CiteRadar: A Citation Intelligence Platform for Researcher Profiling and Geographic Visualization

1. Declaração do Problema

Embora indicadores bibliométricos agregados (por exemplo, contagens totais de citações, índice h) sejam padrão para medir o impacto da pesquisa, eles não respondem a perguntas granulares críticas para o desenvolvimento de carreira, solicitações de financiamento e descoberta de colaborações. Os pesquisadores precisam saber:

• Quem está citando seu trabalho (nomes específicos, instituições e senioridade).
• Onde esses pesquisadores estão localizados globalmente.
• Quão influentes são individualmente os pesquisadores que citam.

As soluções existentes são inadequadas:

• Plataformas comerciais (Web of Science, Scopus) oferecem esses dados, mas exigem assinaturas institucionais caras.
• Google Scholar é gratuito e amplamente utilizado, mas expõe apenas contagens agregadas sem metadados estruturados por autor ou dados geográficos.
• APIs abertas (OpenAlex, CrossRef) fornecem dados brutos, mas exigem engenharia personalizada significativa para montar uma ferramenta automatizada e coesa.
• Ferramentas abertas existentes (por exemplo, CitationMap) carecem de desambiguação de autores, classificações estruturadas e enriquecimento de metadados de múltiplas fontes.

2. Metodologia

O CiteRadar é uma ferramenta de linha de comando Python de código aberto que automatiza um pipeline de cinco etapas para transformar um único ID de Usuário do Google Scholar em um relatório abrangente de inteligência de citações. O sistema integra cinco fontes de dados heterogêneas: Google Scholar, OpenAlex, CrossRef, Semantic Scholar e OpenStreetMap Nominatim.

Etapas do Pipeline:

1. Raspagem do Scholar e Rastreamento de Citações:
   • Raspa a lista completa de publicações de um perfil do Google Scholar.
   • Percorre os links "Citado por" para cada artigo com citações > 0.
   • Estratégia Anti-Bloqueio: Usa impressões digitais de navegador realistas, ritmo conservador de solicitações (atraso de 2s) e recuperação graciosa de erros 429 para evitar limitação de taxa.
2. Enriquecimento de Metadados (CrossRef):
   • Para artigos onde o Scholar truncou listas de autores (tipicamente >5 autores), o CiteRadar consulta a API do CrossRef usando correspondência de similaridade de título para recuperar listas completas e estruturadas de autores.
3. Perfilamento de Autores de Múltiplas Fontes:
   • Resolve metadados completos de autores (nome, instituição, país, cidade) por meio de uma cascata de prioridade:
     1. OpenAlex (Primária): Fornece IDs persistentes de autores e dados de instituições.
     2. Semantic Scholar (Secundária): Alternativa para nomes/afiliações.
     3. CrossRef (Terciária): Alternativa para nomes estruturados.
   • Correção de URL: Corrige um bug crítico onde URLs da web de instituições do OpenAlex eram buscadas em vez de endpoints de API, elevando a disponibilidade de dados em nível de cidade de 0% para ~60%.
4. Desambiguação e Classificação de Autores:
   • Implementa um Algoritmo de Desambiguação em Duas Etapas para evitar a mesclagem de entidades com "mesmo nome" (uma falha comum em bibliometria).
   • Etapa 1: Valida a instituição do autor candidato contra a instituição no nível do artigo registrada na Etapa 3 usando similaridade de string filtrada por palavras de parada.
   • Etapa 2: Se não houver um ID OpenAlex, busca por nome e filtra candidatos com base na similaridade de nome e correspondência de instituição.
   • Classificação: Gera duas tabelas classificadas: uma por frequência de citação (quantos artigos citaram o pesquisador) e outra por índice h (influência do pesquisador que cita).
5. Resumo e Visualização:
   • Gera um resumo estatístico em texto simples (pesquisadores únicos, países, instituições).
   • Cria um mapa mundial interativo HTML autocontido usando a biblioteca Folium.
   • Geocodificação: Usa OpenStreetMap Nominatim para converter pares cidade/país em coordenadas.
   • Visualização: Usa marcadores de círculo em escala logarítmica para representar a densidade de pesquisadores, evitando que cidades grandes obscureçam as menores.

3. Contribuições Técnicas Principais

O artigo identifica e resolve quatro desafios técnicos específicos:

1. Parser de Espaço Não Divisível Unicode: O HTML do Google Scholar usa U+00A0 (espaço não divisível) em vez de espaços padrão ao redor dos delimitadores. O CiteRadar implementa normalização Unicode explícita para analisar corretamente os campos de local e ano, que de outra forma permanecem vazios em parsers ingênuos.
2. Similaridade de Instituição Filtrada por Palavras de Parada: Para resolver a desambiguação de autores, o sistema filtra palavras de parada institucionais comuns (por exemplo, "Universidade", "de", "Lab") antes de calcular a similaridade de string. Isso evita correspondências falsas entre instituições distintas (por exemplo, "Texas Tech University" vs. "University of Texas") e reduz erros de atribuição de índice h em até 9 vezes.
3. Conversão de URL da API OpenAlex: Os autores descobriram que buscar dados de instituições via URL da web retornava HTML em vez de JSON. Eles criaram uma conversão de caminho (/openalex.org/ $\to$ /api.openalex.org/institutions/), aumentando a fração de autores com dados em nível de cidade de 0% para ~60%.
4. Escala Logarítmica de Mapa: O mapa interativo usa uma função de escala logarítmica para os raios dos marcadores ($r(n) = \max(7, 7 + 10 \log_2(n+1))$) e uma paleta de cores ordenada perceptualmente para visualizar efetivamente a densidade de citações sem desordem visual.

4. Resultados e Estudo de Caso

Os autores validaram o CiteRadar perfilando seu próprio perfil do Google Scholar (pesquisa em HPC e Sistemas de IA).

• Escala: O pipeline processou 134 pesquisadores citantes únicos em 11 países e 31 instituições.
• Insight Geográfico: Identificou um cluster dominante nos EUA (64%) e um cluster independente significativo na Coreia do Sul (9%), especificamente na Universidade Sogang.
• Sucesso na Desambiguação: O sistema distinguiu com sucesso pesquisadores com nomes semelhantes, filtrando entradas espúrias (por exemplo, nomes de conferências confundidos com autores) e atribuindo corretamente índices h.
• Descobertas Acionáveis:
  • Revelou a adoção da metodologia do autor por 20 pesquisadores no Laboratório Nacional de Oak Ridge (útil para propostas de financiamento do DOE).
  • Identificou pesquisadores seniores (índice h $\ge$ 50) citando o trabalho, fornecendo evidências qualitativas para casos de titularidade/promoção.
  • Descobriu impacto interdisciplinar (artigos de benchmarking de LLM citados por pesquisadores de design VLSI).

5. Significado

O CiteRadar preenche a lacuna entre dados brutos de citações e inteligência acionável para pesquisadores individuais.

• Acessibilidade: Democratiza o acesso à inteligência bibliométrica de alto nível anteriormente reservada para instituições com assinaturas caras.
• Granularidade: Vai além de "quantas" citações para "quem" e "onde", permitindo colaboração direcionada e planejamento estratégico de carreira.
• Reprodutibilidade: Como um único pacote pip install, oferece um fluxo de trabalho transparente e reproduzível para análise de citações.
• Robustez: Ao abordar peculiaridades específicas de parsing e limitações de API de grandes fontes de dados, estabelece um novo padrão de confiabilidade para ferramentas bibliométricas de código aberto.

Disponibilidade: A ferramenta é de código aberto (Licença MIT) e está disponível em https://github.com/chenxuniu/citeradar.