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

Titolo: Colmare il divario linguistico nei dati accademici: Miglioramento degli algoritmi di disambiguazione degli autori per i nomi cinesi

1. Il Problema

La disambiguazione dei nomi degli autori è un compito critico nella ricerca scientometrica per garantire l'attribuzione corretta delle opere e l'analisi affidabile delle reti di collaborazione e delle carriere accademiche. Tuttavia, i nomi cinesi presentano sfide uniche che limitano l'efficacia dei metodi tradizionali, ottimizzati per i nomi in alfabeto latino:

• Alta concentrazione dei cognomi: I primi 100 cognomi cinesi coprono circa l'87% della popolazione, aumentando drasticamente la probabilità di collisioni di nomi.
• Assenza di nomi intermedi: A differenza del contesto occidentale, i nomi cinesi completi mancano spesso di iniziali o nomi intermedi che potrebbero servire a differenziare gli individui.
• Ambiguità della romanizzazione (Pinyin): Nelle pubblicazioni internazionali, i nomi cinesi sono trascritti in Pinyin (es. "Wang Wei"). Poiché più caratteri cinesi possono corrispondere alla stessa sillaba Pinyin (e viceversa), nomi distinti appaiono identici, creando un'ambiguità massiccia.
• Mancanza di dati: I caratteri cinesi originali, che riducono l'ambiguità, sono raramente disponibili nei database internazionali, mentre i dati nazionali (come CNKI) li contengono ma sono spesso isolati.
• Limiti degli approcci esistenti: I metodi attuali si basano spesso su reti sociali o istituzionali (co-autori, affiliazioni) e non sfruttano sufficientemente la similarità semantica del contenuto, fallendo nel collegare autori che non hanno legami diretti ma condividono temi di ricerca.

2. Metodologia

Gli autori propongono un framework di disambiguazione basato su regole che integra quattro criteri di matching per determinare se due record con lo stesso nome appartengano alla stessa identità. Il metodo è stato applicato a un dataset parallelo di 65.241 articoli di fisica provenienti dal China National Knowledge Infrastructure (CNKI), coprendo un arco temporale di oltre 70 anni.

Il processo si articola in tre fasi principali:

1. Costruzione di Dataset Paralleli:
   • Dataset in Caratteri Cinesi: Nomi originali e contenuti in cinese.
   • Dataset in Inglese/Pinyin: Nomi convertiti in Pinyin (utilizzando un dizionario specializzato per gestire le pronunce specifiche dei nomi e i caratteri polifonici) e contenuti (titoli, abstract, parole chiave) tradotti in inglese.
2. Algoritmo di Disambiguazione:
   Per ogni coppia di autori con lo stesso nome associati a più pubblicazioni, vengono valutati quattro criteri sequenziali. Se uno qualsiasi dei criteri è soddisfatto, i nomi vengono fusi nella stessa identità:
   • Co-autoria condivisa: Gli autori condividono almeno un co-autore.
   • Affiliazione istituzionale: Le stringhe di affiliazione mostrano una similarità normalizzata di Levenshtein > 0,6 o una relazione di inclusione.
   • Similarità del contenuto: Vengono calcolati vettori di documenti (embedding) basati su Word2Vec per titoli, abstract e parole chiave. Due pubblicazioni sono considerate simili se la similarità coseno supera una soglia specifica per lingua (0,9207 per il cinese, 0,9621 per l'inglese), determinata tramite una ricerca a griglia per massimizzare la coerenza cross-linguistica.
   • Relazioni di citazione: Un autore cita il lavoro dell'altro (auto-citazione).
3. Validazione:
   È stato creato un ground-truth umano annotando 80 coppie di nomi (40 dello stesso autore, 40 di autori diversi). Due annotatori nativi hanno verificato le coppie, raggiungendo un accordo sostanziale (Kappa di Cohen = 0,75).

3. Contributi Chiave

1. Algoritmo Ibrido: Sviluppo di un metodo che combina i legami sociali/istituzionali (alla base dei lavori di Sinatra et al.) con la similarità semantica del contenuto (estendendo il lavoro di Waqas & Qadir), migliorando il recall senza sacrificare la precisione.
2. Valutazione Script-Agnostica: Prima valutazione sistematica su larga scala che confronta direttamente la disambiguazione su nomi in caratteri cinesi e in Pinyin traslitterato, dimostrando che l'approccio mantiene alte prestazioni in entrambi i sistemi di scrittura.
3. Risorsa Open Data e Codice: Pubblicazione di un dataset di 65.241 articoli con metadati bilingue e identità disambiguata, insieme a tutto il codice e gli script di analisi per garantire trasparenza e riproducibilità.

4. Risultati

L'analisi dei risultati su 65.241 articoli ha portato alle seguenti conclusioni:

• Prestazioni Generali: Il metodo proposto ha ottenuto un F1-score di 0,89 per i nomi in caratteri cinesi e 0,88 per i nomi in Pinyin, superando due metodi di baseline (Sinatra et al. e Waqas & Qadir).
• Miglioramento del Recall: Il vantaggio principale risiede nel recall (0,80-0,82), significativamente più alto rispetto alle baseline (che oscillano tra 0,60 e 0,72). Questo dimostra che l'aggiunta della similarità del contenuto permette di identificare coppie di autori che le reti sociali e le affiliazioni da sole non riescono a collegare.
• Precisione: La precisione rimane molto alta (1,0 per il cinese, 0,953 per l'inglese), indicando che il metodo evita quasi completamente la fusione errata di autori distinti (falsi positivi).
• Coerenza Cross-Linguistica: L'87,3% delle identità assegnate è identico tra la versione in caratteri cinesi e quella in Pinyin, confermando la stabilità dell'algoritmo nonostante l'ambiguità introdotta dalla romanizzazione.
• Analisi degli Errori: Gli errori principali riguardano la frammentazione (non riuscire a unire tutti i lavori di un singolo autore), un problema più marcato per i ricercatori con reti di collaborazione sparse o che cambiano dominio di ricerca.

5. Significato e Impatto

Questo lavoro è fondamentale per la scientometria globale per diversi motivi:

• Equità nella Ricerca: Risolve le distorsioni sistemiche che svantaggiano gli autori cinesi nei database internazionali, dove l'ambiguità dei nomi Pinyin porta a sottostime della produttività o a fusioni errate che gonfiano artificialmente le metriche di alcuni autori.
• Robustezza del Metodo: Dimostra che è possibile costruire sistemi di disambiguazione efficaci senza dati etichettati (supervisionati) e senza dipendere esclusivamente da metadati strutturati, utilizzando invece la ricchezza semantica del testo.
• Generalizzabilità: L'approccio suggerisce che metodi simili potrebbero essere adattati per altri sistemi di scrittura non occidentali (coreano, giapponese, vietnamita, indiano) che soffrono di problemi di traslitterazione e ambiguità.
• Infrastruttura per il Futuro: Fornisce gli strumenti e i dati necessari per migliorare il tracciamento dei contributi accademici, supportando valutazioni della ricerca più accurate e collaborazioni internazionali più efficaci.