💻 computer science

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

이 논문은 저자명 모호성 해소(Author Name Disambiguation) 연구에서 비영어권 언어의 과소대표성 문제를 해결하고 다국어 모호성 해소 모델을 평가하기 위한 도전적인 벤치마크 역할을 수행하도록 설계된 442개의 포르투갈어 과학 출판 기록으로 구성된 정제된 데이터셋인 SBC-AND를 소개한다.

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

게시일 2026-07-09

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

거대한 문제: "이름표" 혼동

수백만 명의 사람들이 책을 쓴 거대한 도서관에 들어갔다고 상상해 보세요. 문제는 "존 스미스(John Smith)"나 "마리아 실바(Maria Silva)"처럼 이름이 같은 사람이 아주 많다는 점입니다.

과학계에서 이것은 매우 골치 아픈 문제입니다. 만약 "마리아 실바"라는 연구자가 컴퓨터에 관한 논문을 썼는데, 또 다른 "마리아 실바"가 역사에 관한 논문을 썼다면, 도서관은 실수로 두 사람이 동일 인물이라고 생각할 수 있습니다. 이는 그들의 명성, 인용 횟수, 그리고 누가 누구와 협력하고 있는지에 대한 이해를 망가뜨립니다. 어떤 "마리아 실바"가 어떤 논문을 썼는지 구별해내는 이 작업이 바로 **저자 이름 모호성 해소(Author Name Disambiguation, AND)**입니다.

격차: "영어 전용" 파티

오랫동안 과학자들은 이 혼동을 해결하기 위한 도구들을 만들어 왔지만, 주로 영어 이름을 대상으로 연습해 왔습니다. 이는 마치 영어로 이름을 말하는 손님들을 정리하는 데는 뛰어나지만, 포르투갈어 이름을 가진 사람을 한 번도 만나본 적 없는 파티 플래너와 같습니다.

포르투갈어 이름은 까다롭습니다. 종종 여러 개의 성(예: "Silva" 또는 "Santos")을 가지며, "de", "da", "dos"와 같은 작은 연결 단어들이 붙습니다. 게다가 과학 기록에서 이러한 이름들은 종로되거나 일관되지 않게 표기되기도 합니다 (예: "A. Silva" vs "Ana Silva"). 이 때문에 기존의 도구들은 포르투갈어 출판물을 접할 때 어려움을 겪습니다.

해결책: SBC-AND "훈련 체육관"

이 논문의 저자들은 SBC-AND라고 불리는 새로운 도구를 만들었습니다. 이것을 컴퓨터 프로그램을 위한 특화된 **훈련 체육관(training gym)**이라고 생각하면 됩니다.

내부에는 무엇이 있나요? 브라질 컴퓨터 과학 학술지에서 가져온 442개의 실제 과학 논문 모음입니다.
어떻게 구성되어 있나요? 저자들은 이 논문들을 "모호한 블록(ambiguous blocks)"으로 분류했습니다. "Silva"라고 적힌 상자를 상상해 보세요. 그 안에는 모두 성이 "Silva"인 232명의 서로 다른 실제 인물이 쓴 논문들이 들어 있습니다.
목표: 이 데이터셋은 "큐레이션(curated)"되었습니다. 즉, 사람이 이미 어떤 논문이 어떤 실제 인물에게 속하는지 정확하게 확인하고 라벨을 붙였다는 뜻입니다. 이는 컴퓨터가 스스로를 테스트할 수 있는 "정답지" 역할을 합니다.

실험: 컴퓨터의 두뇌 테스트

연구진은 단순히 데이터셋을 만든 것에 그치지 않고, 이를 테스트에 활용했습니다. 그들은 논문을 올바른 그룹으로 다시 분류하려고 시도하는 유연한 컴퓨터 시스템(ADAN)을 사용했습니다.

그들은 두 가지 서로 다른 "두뇌" 모델(언어를 이해하는 AI 모델)을 사용하여 시스템을 테스트했습니다:

BAAI/bge-m3: 다국어 모델.
IBM Granite: 또 다른 다국어 모델.

또한 그들은 시스템의 "깊이"(생각하는 층수)와 얼마나 오랫동안 연습했는지(학습 에포크)를 조절하며 테스트했습니다.

