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

기술 요약: OpenAlex의 성명 충돌 부담과 그 해결책으로서의 SigmaCV

문제 제기
책임 있는 연구 평가(responsible research assessment)는 학술 저작물을 특정 연구자에게 정확하게 귀속시키는 것에 의존한다. 그러나 현재의 관행 중 상당 부분은 여전히 지속적 식별자(persistent identifiers)가 아닌 성명 문자열(name strings)을 기반으로 저작물을 귀속시키고 있다. 이러한 방식은 흔한 성씨(common surnames)에 대해 체계적으로 실패하며, 비라틴 문자(특히 동아시아 계열 성명)에서 로마자로 표기된 이름에 대해서도 실패한다. 이는 여러 명의 서로 다른 저자 엔티티가 동일한 정규화된 이름을 공유하는 "성명 충돌(name collisions)"을 야기한다. 본 논문은 이러한 모호함이 대칭적이지 않다고 주장한다. 즉, 성명 충돌의 부담은 동아시아 계열의 이름을 가진 연구자들에게 불균형적으로 전가되며, 이는 불평등한 평가를 위한 구조적 전제 조건을 형성한다. 기존 연구들이 이러한 효과의 방향성을 확립했다면, 본 논문은 오픈 학술 데이터 내의 모든 ORCID 보유 저자 인구를 대상으로 이 부담의 규모를 정량화하는 것을 목표로 한다.

연구 방법론
본 연구는 2026년 3월 기준의 OpenAlex 데이터베이스 스냅샷 하나를 활용하며, 여기에는 약 1억 1,360만 개의 저자 엔티티가 포함되어 있다. 분석은 이 스냅샷 내에서 ORCID iD를 보유한 약 463만 명의 저자에게 집중된다.

• 인구 통계적 층화: 저자들을 마지막으로 확인된 소속 기관의 국가를 기준으로 세 그룹으로 분류하였다:

  • 동아시아: 일본, 중국, 한국, 대만, 홍콩.
  • 영어권: 미국, 영국, 호주, 캐나다, 뉴질랜드, 아일랜드.
  • 기타: 대륙 유럽 및 브라질 (거친 라틴 문자 기반의 대조군 역할).
  • 참고: 국가는 인종에 대한 자기 보고가 아니라, 이름의 기원 및 로마자 표기 노출도를 나타내는 대리 지표(proxy)로 사용되었다.

• 매칭 연산자: 저자들은 세 가지 다른 귀속 전략에 대한 충돌 횟수를 계산하기 위해 투명하게 정의된 정밀한 '정확한 이름(exact-name)' 연산자(소문자 변환, 악센트 제거, 공백 압축 적용)를 정의하였다:

  1. 전체 이름 엔티티 수 (상한선): 동일한 정규화된 전체 이름을 공유하는 OpenAlex 저자 엔티티의 수. 이는 데이터베이스의 과도한 분할(over-splitting) 가능성을 포함한다.
  2. ORCID 제한 수 (보수적 하한선): 전체 이름 매치 중 ORCID를 보유한 하위 집합. 서로 다른 ORCID는 서로 다른 실제 인물을 의미하므로, 이는 동일한 이름을 공유하는 서로 다른 실제 개인의 수를 나타내는 보수적인 대리 지표 역할을 한다.
  3. 이름 이니셜 + 성 (레거시 최악의 경우): 동일한 이름 이니셜과 성을 공유하는 엔티티의 수로, 이름 문자열만을 이용한 매칭(예: 레거시 인용 양식)의 최악의 시나리오를 나타낸다.

• 통계 분석: 본 연구는 샘플링 추정치가 아닌 정확한 인구 통계 통계량(중앙값, 사분위 범위, 90 백분위수)을 산출한다. 또한, 집단 간 효과 크기를 측정하기 위해 순위-이차 상관계수($r$)를 사용하며, 출판량, 연구 분야, 경력 연령을 조정하기 위해 음이항 회귀 분석을 적용한다.

주요 결과
연구 결과, 성명 충돌 부담은 이름의 기원에 따라 매우 크고 극명하게 불평형하며, 귀속 전략이 덜 구체적일수록 그 격차가 커지는 것으로 나타났다.

• ORCID 제한 전략 (실제 인물 대리 지표):

  • 중앙값 기준으로 동아시아 연구자는 3명의 서로 다른 실제 인물과 이름을 공유한다 (IQR 1–17).
  • 반면, 영어권 및 "기타" 그룹의 연구자는 고유한 이름을 가진다 (중앙값 1).
  • 동아시아 연구자의 10.5%는 최소 100명의 서로 다른 실제 인물과 이름을 공유하는 반면, 영어권은 0.9%, "기타" 그룹은 0.1%에 불과하다.
  • 효과 크기는 크다 ($r = -0.49$ vs 영어권; $r = -0.55$ vs 기타).

