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

Résumé technique : Le fardeau de la collision de noms dans OpenAlex et le remède SigmaCV

Énoncé du problème
L'évaluation responsable de la recherche repose sur l'attribution correcte des travaux scientifiques à des chercheurs spécifiques. Cependant, une part importante des pratiques actuelles consiste encore à attribuer des travaux sur la base de chaînes de noms plutôt que sur des identifiants persistants. Cette approche échoue systématiquement pour les noms de famille courants et pour les noms romanisés à partir d'écritures non latines (particulièrement les noms est-asiatiques), ce qui entraîne des « collisions de noms » où plusieurs entités d'auteurs distinctes partagent le même nom normalisé. L'article postule que cette ambiguïté n'est pas symétrique ; le fardeau de la collision de noms pèse de manière disproportionnée sur les chercheurs aux noms est-asiatiques, créant une précondition structurelle pour une évaluation inéquitable. Alors que des travaux antérieurs avaient établi la direction de cet effet, cet article vise à quantifier l'ampleur du fardeau pour l'ensemble de la population d'auteurs possédant un ORCID dans les données académiques ouvertes.

Méthodologie
L'étude utilise un instantané complet et unique de la base de données OpenAlex de mars 2026, comprenant environ 113,6 millions d'entités d'auteurs. L'analyse se concentre sur les ~4,63 millions d'auteurs de cet instantané qui possèdent un identifiant ORCID.

• Stratification de la population : Les auteurs sont stratifiés selon le pays de leur dernière institution connue en trois groupes :

  • Est-asiatique : Japon, Chine, Corée du Sud, Taïwan, Hong Kong.
  • Anglophone : États-Unis, Royaume-Uni, Australie, Canada, Nouvelle-Zélande, Irlande.
  • Autre : Europe continentale et Brésil (servant de base de référence grossière en écriture latine).
  • Note : Le pays est utilisé comme proxy pour l'origine du nom et l'exposition à la romanisation, et non comme une ethnie autodéclarée.

• Opérateurs de correspondance : Les auteurs définissent un opérateur de nom exact auto-défini et transparent (mise en minuscule, suppression des accents, suppression des espaces) pour calculer les comptes de collisions pour trois stratégies d'attribution distinctes :

  1. Nombre d'entités de nom complet (Borne supérieure) : Le nombre d'entités d'auteurs OpenAlex partageant le nom complet normalisé exact. Cela inclut une potentielle sur-segmentation de la base de données.
  2. Nombre restreint par ORCID (Borne inférieure conservatrice) : Le sous-ensemble des correspondances de noms complets qui possèdent également un ORCID. Puisque des ORCID distincts représentent des personnes réelles distinctes, cela sert de proxy conservateur pour le nombre de personnes réelles distinctes partageant un nom.
  3. Initiale + Nom de famille (Pire cas hérité) : Le nombre d'entités partageant la même initiale du prénom et le même nom de famille, représentant le pire scénario pour la correspondance basée uniquement sur la chaîne de noms (ex: styles de citation hérités).

• Analyse statistique : L'étude calcule des statistiques de population exactes (médianes, écarts interquartiles, centiles 90) plutôt que des estimations par échantillonnage. Elle utilise la corrélation de rang bisériale ($r$) pour mesurer les tailles d'effet entre les strates et la régression binomiale négative pour ajuster selon le volume de publications, le domaine et l'âge de la carrière.

Résultats clés
L'étude démontre que le fardeau de la collision de noms est important et fortement inégal selon l'origine des noms, la disparité s'accentuant à mesure que les stratégies d'attribution deviennent moins spécifiques.

• Stratégie de nom complet (Proxy de personnes réelles) :

  • Le chercheur est-asiatique médian partage son nom avec 3 personnes réelles distinctes (IQR 1–17).
  • En revanche, le chercheur anglophone et l'autre chercheur ont un nom unique (médiane de 1).
  • 10,5 % des chercheurs est-asiatiques partagent leur nom avec au moins 100 personnes réelles distinctes, contre 0,9 % pour les anglophones et 0,1 % pour le groupe « Autre ».
  • La taille de l'effet est importante ($r = -0,49$ vs Anglophone ; $r = -0,55$ vs Autre).

