💻 computer science

Author Name Disambiguation in Portuguese Scientific Publications: The SBC-AND dataset

Questo articolo introduce SBC-AND, un dataset curato di 442 record di pubblicazioni scientifiche in portoghese progettato per affrontare la sottorappresentazione delle lingue non inglesi nella ricerca sulla disambiguazione dei nomi degli autori e per servire come benchmark impegnativo per la valutazione dei modelli di disambiguazione multilingue.

Autori originali: Natan de S. Rodrigues, Samuel Gomes dos Santos, Vitória Maria Diniz, Sirlene A. Rodrigues Costa

Pubblicato 2026-07-09

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Natan de S. Rodrigues, Samuel Gomes dos Santos, Vitória Maria Diniz, Sirlene A. Rodrigues Costa

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Grande Problema: Il Confuso "Cartellino del Nome"

Immaginate di entrare in una biblioteca enorme dove milioni di persone hanno scritto libri. Il problema è che molte persone hanno lo stesso nome, come "John Smith" o "Maria Silva".

Nel mondo della scienza, questo è un enorme mal di testa. Se una ricercatrice di nome "Maria Silva" scrive un articolo sull'informatica, e un'altra "Maria Silva" scrive un articolo sulla storia, la biblioteca potrebbe accidentalmente pensare che siano la stessa persona. Questo rovina la loro reputazione, i loro conteggi di citazioni e il modo in cui comprendiamo chi collabora con chi. Questo compito di capire quale "Maria Silva" ha scritto quale articolo è chiamato Author Name Disambiguation (AND) (Disambiguazione del Nome dell'Autore).

Il Vuoto: La "Festa Solo per Inglesi"

Per molto tempo, gli scienziati hanno costruito strumenti per risolvere questo mix, ma hanno praticato soprattutto su nomi inglesi. È come avere un organizzatore di feste che è bravissimo a organizzare ospiti anglofoni, ma che non ha mai incontrato nessuno con un nome portoghese.

I nomi portoghesi sono complicati. Spesso hanno più cognomi (come "Silva" o "Santos") e piccole parole di collegamento come "de", "da" o "dos". Inoltre, nei record scientifici, questi nomi sono spesso abbreviati o scritti in modo incoerente (ad esempio, "A. Silva" rispetto a "Ana Silva"). Per questo motivo, gli strumenti esistenti faticano quando si trovano di fronte a pubblicazioni portoghesi.

La Soluzione: La "Palestra di Allenamento" SBC-AND

Gli autori di questo articolo hanno creato un nuovo strumento chiamato SBC-AND. Pensate a questo come a una palestra di allenamento specializzata per programmi informatici.

Cosa c'è dentro? È una collezione di 442 articoli scientifici reali provenienti da riviste brasiliane di informatica.
Come è organizzato? Gli autori hanno preso questi articoli e li hanno divisi in "blocchi ambigui". Immaginate una scatola con l'etichetta "Silva". All'interno, ci sono articoli di 232 persone diverse reali che condividono tutti lo stesso cognome.
L'Obiettivo: Il dataset è "curato", il che significa che un essere umano ha già controllato e etichettato esattamente quali articoli appartengono a quale persona reale. Questo fornisce al computer una "chiave di risposta corretta" per testare se stesso.

L'Esperimento: Testare il Cervello del Computer

I ricercatori non si sono limitati a creare il dataset; l'hanno messo alla prova. Hanno utilizzato un sistema informatico flessibile (chiamato ADAN) che cerca di ricollocare gli articoli nei gruppi corretti.

Hanno testato il sistema utilizzando due diversi modelli di "cervello" (modelli di IA che comprendono il linguaggio):

BAAI/bge-m3: Un modello multilingue.
IBM Granite: Un altro modello multilingue.

Hanno anche modificato la "profondità" del sistema (quanti strati di pensiero esegue) e quanto a lungo ha praticato (epoche di addestramento).

