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

Technische Samenvatting: De Last van Naamconflicten in OpenAlex en de SigmaCV-oplossing

Probleemstelling
Verantwoorde wetenschappelijke beoordeling rust op de correcte toeschrijving van wetenschappelijke werken aan specifieke onderzoekers. Een aanzienlijk deel van de huidige praktijk schrijft werken echter nog steeds toe op basis van naamstrings in plaats van persistente identificatoren. Deze aanpak faalt systematisch bij veelvoorkomende achternamen en bij namen die geromaniseerd zijn vanuit niet-Latijnse schriften (met name Oost-Aziatische namen), wat leidt tot "naamconflicten" waarbij meerdere verschillende entiteiten dezelfde genormaliseerde naam delen. Het artikel stelt dat deze ambiguïteit niet symmetrisch is; de last van naamconflicten valt onevenredig zwaar op onderzoekers met Oost-Aziatische namen, wat een structurele voorwaarde creëert voor onrechtvaardige beoordeling. Waar eerder werk de richting van dit effect heeft vastgesteld, beoogt dit artikel de omvang van de last te kwantificeren over de gehele populatie van ORCID-houdende auteurs in open wetenschappelijke data.

Methodologie
De studie maakt gebruik van een enkele, volledige snapshot van de OpenAlex-database van maart 2026, bestaande uit ongeveer 113,6 miljoen auteur-entiteiten. De analyse richt zich op de ~4,63 miljoen auteurs binnen deze snapshot die een ORCID iD bezitten.

• Populatiestratificatie: Auteurs worden gestratificeerd op basis van het land van hun laatst bekende instelling in drie groepen:

  • Oost-Aziatisch: Japan, China, Zuid-Korea, Taiwan, Hong Kong.
  • Anglofoon: VS, VK, Australië, Canada, Nieuw-Zeeland, Ierland.
  • Overig: Continentaal Europa en Brazilië (als een grove Latijns-schrift baseline).
  • Noot: Land wordt gebruikt als proxy voor naamherkomst en blootstelling aan romanisering, niet als zelfgerapporteerde etniciteit.

• Matching-operatoren: De auteurs definiëren een transparante, zelfgedefinieerde exacte-naam-operator (lowercase maken, accent-folding, whitespace-collapsing) om het aantal naamconflicten te berekenen voor drie verschillende attributiestrategieën:

  1. Full-Name Entity Count (Bovengrens): Het aantal OpenAlex-auteur-entiteiten die exact dezelfde genormaliseerde volledige naam delen. Dit bevat potentiële database over-splitting.
  2. ORCID-Restricted Count (Conservatieve ondergrens): De subset van full-name matches die ook een ORCID bezitten. Aangezien verschillende ORCIDs verschillende echte personen vertegenwoordigen, dient dit als een conservatieve proxy voor het aantal verschillende echte individuen dat dezelfde naam deelt.
  3. Initial + Surname Count (Legacy Worst Case): Het aantal entiteiten dat dezelfde voorletter en achternaam deelt, wat het slechtst denkbare scenario vertegenwoordigt voor matching op basis van alleen naamstrings (bijv. legacy citatiestijlen).

• Statistische Analyse: De studie berekent exacte populatiestatistieken (medianen, interkwartielafstanden, 90e percentielen) in plaats van steekproefschattingen. Er wordt gebruikgemaakt van rank-biseriale correlatie ($r$) om effectgroottes tussen strata te meten en negatief-binomiale regressie om te corrigeren voor publicatievolume, vakgebied en loopbaanafstand.

Belangrijkste Resultaten
De studie concludeert dat de last van naamconflicten groot en scherp ongelijk is over verschillende naamherkomsten, waarbij het verschil groter wordt naarmate de attributiestrategieën minder specifiek worden.

• ORCID-Restricted Strategie (Proxy voor echt persoon):

  • De mediane Oost-Aziatische onderzoeker deelt zijn naam met 3 andere echte mensen (IQR 1–17).
  • In tegenstelling hiertoe heeft de mediane Anglofone en "Overige" onderzoeker een unieke naam (mediaan 1).
  • 10,5% van de Oost-Aziatische onderzoekers deelt een naam met ten minste 100 andere echte mensen, vergeleken met 0,9% voor Anglofonen en 0,1% voor de "Overige" groep.
  • De effectgrootte is groot ($r = -0,49$ vs. Anglofoon; $r = -0,55$ vs. Overig).

