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

Sintesi Tecnica: L'onere della collisione dei nomi in OpenAlex e il rimedio SigmaCV

Enunciato del problema
La valutazione responsabile della ricerca si basa sull'attribuzione corretta delle opere scientifiche a ricercatori specifici. Tuttavia, una parte significativa della pratica attuale attribuisce ancora le opere sulla base di stringhe nominali piuttosto che su identificatori persistenti. Questo approccio fallisce sistematicamente per i cognomi comuni e per i nomi romanizzati da script non latini (particolarmente i nomi dell'Asia orientale), portando a "collisioni di nomi" in cui entità di autori distinti condividono lo stesso nome normalizzato. Il documento postula che questa ambiguità non sia simmetrica; l'onere della collisione dei nomi ricade in modo sproporzionato sui ricercatori con nomi dell'Asia orientale, creando una precondizione strutturale per una valutazione iniqua. Mentre il lavoro precedente aveva stabilito la direzione di questo effetto, questo studio mira a quantificare l'entità dell'onere per l'intera popolazione di autori dotati di ORCID nei dati accademici aperti.

Metodologia
Lo studio utilizza uno snapshot singolo e completo del database OpenAlex di marzo 2026, che comprende circa 113,6 milioni di entità autore. L'analisi si concentra su circa 4,63 milioni di autori presenti in questo snapshot che possiedono un ID ORCID.

• Stratificazione della popolazione: Gli autori sono stratificati in base al paese della loro ultima istituzione nota in tre gruppi:

  • Asia Orientale: Giappone, Cina, Corea del Sud, Taiwan, Hong Kong.
  • Anglosfera: USA, Regno Unito, Australia, Canada, Nuova Zelanda, Irlanda.
  • Altro: Europa continentale e Brasile (che fungono da base grossolana per gli script latini).
  • Nota: Il paese è utilizzato come proxy per l'origine del nome e l'esposizione alla romanizzazione, non come auto-identificazione etnica.

• Operatori di corrispondenza: Gli autori definiscono un operatore di nome esatto trasparente e auto-definito (minuscolo, rimozione degli accenti, riduzione degli spazi bianchi) per calcolare i conteggi delle collisioni per tre diverse strategie di attribuzione:

  1. Conteggio Entità Nome Completo (Limite Superiore): Il numero di entità autore di OpenAlex che condividono l'esatto nome normalizzato. Questo include potenziali sovra-divisioni nel database.
  2. Conteggio Limitato da ORCID (Limite Inferiore Conservativo): Il sottoinsieme delle corrispondenze di nome completo che possiedono anche un ORCID. Poiché diversi ORCID rappresentano persone reali distinte, questo funge da proxy conservativo per il numero di individui reali distinti che condividono lo stesso nome.
  3. Iniziale + Cognome (Peggiore Caso Legacy): Il numero di entità che condividono lo stesso cognome e l'iniziale del nome, rappresentando lo scenario peggiore per l'abbinamento basato solo sulla stringa del nome (ad esempio, gli stili di citazione legacy).

• Analisi Statistica: Lo studio calcola statistiche di popolazione esatte (mediane, intervalli interquartili, percentili 90) anziché stime campionarie. Utilizza la correlazione rank-biseriale ($r$) per misurare le dimensioni dell'effetto e la regressione binomiale negativa per correggere per volume di pubblicazione, campo di ricerca ed età della carriera.

Risultati Chiave
Lo studio rileva che l'onere della collisione dei nomi è elevato e fortemente diseguale tra le origini dei nomi, con la disparità che si amplia man mano che le strategie di attribuzione diventano meno specifiche.

• Strategia Limitata da ORCID (Proxy di Persone Reali):

  • Il ricercatore mediano dell'Asia Orientale condivide il proprio nome con 3 persone reali distinte (IQR 1–17).
  • Al contrario, il ricercatore mediano dell'Anglosfera e del gruppo "Altro" ha un nome unico (mediana 1).
  • Il 10,5% dei ricercatori dell'Asia Orientale condivide il proprio nome con almeno 100 persone reali distinte, rispetto allo 0,9% per gli anglofoni e allo 0,1% per il gruppo "Altro".
  • La dimensione dell'effetto è grande ($r = -0,49$ rispetto all'Anglosfera; $r = -0,55$ rispetto all'Altro).

