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

Resumo Técnico: O Ônus da Colisão de Nomes no OpenAlex e o Remédio SigmaCV

Definição do Problema
A avaliação de pesquisa responsável depende da atribuição correta de trabalhos acadêmicos a pesquisadores específicos. No entanto, uma parte significativa da prática atual ainda atribui trabalhos com base em sequências de nomes (strings) em vez de identificadores persistentes. Essa abordagem falha sistematicamente para sobrenomes comuns e para nomes romanizados de escritas não latinas (particularmente nomes do Leste Asiático), levando a "colisões de nomes", onde múltiplas entidades de autores distintas compartilham o mesmo nome normalizado. O artigo postula que essa ambiguidade não é simétrica; o ônus da colisão de nomes recai desproporcionalmente sobre pesquisadores com nomes do Leste Asiático, criando uma precondição estrutural para uma avaliação inequitativa. Embora trabalhos anteriores tenham estabelecido a direção desse efeito, este artigo visa quantificar a magnitude do ônus em toda a população de autores detentores de ORCID em dados acadêmicos abertos.

Metodologia
O estudo utiliza um snapshot único e completo do banco de dados OpenAlex de março de 2026, compreendendo aproximadamente 113,6 milhões de entidades de autores. A análise foca nos ~4,63 milhões de autores dentro deste snapshot que possuem um ORCID iD.

• Estratificação da População: Os autores são estratificados pelo país de sua última instituição conhecida em três grupos:

  • Leste Asiático: Japão, China, Coreia do Sul, Taiwan, Hong Kong.
  • Anglófono: EUA, Reino Unido, Austrália, Canadá, Nova Zelândia, Irlanda.
  • Outros: Europa Continental e Brasil (servindo como uma linha de base grosseira de escrita latina).
  • Nota: O país é usado como um proxy para a origem do nome e exposição à romanização, não como etnia autorrelatada.

• Operadores de Correspondência: Os autores definem um operador de nome exato transparente e autodefinido (minúsculas, remoção de acentos, colapso de espaços em branco) para computar contagens de colisão para três estratégias de atribuição distintas:

  1. Contagem de Entidade de Nome Completo (Limite Superior): O número de entidades de autor do OpenAlex que compartilham o mesmo nome normalizado exato. Isso inclui uma potencial fragmentação excessiva do banco de dados.
  2. Contagem Restrita ao ORCID (Limite Inferior Conservador): O subconjunto de correspondências de nome completo que também possui um ORCID. Como ORCIDs distintos representam pessoas reais distintas, isso serve como um proxy conservador para o número de indivíduos reais distintos que compartilham o mesmo nome.
  3. Inicial + Sobrenome (Pior Caso Legado): O número de entidades que compartilham a mesma inicial do primeiro nome e sobrenome, representando o pior cenário para a correspondência baseada apenas na string do nome (ex: estilos de citação legados).

• Análise Estatística: O estudo computa estatísticas populacionais exatas (medianas, intervalos interquartis, percentis 90) em vez de estimativas de amostragem. Utiliza correlação de rank-biserial ($r$) para medir os tamanhos de efeito entre os estratos e regressão binomial negativa para ajustar por volume de publicação, campo e idade da carreira.

Principais Resultados
O estudo constata que o ônus da colisão de nomes é grande e marcadamente desigual entre as origens de nomes, com a disparidade aumentando à medida que as estratégias de atribuição se tornam menos específicas.

• Estratégia Restrita ao ORCID (Proxy de Pessoa Real):

  • O pesquisador médio do Leste Asiático compartilha seu nome com 3 pessoas reais distintas (IQR 1–17).
  • Em contraste, o pesquisador médio anglófono e do grupo "Outros" possui um nome único (mediana 1).
  • 10,5% dos pesquisadores do Leste Asiático compartilham o nome com pelo menos 100 pessoas reais distintas, comparado a 0,9% para anglófonos e 0,1% para o grupo "Outros".
  • O tamanho do efeito é grande ($r = -0,49$ vs. Anglófono; $r = -0,55$ vs. Outros).

