Bridging the Language Gap in Scholarly Data I: Enhancing Author Disambiguation Algorithms for Chinese Names

1. O Problema

A desambiguação de nomes de autores é uma tarefa crítica para a pesquisa scientométrica, garantindo a atribuição correta de obras e a avaliação precisa da produtividade acadêmica. No entanto, os nomes chineses apresentam desafios únicos que limitam a eficácia dos métodos tradicionais, otimizados para o alfabeto latino:

• Alta Ambiguidade no Pinyin: Em publicações internacionais, os nomes chineses são transliterados para Pinyin (ex: "Wang Wei"). Um único Pinyin pode corresponder a múltiplos caracteres chineses distintos (ex: 王伟，王威, 王维), criando colisões de identidade massivas.
• Estrutura do Nome: Os sobrenomes chineses são altamente concentrados (os 100 mais comuns cobrem 87% da população) e os nomes completos geralmente não possuem nomes do meio ou iniciais, eliminando um fator comum de diferenciação no Ocidente.
• Falta de Dados em Caracteres: Registros internacionais raramente contêm os caracteres chineses originais, forçando a dependência do Pinyin, que é inerentemente ambíguo.
• Limitações dos Métodos Atuais: A maioria dos métodos existentes depende de dados rotulados (supervisionados) ou foca apenas em laços sociais e institucionais (co-autores, afiliações), ignorando a semântica do conteúdo das publicações, o que é crucial quando os laços diretos são ausentes.

2. Metodologia

Os autores propõem um framework de desambiguação baseado em regras que integra múltiplas fontes de evidência para resolver identidades ambíguas. O método é aplicado a dois conjuntos de dados paralelos derivados do China National Knowledge Infrastructure (CNKI): um com os dados originais em caracteres chineses e outro com nomes transliterados para Pinyin e resumos traduzidos para inglês.

O algoritmo opera em quatro critérios sequenciais para pares de autores com o mesmo nome:

1. Coautoria Compartilhada: Se os autores compartilham pelo menos um coautor em seus registros de publicação, são considerados a mesma identidade.
2. Afiliação Institucional: Compara-se a similaridade das strings de afiliação (usando a razão de similaridade de Levenshtein normalizada > 0,6) ou se uma string contém a outra.
3. Similaridade de Conteúdo: Utiliza vetores de documentos baseados em Word2Vec (treinados separadamente para os corpora chinês e inglês) para calcular a similaridade cosen entre títulos, resumos e palavras-chave.
   • Nota Técnica: Foram definidos limiares (thresholds) específicos para cada idioma (0,9207 para chinês e 0,9621 para inglês) para garantir consistência na classificação de pares similares, compensando as diferenças nos espaços vetoriais das duas línguas.
4. Relações de Citação: Se um autor citou o trabalho do outro, isso sugere uma auto-citação e une as identidades.

Conjunto de Dados e Validação:

• Corpus: 65.241 artigos de física de 20 periódicos da Sociedade Física Chinesa (1953-2024).
• Ground Truth: Um conjunto de dados de referência criado manualmente com 80 pares de nomes (40 pares da mesma pessoa, 40 de pessoas diferentes), validado por dois falantes nativos chineses.
• Baselines: O método proposto foi comparado com duas abordagens existentes: Sinatra et al. (focada em redes sociais/institucionais) e Waqas & Qadir (que inclui metadados de publicação, mas sem foco específico em chinês/Pinyin).

3. Principais Contribuições

1. Algoritmo Híbrido Baseado em Regras: Extensão de métodos existentes ao incorporar similaridade semântica de conteúdo como um quarto critério decisivo. Isso permite identificar a mesma identidade mesmo na ausência de coautores ou afiliações compartilhadas.
2. Avaliação Script-Agnóstica: Demonstração de que o algoritmo mantém alta precisão tanto em registros nativos (caracteres chineses) quanto em representações romanizadas (Pinyin), preenchendo uma lacuna na literatura que raramente compara os dois formatos.
3. Reprodutibilidade e Transparência: Disponibilização pública de todo o código, scripts de análise e um conjunto de dados de 65.241 artigos com metadados bilíngues e identidades desambiguadas.
4. Análise de Impacto da Transliteração: Evidência empírica de como a conversão para Pinyin afeta a desambiguação, mostrando que, embora aumente a ambiguidade, o método proposto mitiga eficazmente esses erros.

4. Resultados

• Desempenho Geral: O método proposto alcançou um F1-score de 0,89 para nomes em caracteres chineses e 0,88 para nomes em Pinyin.
• Comparação com Baselines: O método superou consistentemente as abordagens de Sinatra et al. e Waqas & Qadir.
  • Precisão: Todas as metodologias mantiveram alta precisão (1,0 no chinês, ~0,95 no inglês), indicando que raramente fundem indivíduos distintos erroneamente.
  • Revocação (Recall): O ganho principal do método proposto está na revocação. Ele identificou pares de mesma identidade que as baselines falharam em detectar (Recall de 0,80-0,82 vs. 0,60-0,72 das baselines), graças à inclusão da similaridade de conteúdo.
• Consistência Cross-Linguística: 87,3% das identidades atribuídas foram idênticas entre as representações em caracteres chineses e Pinyin, demonstrando a estabilidade do framework.
• Fluxo de Dados: A coautoria resolveu a maior parte dos casos ambíguos (cerca de 15.583 no chinês), seguida pela afiliação (6.327), similaridade de conteúdo (246) e citações (137).

5. Significância e Conclusão

Este trabalho é fundamental para a scientometria global, pois oferece uma solução robusta para um problema que distorce a avaliação de pesquisadores chineses em bases de dados internacionais.

• Equidade na Avaliação: Ao reduzir a fragmentação (um único autor dividido em vários perfis) e a confluência (vários autores fundidos em um), o método garante métricas de produtividade e impacto mais justas.
• Aplicabilidade: A abordagem baseada em regras, que não requer dados de treinamento rotulados, é escalável e pode ser adaptada para outros sistemas de escrita não ocidentais (como coreano, japonês ou vietnamita).
• Infraestrutura: A disponibilização do código e dos dados permite que a comunidade científica aplique essas técnicas diretamente em corpora domésticos e internacionais, melhorando a rastreabilidade das contribuições acadêmicas.

Em resumo, o artigo demonstra que a integração de redes sociais, institucionais e semânticas é essencial para superar as barreiras linguísticas na desambiguação de autores, proporcionando uma ferramenta confiável para análises de grande escala em um cenário de pesquisa cada vez mais globalizado.