• Full-Name Entity Strategie:

  • De mediane Oost-Aziatische onderzoeker komt overeen met 9 entiteiten (vs. 1 voor anderen), wat zowel echte conflicten als database over-splitting reflecteert.

• Initial + Surname Strategie (Legacy Worst Case):

  • Het verschil is hier het meest extreem. De mediane Oost-Aziatische onderzoeker heeft een conflict met 4.846 verschillende identiteiten (IQR 1.240–16.548).
  • 92,3% van de Oost-Aziatische onderzoekers heeft onder deze strategie een conflict met ten minste 100 identiteiten.
  • De medianen voor Anglofonen en "Overige" zijn respectievelijk 69 en 34.
  • De effectgroottes zijn zeer groot ($r = -0,71$ en $r = -0,74$).

• Robuustheidscontroles:

  • Publicatievolume: Een negatief-binomiale regressie die corrigeert voor het aantal publicaties laat zien dat het Oost-Aziatische stratum nog steeds ongeveer 6,5 tot 8,6 keer het verwachte aantal conflicten draagt van het Anglofone stratum. Het gat is geen artefact van een hogere productiviteit onder Oost-Aziatische auteurs.
  • Gevoeligheidsanalyse: Het herclassificeren van auteurs op basis van achternaam in plaats van instellingsland versterkt het geobserveerde gat, wat bevestigt dat de land-proxy conservatief is.

Bijdragen

1. Kwantificering van Naamambiguïteit: Het artikel biedt de eerste directe, volledige populatie-kwantificering van de last van naamconflicten in open wetenschappelijke data. Het ontleedt de last in drie lagen (full-name entiteiten, ORCID-beperkte echte personen en op initialen gebaseerde legacy-matches), en toont aan dat voor geromaniseerde Oost-Aziatische namen, attributie op basis van initialen geen klein ongemak is, maar een categorisch falen.
2. SigmaCV: De auteurs presenteren SigmaCV, een open-source (Apache-2.0), FAIR webapplicatie die academische CV's samenstelt op basis van een persistente identificator (ORCID) in plaats van een naam. Het dient als een toegepaste instantie van het principe dat attributie verankerd moet zijn aan een identificator om naamgebaseerde ambiguïteit te vermijden.

Betekenis en Claims
Het artikel claimt naamambiguïteit te meten, wat een noodzakelijke voorwaarde is voor onrechtvaardige attributie, maar maakt expliciet onderscheid met aangetoonde schade in de beoordeling.

• Reikwijdte van de claim: De auteurs stellen dat ze het risico op blootstelling meten (de last van naamconflicten), en niet de gevolgen daarvan (bijv. specifieke citatie-distorties of beoordelingsuitkomsten). Ze argumenteren dat een grote, ongelijk verdeelde last het mogelijk maken van opgeblazen indicatoren en foutief toegewezen citaties, wat de eerlijkheid van wetenschappelijke beoordeling bedreigt.
• Oplossing: Het artikel pleit voor een structurele oplossing: de verschuiving van attributie van naamstrings naar persistente identificatoren. Het benadrukt dat dit een veldconsensus is (geïmplementeerd door OpenAlex, Scopus, Web of Science en ORCID) en geen nieuwe uitvinding, en dat SigmaCV een implementatie van dit principe is.
• Beperkingen en Equity-trade-offs: De auteurs erkennen dat hun populatie beperkt is tot ORCID-houders, wat betekent dat de voorgestelde oplossing (identificator-gebaseerde attributie) momenteel vooral degenen ten goede komt die al een identificator hebben. Ze merken op dat de adoptie van ORCID wereldwijd ongelijkmatig is, waardoor de oplossing voor de naam-ambiguïteit de equity-kloof kan verschuiven naar een vereiste om een identificator te bezitten. Ze beweren niet dat dit een volledige oplossing is voor alle onderzoekers, maar stellen dat het een noodzakelijke correctie is voor de geïdentificeerde populatie.

Samenvattend biedt het artikel empirisch bewijs dat naamgebaseerde attributie een systematisch hoger risico op conflatie creëert voor Oost-Aziatische onderzoekers dan voor hun Anglofone en Europese tegenhangers, wat motiveert om over te stappen op identificator-gebaseerde systemen zoals SigmaCV om een eerlijke wetenschappelijke beoordeling te waarborgen.