• Estratégia de Entidade de Nome Completo:

  • O pesquisador médio do Leste Asiático corresponde a 9 entidades (vs. 1 para os outros), refletindo tanto colisões reais quanto a fragmentação excessiva do banco de dados.

• Estratégia de Inicial + Sobrenome (Pior Caso Legado):

  • A disparidade é mais extrema aqui. O pesquisador médio do Leste Asiático colide com 4.846 identidades distintas (IQR 1.240–16.548).
  • 92,3% dos pesquisadores do Leste Asiático colidem com pelo menos 100 identidades sob esta estratégia.
  • As medianas dos anglófonos e de "Outros" são 69 e 34, respectivamente.
  • Os tamanhos de efeito são muito grandes ($r = -0,71$ e $r = -0,74$).

• Testes de Robustez:

  • Volume de Publicação: Uma regressão binomial negativa ajustando pelo número de publicações mostra que o estrato do Leste Asiático ainda carrega aproximadamente de 6,5 a 8,6 vezes o número esperado de colisões do estrato anglófono. A lacuna não é um artefato da maior produtividade entre autores do Leste Asiático.
  • Análise de Sensibilidade: A reclassificação dos autores por sobrenome, em vez de país da instituição, reforça a lacuna observada, confirmando que o proxy de país é conservador.

Contribuições

1. Quantificação da Ambiguidade de Nome: O artigo fornece a primeira quantificação direta e de população total do ônus da colisão de nomes em dados acadêmicos abertos. Ele decompõe o ônus em três camadas (entidades de nome completo, pessoas reais restritas ao ORCID e correspondências de iniciais baseadas em legado), demonstrando que, para nomes do Leste Asiático romanizados, a atribuição baseada em iniciais não é um incômodo menor, mas uma falha categórica.
2. SigmaCV: Os autores apresentam o SigmaCV, uma aplicação web de código aberto (Apache-2.0) e FAIR que monta currículos acadêmicos por identificador persistente (ORCID) em vez de por nome. Serve como uma instância implementada do princípio de que a atribuição deve ser ancorada em identificadores para evitar a ambiguidade baseada em nomes.

Significância e Alegações
O artigo alega medir a ambiguidade de nome, que é uma precondição necessária para a atribuição inequitativa, mas distingue explicitamente isso de um dano de avaliação demonstrado.

• Escopo da Alegação: Os autores afirmam que medem a exposição ao risco (o ônus da colisão), não as consequências subsequentes (ex: distorções específicas de citações ou resultados de avaliação). Eles argumentam que um ônus grande e distribuído de forma desigual torna possíveis indicadores inflados e citações mal atribuídas, ameaçando, assim, a equidade da avaliação de pesquisa.
• Remédio: O artigo defende uma correção estrutural: mudar a atribuição de strings de nomes para identificadores persistentes. Eles enfatem que isso é um consenso do campo (implementado pelo OpenAlex, Scossus, Web of Science e ORCID) e não uma invenção nova, e que o SigmaCV é uma implementação desse princípio.
• Limitações e Trocas de Equidade (Trade-offs): Os autores reconhecem que sua população é restrita a detentores de ORCID, o que significa que o remédio proposto (atribuição baseada em identificadores) beneficia atualmente aqueles que já possuem identificadores. Eles observam que a adoção do ORCID é desigual globalmente, portanto, enquanto o ancoramento por identificador resolve o problema da ambiguidade de nome para os identificados, pode deslocar a lacuna de equidade para um requisito de "dever possuir um identificador". Eles não alegam que esta seja uma solução completa para todos os pesquisadores, mas argumentam que é uma correção necessária para a população identificada.

Em resumo, o artigo fornece evidências empíricas de que a atribuição baseada em nomes cria um risco sistematicamente maior de confusão para pesquisadores do Leste Asiático em comparação com seus homólogos anglófonos e europeus, motivando uma mudança para sistemas baseados em identificadores como o SigmaCV para garantir uma avaliação de pesquisa justa.