• 전체 이름 엔티티 전략:

  • 동아시아 연구자의 중앙값은 9개의 엔티티와 매치되는 반면, 타 그룹은 1개이다. 이는 실제 충돌뿐만 아니라 데이터베이스의 과도한 분할을 반영한다.

• 이니셜 + 성 전략 (레거시 최악의 경우):

  • 여기서 격차는 가장 극단적이다. 중앙값 기준으로 동아시아 연구자는 4,846개의 서로 다른 정체성과 충돌한다 (IQR 1,240–16,548).
  • 동아시아 연구자의 92.3%가 이 전략 하에서 최소 100개의 정체성과 충돌한다.
  • 영어권 및 "기타" 그룹의 중앙값은 각각 69와 34이다.
  • 효과 크기는 매우 크다 ($r = -0.71$ 및 $r = -0.74$).

• 강건성 검사 (Robustness Checks):

  • 출판량: 출판 수를 조정한 음이항 회귀 분석 결과, 동아시아 계층은 영어권 계층에 비해 기대 충돌 횟수가 약 6.5배에서 8.6배 더 높았다. 이 격차는 동아시아 저자들의 높은 생산성으로 인한 결과가 아니다.
  • 민감도 분석: 국가가 아닌 성씨(surname)를 기준으로 저자를 재분류했을 때 관찰된 격차가 더욱 강화되었으며, 이는 국가 대리 지표 사용이 보수적이었음을 확인시켜 준다.

기여

1. 성명 모호성의 정량화: 본 논문은 오픈 학술 데이터 내의 성명 충돌 부담에 대해 최초로 직접적이고 전체 인구를 대상으로 한 정량화를 제공한다. 본 연구는 이 부담을 세 가지 층위(전체 이름 엔티티, ORCID 제한 실제 인물, 이니셜 기반 레거시 매치)로 분해하여, 로마자로 표기된 동아시아 성명의 경우 이니셜 기반 귀속이 단순한 불편함이 아니라 범주적 실패임을 입증한다.
2. SigmaCV: 저자들은 이름이 아닌 지속적 식별자(ORCID)를 기반으로 학술 CV를 구성하는 오픈 소스(Apache-2.0) FAIR 웹 애플리케이션인 SigmaCV를 제시한다. 이는 성명 기반의 모호성을 피하기 위해 귀속이 식별자에 닻을 내려야 한다는 원칙을 구현한 사례이다.

의의 및 주장
본 논문은 성명 모호성을 측정하고 있다고 주장하며, 이는 불평등한 귀속을 초래할 수 있는 필수적인 전제 조건이지만, 이를 입증된 평가의 해악(assessment harm)과는 명확히 구분한다.

• 주장의 범위: 저자들은 성명 모호성(충돌 부담)을 측정한다고 명시하며, 이를 다운스트림의 결과(예: 특정 인용 왜곡 또는 평가 결과)와는 구별한다. 저자들은 이러한 큰 규모의 불균등한 부담이 지표의 팽창과 잘못된 인용을 가능하게 하여 연구 평가의 공정성을 위협할 수 있다고 주장한다.
• 해결책: 본 논문은 구조적 해결책을 옹호한다: 즉, 귀속의 중심을 성명 문자열에서 지속적 식별자로 전환하는 것이다. 저자들은 이것이 새로운 발명이 아니라 OpenAlex, Scopus, Web of Science, ORCID 등에서 이미 구현되고 있는 분야의 합의된 원칙임을 강조한다.
• 한계 및 형평성 트레이드오프: 저자들은 연구 대상이 ORCID 보유자로 제한되어 있다는 점을 인정하며, 따라서 제안된 해결책(식별자 기반 귀속)이 현재 식별자를 보유한 이들에게 혜택을 준다는 점을 밝힌다. 또한 ORCID 채택이 전 세계적으로 균등하지 않으므로, 식별자 기반 귀속이 식별자를 가진 이들에게는 모호성 문제를 해결해주지만, "식별자 보유 여부"라는 새로운 형태의 형평성 격차를 만들 수 있음을 언급한다. 저자들은 이것이 모든 연구자를 위한 완전한 해결책이라고 주장하는 것이 아니라, 식별된 인구 집단에 대한 필요한 교정책이라고 주장한다.

요약하자면, 본 논문은 성명 기반 귀속이 영어권 및 유럽 연구자에 비해 동아시아 연구자들에게 체계적으로 더 높은 결합 위험을 생성한다는 실증적 증거를 제공하며, 공정한 연구 평가를 위해 SigmaCV와 같은 식별자 기반 시스템으로의 전환을 촉구한다.