결과: 힘겨운 도전

컴퓨터가 논문을 분류하려고 시도했을 때 다음과 같은 일이 일었습니다:

"전체적인 그림" vs "세부 사항": 컴퓨터는 그룹 간을 분리하는 것(예를 들어 "Silva" 상자와 "Oliveira" 상자를 서로 멀리 떨어뜨려 놓는 것)에는 꽤 능숙했습니다. 하지만 "Silva" 상자 내부의 논문들을 올바르게 분류하는 데는 어려움을 겪었습니다.
점수: 컴퓨터는 전체적인 구조에 대해서는 괜찮은 점수(정확도 약 90%)를 받았지만, 특정 논문 쌍을 올바른 저자와 매칭하는 문제에 있어서는 점수가 크게 떨어졌습니다(약 45%).
이유는 무엇인가요? 논문에 따르면, 이는 데이터셋에 포함된 많은 실제 저자들이 목록에 단 한두 개의 논문만 가지고 있기 때문입니다. 이는 파티에서 누군가를 딱 한 번만 보고 그 사람을 식별해야 하는 것과 같습니다. 비슷해 보이는 다른 사람과 구별하기가 매우 어렵습니다.
승자: IBM Granite 모델이 다른 모델보다 약간 더 나은 성능을 보였으며, 특히 특정 "생각의 깊이"(2개 층)를 사용할 때 그러했습니다. 시스템을 더 "깊게"(3개 층) 만드는 것은 도움이 되지 않았으며, 오히려 노이즈를 발생시켰습니다.

핵심 요약

이 논문은 SBC-AND가 현재 기술에 매우 혹독한 시험대라는 결론을 내립니다. 이는 컴퓨터가 과학적 데이터를 정리하는 데 점점 더 능숙해지고 있음에도 불구하고, 이름이 복잡하거나 저자가 자신을 식별할 수 있는 출판물을 많이 보유하지 못한 포르투갈어와 같은 언어에서는 여전히 어려움을 겪고 있다는 점을 강조합니다.

저자들은 다른 연구자들이 더 나은 도구를 구축할 수 있도록 이 데이터셋을 온라인에 공개했습니다. 이를 통해 미래에는 모든 "마리아 실바"가 자신의 업적에 대해 정당한 인정을 받을 수 있도록 할 것입니다.

기술 요약: 포르투갈어 과학 출판물의 저자명 모호성 해소: SBC-AND 데이터셋

문제 정의
저자명 모호성 해소(Author Name Disambiguation, AND)는 서지 데이터의 정확성을 유지하는 데 매우 중요하며, 이는 인용 횟수, 협업 네트워크 및 연구 평가 지표에 영향을 미칩니다. 지난 20년 동안 텍스트 임베딩과 그래프 모델을 사용하여 AND 분야에서 상당한 발전이 이루어졌으나, 대부분의 공개 데이터셋과 벤치마크는 영어 중심의 출판물에 집중되어 있습니다. 이로 인해 포르투갈어 기반의 과학 기록들은 과소 대표되는 실정입니다. 포르투갈어 성명은 다중 성씨, 조사(예: "de", "da", "dos"), 그리고 일관되지 않은 메타데이터 형식(예: 악센트 누락, 축약, ORCID 식별자 부재)과 같은 특유의 과제를 안고 있습니다. 기존의 포르투l갈어 데이터셋인 BDBComp는 현대적이고 설정 가능한 AND 프레임워크와 통합하는 데 필요한 표준화된 구조가 부족하여, 재현성과 비교 분석을 저해하고 있습니다.

방법론
이러한 격차를 해소하기 위해, 저자들은 포르투갈어 과학 출판물의 AND를 위해 특별히 큐레이션되고 표준화된 데이터셋인 SBC-AND를 개발했습니다.