I Risultati: Una Sfida Difficile

Ecco cosa è successo quando il computer ha cercato di ordinare i documenti:

Il "Grande Quadro" vs. I "Dettagli": Il computer è stato piuttosto bravo a mantenere separati i gruppi tra loro (come tenere la scatola "Silva" lontana dalla scatola "Oliveira"). Tuttavia, ha faticato a ordinare correttamente i documenti dentro la scatola "Silva".
Il Punteggio: Il computer ha ottenuto un punteggio discreto sulla struttura generale (circa il 90% di precisione), ma quando si è trattato di abbinare coppie specifiche di articoli all'autore giusto, il punteggio è sceso significativamente (circa il 45%).
Perché? Il documento spiega che questo accade perché molti degli autori reali nel dataset hanno solo uno o due articoli elencati. È come cercare di identificare una persona a una festa quando la vedi solo una volta; è molto difficile distinguerla da qualcun altro che ha un aspetto simile.
Il Vincitore: Il modello IBM Granite si è comportato leggermente meglio dell'altro, specialmente quando utilizzava una specifica "profondità di pensiero" (due strati). Rendere il sistema più "profondo" (tre strati) non ha aiutato; anzi, ha reso le cose più rumorose.

La Conclusione

L'articolo conclude che SBC-AND è un test molto difficile per la tecnologia attuale. Evidenzia come, sebbene i computer stiano diventando migliori nell'organizzare i dati scientifici, abbiano ancora difficoltà con lingue come il portoghese, dove i nomi sono complessi e gli autori spesso non hanno molte pubblicazioni per aiutare l'identificazione.

Gli autori hanno reso questo dataset disponibile online in modo che altri ricercatori possano usarlo per costruire strumenti migliori, assicurando che in futuro ogni "Maria Silva" riceva il merito per il proprio lavoro.

Sintesi Tecnica: Disambiguazione del Nome dell'Autore nelle Pubblicazioni Scientifiche in Portoghese: Il Dataset SBC-AND

Problematica
La Disambiguazione del Nome dell'Autore (AND - Author Name Disambiguation) è fondamentale per mantenere l'accuratezza dei dati bibliografici, influenzando il conteggio delle citazioni, le reti di collaborazione e le metriche di valutazione della ricerca. Sebbene siano stati fatti progressi significativi nell'AND negli ultimi due decenni, in particolare utilizzando embedding testuali e modelli a grafo, la maggior parte dei dataset pubblici e dei benchmark si concentra su pubblicazioni in lingua inglese. Ciò lascia i record scientifici in lingua portoghese sotto-rappresentati. I nomi portoghesi presentano sfide specifiche, tra cui cognomi multipli, particelle (es. "de", "da", "dos") e formattazione incoerente dei metadati (es. mancanza di accenti, troncamenti, assenza di identificatori ORCID). I dataset esistenti in portoghese, come BDBComp, mancano della struttura standardizzata necessaria per l'integrazione con moderni framework AND configurabili, ostacolando la riproducibilità e l'analisi comparativa.

Metodologia
Per affrontare queste lacune, gli autori hanno sviluppato SBC-AND, un dataset curato e standardizzato specificamente per l'AND nelle pubblicazioni scientifiche in portoghese.