• Strategia Entità Nome Completo:

  • Il ricercatore mediano dell'Asia Orientale corrisponde a 9 entità (rispetto a 1 per gli altri), riflettendo sia collisioni reali che sovra-divisioni nel database.

• Strategia Iniziale + Cognome (Peggiore Caso Legacy):

  • La disparità è più estrema qui. Il ricercatore mediano dell'Asia Orientale collide con 4.846 identità distinte (IQR 1.240–16.548).
  • Il 92,3% dei ricercatori dell'Asia Orientale collide con almeno 100 identità sotto questa strategia.
  • Le mediane per l'Anglosfera e l' "Altro" sono rispettivamente 69 e 34.
  • Le dimensioni dell'effetto sono molto grandi ($r = -0,71$ e $r = -0,74$).

• Controlli di Robustezza:

  • Volume di Pubblicazione: Una regressione binomiale negativa che corregge per il numero di pubblicazioni mostra che lo strato dell'Asia Orientale trasporta comunque circa 6,5 o 8,6 volte il conteggio delle collisioni atteso rispetto allo strato anglofono. Il divario non è un artefatto della maggiore produttività tra gli autori dell'Asia Orientale.
  • Analisi di Sensibilità: Riclassificare gli autori per cognome invece che per paese dell'istituzione rafforza il divario osservato, confermando che il proxy del paese è conservativo.

Contributi

1. Quantificazione dell'Ambiguità del Nome: Il documento fornisce la prima quantificazione diretta, su intera popolazione, dell'onere della collisione dei nomi nei dati accademici aperti. Decompone l'onere in tre livelli (entità nome completo, persone reali limitate da ORCID e match legacy basati sull'iniziale), dimostrando che per i nomi romanizzati dell'Asia Orientale, l'attribuzione basata sull'iniziale non è un piccolo fastidio, ma un fallimento categorico.
2. SigmaCV: Gli autori presentano SigmaCV, un'applicazione web open-source (Apache-2.0, FAIR) che assembla i CV accademici tramite identificatore persistente (ORCID) piuttosto che tramite nome. Serve come istanza implementata del principio secondo cui l'attribuzione dovrebbe essere ancorata all'identificatore per evitare l'ambiguità del nome.

Significatività e Rivendicazioni
Il documento sostiene di misurare l'ambiguità del nome, che è una precondizione necessaria per un'attribuzione iniqua, ma distingue esplicitamente questo dal danno da valutazione dimostrato.

• Ambito della Rivendicazione: Gli autori dichiarano di misurare l'esposizione al rischio (l'onere della collisione), non le conseguenze a valle (ad esempio, distorsioni specifiche delle citazioni o esiti della valutazione). Argomentano che un onere ampio e distribuito in modo diseguale rende possibili indicatori gonfiati e citazioni erroneamente attribuite, minacciando così l'equità della valutazione della ricerca.
• Rimedio: Il documento propone una soluzione strutturale: spostare l'attribuzione dalle stringhe nominali agli identificatori persistenti. Sottolinea che questo è un consenso nel settore (implementato da OpenAlex, Scopus, Web of Science e ORCID) piuttosto che un'invenzione nuova, e che SigmaCV è una delle implementazioni di questo principio.
• Limitazioni e Scambi di Equità: Gli autori riconoscono che la loro popolazione è limitata ai titolari di ORCID, il che significa che il rimedio proposto (l'attribazione basata sull'identificatore) avvantaggia attualmente coloro che possiedono già un identificatore. Notano che l'adozione di ORCID è disomogenea globalmente, quindi l'ancoraggio all'identificatore risolve il problema dell'ambiguità del nome per gli identificati, ma potrebbe spostare il divario di equità verso un requisito di "possesso di un identificatore". Non affermano che questa sia una soluzione completa per tutti i ricercatori, ma sostengono che sia un correttivo necessario per la popolazione identificata.

In sintesi, il documento fornisce prove empiriche del fatto che l'attribuzione basata sul nome crea un rischio sistematicamente più elevato di conflazione per i ricercatori dell'Asia Orientale rispetto ai loro colleghi anglofoni ed europei, motivando un passaggio verso sistemi basati sull'identificatore come SigmaCV per garantire una valutazione equa della ricerca.