데이터 큐레이션: 이 데이터셋은 브라질 컴퓨터 학회(SBC)가 관리하는 오픈 액세스 저널(Journal of the Brazilian Computer Society 및 SOL 플랫폼에서 호스팅되는 기타 저널 포함)로부터 442개의 출판 기록을 수집합니다. 이 컬렉션은 루소포니(Lusophone) 언어 패턴을 포착하기 위해 브라질 및 포르투갈 연구자들에게 초점을 맞춥니다.
구조: 데이터는 약어 서명(예: "A. Silva")으로 그룹화된 21개의 모호한 저자 블록(총 232개의 실제 저자 클러스터 포함)으로 구성됩니다. 각 블록은 제목, 저자, 공동 저자, 초록, 키워드, 학술 대회(venue), 출판 연도와 같은 메타데이터를 포함하는 개별 JSON 파일로 저장됩니다.
큐레이션 과정: 파이썬 스크립트를 통해 초기 메타데이터를 수집한 후, 제목, 소속, 공동 저자 및 연구 분야의 증거를 활용하여 실제 저자를 검증하고 모호성을 해결하는 수동 큐레이션 과정을 거쳤습니다.
실험 프레임워크: 데이터셋은 설정 가능한 AND 프레임워크인 ADAN을 사용하여 평가되었습니다. 실험에는 다음이 사용되었습니다:
- 임베딩 모델: 두 가지 다국어 모델인 BAAI/bge-m3와 IBM Granite를 테스트했습니다.
- 그래프 아키텍처: 출판 기록이 노드가 되고 문헌적 증거(공동 저자 관계, 학술 대회 등)가 관계가 되는 이종 그래프(Heterogeneous graphs)를 구축했습니다. 그래프 인식 표현을 학습하기 위해 그래프 합성곱 신경망(GCN)이 적용되었습니다.
- 설정: 저자들은 GCN 레이어 수(1, 2, 또는 3개)와 훈련 에포크(1000, 2000, 또는 3000회)를 변화시켜 18가지 구성을 테스트했습니다.
평가 지표: 성능은 Pairwise Precision ($pP$), Pairwise Recall ($pR$), Pairwise F1 ($pF1$), Average Cluster Purity (ACP), Average Author Purity (AAP), 그리고 K-metric ( $K$ )을 사용하여 평가되었습니다.

주요 기여
본 논문은 세 가지 주요 기여를 합니다:

SBC-AND 데이터셋: 완전한 메타데이터와 현대적 프레임워크와 호환되는 JSON 구조를 갖춘, 포르투갈어 AND 연구를 위한 새로운 표준화된 데이터셋을 도입했습니다.
설정 가능한 평가: 다양한 실험적 설정 하에서 데이터셋을 평가하기 위해 유연하고 설정 가능한 프레임워크(ADAN)를 적용하여, 서로 다른 임베딩 모델과 그래프 깊이가 포르투갈어 데이터에서 어떻게 작동하는지 입증했습니다.
과제의 특성화: 빈번한 성씨 및 낮은 기록 재발생률과 관련된 포르투갈어 AND의 구체적인 어려움을 정량적 및 정성적으로 분석했습니다.

결과
ADAN 프레임워크를 사용한 SBC-AND의 평가 결과는 다음과 같습니다:

벤치마크 난이도: 데이터셋은 까다로운 벤치마크임을 입증했습니다. 글로벌 클러스터링 지표(ACP, AAP, $K$ )는 높은 수준을 유지했으나(K는 0.9168에 도달), Pairwise F1 점수는 현저히 낮았습니다(최고 $pF1$은 0.4600). 이는 시스템이 일관된 글로벌 클러스터 구조는 유지하지만, 개별 기록 간의 연관성을 모두 올바르게 복구하는 데는 어려움을 겪고 있음을 나타냅니다.
모델 성능: IBM Granite 임베딩 모델이 모든 구성에서 BAAI/bge-m3보다 우수한 성능을 보였으며, 2개의 GCN 레이어와 1000 에포크에서 최적의 $pF1$ 점수(0.4600)를 달성했습니다.
그래프 깊이: GCN 레이어를 2개 이상으로 늘리는 것이 성능 향상으로 이어지지는 않았습니다. 어떤 경우에는 더 깊은 전파(3개 레이어)가 노이즈나 과도한 평활화(smoothing)를 유발하는 것으로 나타났습니다.
블록 수준의 변동성: 성능은 모호한 블록에 따라 크게 달랐습니다. 흔한 성씨(예: "silva", "santos")를 가진 블록이나 기록 재발생률이 낮은(저자가 단 하나 또는 소수의 기록만 가진) 블록은 $pF1$ 점수가 0.00에 근접한 반면, 저자 재발생률이 높은 블록은 더 나은 성능을 보였습니다.

의의
저자들은 SBC-AND를 다국어 및 저자원 문헌 데이터 연구를 지원하기 위한 필수적인 자원으로 제시합니다. 포르투갈어 출판물을 위한 표준화된 데이터셋을 제공함으로써, 본 연구는 영어 데이터가 지배해 온 언어적 맥락에서 현재의 AND 방법론을 테스트할 수 있게 합니다. 연구 결과는 글로벌 클러스터 구조를 보존할 수는 있지만, 흔한 성씨를 가진 저자와 희소한 출판 기록을 가진 저자를 구별하는 구체적인 과제는 여전히 현재의 최첨단 방법론들에 있어 중요한 장애물임을 강조합니다. 데이터셋은 추가 연구와 루소포니 과학 커뮤니티를 위한 더욱 강력한 모호성 해소 도구 개발을 촉진하기 위해 온라인 저장소에 공개됩니다.