Curatela dei Dati: Il dataset aggrega 442 record di pubblicazioni da riviste open-access mantenute dalla Società Brasiliana dell'Informatica (SBC), inclusa la Journal of the Brazilian Computer Society e altre ospitate sulla piattaforma SOL. La collezione si concentra su ricercatori brasiliani e portoghesi per catturare i pattern linguistici lusofoni.
Struttura: I dati sono organizzati in 21 blocchi di autori ambigui (raggruppati per firme abbreviate, es. "A. Silva") che contengono un totale di 232 cluster di autori reali. Ogni blocco è memorizzato come un singolo file JSON contenente metadati quali titolo, autori, coautori, abstract, parole chiave, sede (venue) e anno di pubblicazione.
Processo di Curatela: Uno script Python ha raccolto i metadati iniziali, seguito da una curatela manuale per verificare gli autori reali e risolvere le ambiguità utilizzando prove provenienti da titoli, affiliazioni, coautori e aree di ricerca.
Framework Sperimentale: Il dataset è stato valutato utilizzando ADAN, un framework AND configurabile. Gli esperimenti hanno utilizzato:
- Modelli di Embedding: Sono stati testati due modelli multilingue: BAAI/bge-m3 e IBM Granite.
- Architettura a Grafo: Sono stati costruiti grafi eterogenei dove i record di pubblicazione sono nodi e le evidenze bibliografiche (coautoria, sedi) sono relazioni. Sono state applicate Reti Convoluzionali su Grafi (GCN) per apprendere rappresentazioni consapevoli del grafo.
- Configurazioni: Gli autori hanno testato 18 configurazioni variando il numero di strati GCN (1, 2 o 3) e gli epoch di addestramento (1000, 2000 o 3000).
Metriche di Valutazione: Le prestazioni sono state valutate utilizzando Pairwise Precision ($pP$), Pairwise Recall ($pR$), Pairwise F1 ($pF1$), Average Cluster Purity (ACP), Average Author Purity (AAP) e la K-metric ( $K$ ).

Contributi Chiave
Il documento presenta tre contributi primari:

Dataset SBC-AND: L'introduzione di un nuovo dataset standardizzato per la ricerca sull'AND in portoghese, caratterizzato da metadati completi e una struttura JSON compatibile con i moderni framework.
Valutazione Configurabile: L'applicazione di un framework flessibile e configurabile (ADAN) per valutare il dataset sotto diverse impostazioni sperimentali, dimostrando come diversi modelli di embedding e profondità di grafo si comportano sui dati in portoghese.
Caratterizzazione delle Sfide: Un'analisi quantitativa e qualitativa che identifica le difficoltà specifiche nell'AND in portoghese, in particolare riguardo ai cognomi frequenti e alla bassa ricorrenza dei record per autore.

Risultati
La valutazione di SBC-AND utilizzando il framework ADAN ha prodotto i seguenti risultati:

Difficoltà del Benchmark: Il dataset si dimostra un benchmark impegnativo. Mentre le metriche di clustering globale (ACP, AAP e $K$ ) sono rimaste elevate (con $K$ che raggiunge 0.9168), i punteggi di Pairwise F1 sono stati significativamente più bassi (miglior $pF1$ di 0.4600). Ciò indica che, sebbene il sistema mantenga una struttura di cluster globale coerente, fatica a recuperare correttamente tutte le associazioni dei singoli record.
Performance dei Modelli: Il modello di embedding IBM Granite ha superato BAAI/bge-m3 in tutte le configurazioni, raggiungendo il miglior punteggio $pF1$ (0.4600) con due strati GCN e 1000 epoch.
Profondità del Grafo: L'aumento degli strati GCN oltre i due non ha migliorato le prestazioni; in alcuni casi, una propagazione più profonda (3 strati) sembrava introdurre rumore o un eccessivo smoothing.
Varianza a Livello di Blocco: Le prestazioni sono variate significativamente tra i blocchi ambigui. I blocchi con cognomi comuni (es. "silva", "santos") e bassa ricorrenza dei record (autori con un solo record o pochissimi) hanno prodotto punteggi $pF1$ vicini allo 0.00, mentre i blocchi con maggiore ricorrenza dell'autore hanno mostrato prestazioni migliori.

Significatività
Gli autori posizionano SBC-AND come una risorsa necessaria per supportare la riproducibilità e la ricerca futura nei dati bibliografici multilingue e a basse risorse. Fornendo un dataset standardizzato per le pubblicazioni in portoghese, questo lavoro consente di testare gli attuali metodi AND in un contesto linguistico precedentemente dominato dai dati in inglese. I risultati evidenziano che, sebbene le strutture di clustering globale possano essere preservate, la sfida specifica di distinguere autori con cognomi comuni e record di pubblicazione scarsi rimane un ostacolo significativo per gli attuali metodi allo stato dell'arte. Il dataset è reso disponibile in un repository online per facilitare ulteriori studi e lo sviluppo di strumenti di disambiguazione più robusti per la comunità scientifica lusofona.