificación de Aristas: Un clasificador logístico, entrenado con 2.6 millones de etiquetas de ID de GitHub libres, califica pares candidatos dentro de los componentes restantes. Este elimina los restos de soldaduras por homonimia (por ejemplo, diferentes personas llamadas "John Smith") que el corte estructural aisló.
5. Recuperación de Exhaustividad: Con el mega-clúster disuelto, el flujo de trabajo expande la exhaustividad de forma segura. Activa una capa de "shingle" latente (enlaces basados en tokens compartidos de nombre/email) y las aserciones noreply de GitHub. Estas aristas son calificadas por el clasificador y admitidas mediante umbrales ajustados (por ejemplo, $\tau=0.9$ para expansión por pares, $\tau=0.8$ para expansión a nivel de mapa).
6. Selección de Representante y Clasificación: Se selecciona un representante canónico para cada clúster basado en reglas de calidad (favoreciendo nombres reales y emails no genéricos). Se asigna una clasificación por identidad (buena, mala por atributo, local, bot, parcial). Finalmente, una capa de resolución dentro del proyecto resuelve IDs de baja calidad que son ambiguos globalmente pero unívocos dentro de un solo proyecto.

3. Contribuciones y Artefactos Clave

El artículo lanza WoC V2604, un mapa de identidad de autor curado que cubre 5.87 mil millones de commits y 106.8 millones de cadenas de autor, plegadas en 62.7 millones de identidades canónicas. El lanzamiento incluye cuatro artefactos co-versionados:

• a2AFull (Mapa Global de Alias): Mapea cadenas brutas a IDs canónicos. Está libre de mega-clústeres; el clúster más grande contiene 6,910 IDs (una identidad de GitHub noreply), comparado con el mega-clúster de 3 millones de IDs del mapa anterior.
• A2clsFull (Clasificación por Identidad): Etiqueta cada ID con una clase de calidad:
  • Buena (Good): Nombre y email reales.
  • Mala por atributo (Bad-by-attribute): Nombres genéricos o atributos compartidos/de marcador de posición.
  • Local: Direcciones locales de la máquina con nombres de usuario reales.
  • Bot: Cuentas automatizadas.
  • Parcial (Partial): Buenos atributos pero falta un componente (nombre o email).
• P2aAFull (Resolución Dentro del Proyecto): Resuelve 5.3 millones de IDs ambiguos dentro del proyecto específico donde aparecen, recuperando el 47.8% del pool de commits de baja calidad que quedó sin resolver por el mapa global.
• c2AFull (Tabla de Commit-a-Identidad): Etiqueta cada commit con su autor resuelto y una etiqueta de procedencia (g para global, B para bot, p para dentro del proyecto, s para sí mismo/no resuelto), permitiendo a los consumidores filtrar por calidad de resolución.

4. Resultados y Validación

Los autores validan el mapa contra dos verdades fundamentales independientes: un conjunto de oro calificado por humanos (ALFAA, centrado en OpenStack) y un benchmark de exhaustividad a gran escala (etiquetas de GitHub dentro de un mismo handle).

• Compromiso entre Precisión y Exhaustividad: El mapa liberado logra una Exhaustividad (Recall) de 0.70 y una Precisión de 0.88 en el conjunto de oro humano.
• Agrupamiento vs. División: El artículo introduce una distinción entre división (splitting: fallar al fusionar alias) y agrupamiento (clumping: fusionar extraños).
  • El mapa previo de WoC (V3) reportaba una precisión de 0.95, pero esta colapsó a 0.52 cuando su mega-clúster de 3 millones de IDs fue contado como un único error.
  • El nuevo mapa reduce el clúster más grande de 3,006,318 a 6,910, eliminando efectivamente la "confusión no medida" que plagaba los benchmarks anteriores.
• Cobertura de Commits: El mapa resuelve el 73.5% de todos los commits en identidades múltiples. Al restringirse a commits humanos, la cobertura alcanza el 98.17% (mapa global + capa dentro del proyecto).

5. Impacto en Procesos Derivados

El artículo demuestra que la elección del método de identidad altera fundamentalmente las analíticas de desarrollador. Los autores comparan tres arquetipos: Sub-fusión (strings brutos), Sobre-fusión (unión ingenua) y Calibrado (este mapa).

• Población de Desarrolladores: Los strings brutos inflan el conteo de desarrolladores en un 66.6% (104M frente a 62.7M).
• Productividad: La sub-fusión subestima la producción de desarrolladores prolíficos (el p90 de commits cae un 34% en datos brutos).
• Redes de Colaboración: Los datos brutos crean aristas espurias donde los alias de una sola persona se vinculan consigo mismos. La aliasing elimina el 32% de las aristas en la red de co-proyectos y revela que el 36.3% de los proyectos que parecen tener múltiples desarrolladores son en realidad un solo desarrollador usando múltiples identidades.
• Centralidad: En las redes de datos brutos, los nodos de alta centralidad suelen ser bots o IDs de marcador de posición (ej. root, CI bots). El mapa calibrado desplaza estos rankings hacia desarrolladores reales, aunque los bots siguen siendo un desafío para las medidas de centralidad.
• Resiliencia de Equipo: Los datos brutos crean una "falsa sensación de seguridad" respecto a los factores de autobús (bus factors). La fusión de identidades revela que el 96.48% de los proyectos dependen de un solo desarrollador indispensable (frente al 90.15% en datos brutos), y 12 millones de proyectos previamente calificados como colaborativos colapsan a un único punto de falla.

6. Significación e Impacto General

El artículo argumenta que el agrupamiento (clumping) es la restricción limitante para la resolución de identidad a escala global, no la exhaustividad. La significación de este trabajo reside en:

1. Cambio Metodológico: Pasar de benchmarks de "solo exhaustividad" a una evaluación conjunta de división (splitting) y agrupación (clumping), midiendo explícitamente el tamaño del clúster más grande.
2. Integridad de los Datos: Proporcionar un sustrato "libre de mega-clústeres" que evita la corrupción silenciosa de los agregados por autor.
3. Vinculación de Corpus Cruzados: El mapa sirve como una clave de unión necesaria para vincular autores de software con registros académicos (ej. Semantic Scholar, OpenAlex). Los autores demuestran que sin la libertad de los mega-clústeres, vincular identidades de software con artículos académicos resulta en falsos positivos catastróficos (ej. vincular a 3 millones de personas con un solo artículo). Un estudio piloto utilizando anclaje de DOI vinculó con éxito 7,246 autores canónicos con alta precisión (1.05 IDs académicos por autor), probando la utilidad del mapa como base para la resolución de entidades entre dominios.

Los autores concluyen que las decisiones de diseño (filtrar, cortar topología, clasificar, recuperar exhaustividad) fueron forzadas por los fallos medidos de alternativas más simples, y que los artefactos resultantes permiten analíticas corregidas de sesgo a una escala previamente inalcanzable.