• Stratégie d'entités de nom complet :

  • Le chercheur est-asiatique médian correspond à 9 entités (contre 1 pour les autres), reflétant à la fois les collisions réelles et la sur-segmentation de la base de données.

• Stratégie Initiale + Nom de famille (Pire cas hérité) :

  • La disparité est la plus extrême ici. Le chercheur est-asiatique médian entre en collision avec 4 846 identités distinctes (IQR 1 240–16 548).
  • 92,3 % des chercheurs est-asiatiques entrent en collision avec au moins 100 identités sous cette stratégie.
  • Les médianes pour les groupes Anglophone et Autre sont respectivement de 69 et 34.
  • Les tailles d'effet sont très importantes ($r = -0,71$ et $r = -0,74$).

• Tests de robustesse :

  • Volume de publications : Une régression binomiale négative ajustant selon le nombre de publications montre que la strate est-asiatique supporte toujours environ 6,5 à 8,6 fois le compte de collision attendu de la strate anglophone. L'écart n'est pas un artefact d'une productivité plus élevée chez les auteurs est-asiatiques.
  • Analyse de sensibilité : La reclassification des auteurs par nom de famille plutôt que par pays d'institution renforce l'écart observé, confirmant que le proxy de pays est conservateur.

Contributions

1. Quantification de l'ambiguïté des noms : L'article fournit la première quantification directe, sur l'ensemble de la population, du fardeau de la collision de noms dans les données académiques ouvertes. Il décompose le fardeau en trois couches (entités de nom complet, personnes réelles restreintes par ORCID, et correspondances héritées basées sur l'initiale), démontant que pour les noms est-asiatiques romanisés, l'attribution basée sur l'initiale n'est pas un simple désagrément mineur mais un échec catégorique.
2. SigmaCV : Les auteurs présentent SigmaCV, une application web en libre accès (Apache-2.0) et FAIR qui assemble des CV académiques par identifiant persistant (ORCID) plutôt que par nom. Elle sert d'instance déployée du principe selon lequel l'attribution doit être ancrée sur un identifiant pour éviter l'ambiguïté liée au nom.

Signification et revendications
L'article affirme mesurer l'ambiguïté du nom, qui est une précondition nécessaire à une attribution inéquitable, mais distingue explicitement cela d'un préjudice d'évaluation démontré.

• Portée de la revendication : Les auteurs déclarent mesurer l'exposition au risque (le fardeau de la collision), et non les conséquences en aval (ex: distorsions de citations spécifiques ou résultats d'évaluation). Ils soutiennent qu'un fardeau important et inégalement réparti rend possibles des indicateurs gonflés et des citations mal attribuées, menaçant ainsi l'équité de l'évaluation de la recherche.
• Remède : L'article préconise une correction structurelle : passer de l'attribution par chaînes de noms à celle par identifiants persistants. Il souligne que c'est un consensus du domaine (mis en œuvre par OpenAlex, Scopus, Web of Science et ORCID) plutôt qu'une invention nouvelle, et que SigmaCV est une implémentation de ce principe.
• Limites et compromis d'équité : Les auteurs reconnaissent que leur population est limitée aux détenteurs d'ORCID, ce qui signifie que le remède proposé (l'attribution basée sur l'identifiant) bénéficie actuellement à ceux qui possèdent déjà des identifiants. Ils notent que l'adoption d'ORCID est inégale dans le monde, de sorte que l'ancrage par identifiant résout le problème de l'ambiguïté du nom pour les identifiés, mais peut déplacer l'écart d'équité vers une exigence de « possession d'un identifiant ». Ils ne prétendent pas que cela constitue une solution complète pour tous les chercheurs, mais soutiennent que c'est un correctif nécessaire pour la population identifiée.

En résumé, l'article fournit des preuves empiriques que l'attribution basée sur le nom crée un risque systématiquement plus élevé de confusion pour les chercheurs est-asiatiques par rapport à leurs homologues anglophones et européens, justifiant ainsi un passage vers des systèmes basés sur les identifiants comme SigmaCV pour garantir une évaluation équitable de la recherche.