💻 computer science

A Cooperative Multi-Agent Framework for Author Name Disambiguation

Este artigo apresenta o AIDA-AND, um framework multiagente cooperativo que integra representações semânticas com evidências de metadados interpretáveis por meio de agentes especializados para alcançar uma desambiguação de nomes de autores competitiva, modular e eficiente, reduzindo significativamente o tempo de execução ao mesmo tempo em que melhora o desempenho em conjuntos de dados de referência.

Autores originais: Natan de Souza Rodrigues, Samuel Gomes dos Santos, Vitória Maria Diniz Pereira, Célia Ghedini Ralha

Publicado 2026-08-20

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Natan de Souza Rodrigues, Samuel Gomes dos Santos, Vitória Maria Diniz Pereira, Célia Ghedini Ralha

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Nos vastos arquivos digitais da ciência moderna, onde milhões de artigos de pesquisa são armazenados e pesquisados, um problema silencioso, mas persistente, ameaça distorcer nossa compreensão de quem fez o quê. Quando um pesquisador publica um artigo, seu nome é a chave primária usada para encontrar seu trabalho, acompanhar sua carreira e medir seu impacto. No entanto, os nomes são frequentemente ambíguos. Dois cientistas diferentes podem compartilhar exatamente o mesmo nome, ou um único cientista pode publicar sob variações ligeiramente diferentes de seu nome, como um nome completo em um artigo e uma inicial em outro. Sem uma maneira de organizar isso, os trabalhos de pessoas diferentes podem ser agrupados em um único perfil confuso, enquanto o trabalho de uma pessoa pode ficar espalhado por vários perfis diferentes. Essa confusão distorce as estatísticas usadas para avaliar o progresso científico e torna difícil visualizar o verdadeiro panorama da colaboração. A tarefa de desembaraçar esses nomes e atribuir corretamente cada artigo ao seu verdadeiro autor é conhecida como desambiguação de nome de autor, um desafio crítico para qualquer pessoa que tente compreender a literatura científica mundial.

Para resolver isso, uma equipe de pesquisadores de universidades do Brasil desenvolveu um novo sistema chamado AIDA-AND. Em vez de depender de um único algoritmo massivo que tenta processar todas as informações de uma só vez, eles construíram uma equipe cooperativa de agentes digitais especializados. Imagine um grupo de especialistas em uma sala, cada um com um trabalho específico: um observa a grafia dos nomes, outro verifica os tópicos dos artigos, um terceiro examina com quem os autores trabalharam, e outros observam quando os artigos foram publicados e onde os autores estavam empregados. Nesse framework, cada agente atua de forma independente, reunindo evidências e formando uma opinião sobre se dois artigos foram escritos pela mesma pessoa. Essas opiniões são então reunidas por um agente de decisão que pondera as evidências, considerando o quão fortes e confiáveis são cada uma das informações, para tomar uma decisão final. Essa abordagem permite que o sistema seja transparente e ajustável, permitindo que os pesquisadores vejam exatamente quais pistas levaram a uma decisão e quanta confiança depositar em cada tipo de evidência.

Os pesquisadores testaram esse sistema em duas grandes coleções de dados científicos do mundo real, conhecidas como AMiner12 e DBLP, que contêm milhares de nomes de autores ambíguos. Eles compararam sua nova equipe multiagente contra outros métodos existentes, incluindo sistemas complexos que utilizam redes de grafos e modelos de inteligência artificial. Os resultados mostraram que a abordagem cooperativa foi altamente eficaz, particularmente no conjunto de dados AMiner12, onde superou todos os outros métodos na identificação correta de pares de artigos escritos pelo mesmo autor. O sistema alcançou uma taxa de sucesso significativamente maior do que o segundo melhor método, sugerindo que combinar diferentes tipos de evidências através de uma equipe de especialistas é uma estratégia poderosa. No conjunto de dados DBLP, embora outro método tenha tido um desempenho ligeiramente superior no geral, o novo sistema ainda produziu resultados competitivos e demonstrou que poderia lidar com a complexidade dos dados do mundo real sem a necessidade de construir redes de conexões massivas e intrincadas.

Um achado fundamental do estudo foi que o desempenho do sistema dependeu fortemente da qualidade e do tipo de informação disponível. Os pesquisadores descobriram que os agentes responsáveis por verificar as grafias dos nomes, o significado semântico e as relações de coautoria foram os mais influentes na tomada de decisões corretas. Quando esses agentes específicos foram removidos da equipe, a precisão do sistema caiu drasticamente, provando que essas pistas são essenciais. No entanto, o sistema também mostrou que ter acesso a informações institucionais, como a universidade ou organização à qual um autor pertence, fez uma diferença significativa em conjuntos de dados onde essa informação estava disponível. Isso destaca que o sistema é flexível; ele pode se adaptar a diferentes tipos de dados, embora funcione melhor quando possui uma rica variedade de pistas para trabalhar.

Além da precisão, os pesquisadores descobriram que sua abordagem baseada em equipes era notavelmente rápida. Ao executar os agentes em paralelo e evitar a necessidade de construir grafos matemáticos complexos ou treinar modelos pesados de inteligência artificial para cada decisão, o sistema completou suas tarefas muito mais rápido do que os métodos concorrentes. Em um teste, ele terminou o trabalho na metade do tempo e, em outro, foi quase oito vezes mais rápido. Essa velocidade, combinada com a capacidade de explicar seu raciocínio, sugere que o framework oferece uma alternativa prática e eficiente para organizar os registros científicos mundiais. O estudo conclui que, embora nenhum método seja perfeito para todas as situações, uma equipe cooperativa de agentes especializados fornece uma maneira robusta, interpretável e rápida de resolver o enigma duradouro da desambiguação de nome de autor.

Resumo Técnico: Um Framework de Multiagentes Cooperativos para Desambiguação de Nomes de Autores

Definição do Problema
A Desambiguação de Nomes de Autores (AND - Author Name Disambiguation) é um desafio crítico em bibliotecas digitais e gestão de dados bibliográficos. Nomes de autores ambíguos — decorrentes de homônimos (autores diferentes com nomes semelhantes) e sinônimos (o mesmo autor usando variantes de nome) — levam à atribuição incorreta de publicações, perfis de autores fragmentados e indicadores bibliométricos distorcidos. Embora a AND seja frequentemente formulada como uma tarefa de agrupamento (clustering), o processo de decisão requer a síntese de fontes de evidência heterogêneas e frequentemente ruidosas, incluindo dados nominais, coautoria, locais de publicação, instituições e informações temporais. As abordagens existentes variam de heurísticas baseadas em regras a modelos complexos baseados em grafos e pipelines de Grandes Modelos de Linguagem (LLMs), que podem sofrer com altos custos computacionais, falta de interpretabilidade ou dependência de inferência repetida.

Metodologia: O Framework AIDA-AND
O artigo propõe o AIDA-AND (Agent-based Intelligent Disambiguation of Authors), um sistema multiagente cooperativo (MAS) projetado para modularizar o processo de AND. O framework decompõe a tarefa de desambiguação em agentes especialistas que avaliam fontes de evidência específicas, coordenados por um orquestrador e um agente de decisão.

Arquitetura e Agentes: O sistema utiliza sete agentes especialistas:
- Agente Nominal: Avalia strings de nomes, sobrenomes, iniciais e variantes usando sobreposição de tokens, similaridade de strings e similaridade de Jaccard.
- Agente Semântico: Computa a similaridade semântica usando embeddings em cache do modelo IBM Granite (granite-embedding-311m-multilingual-r2) aplicados a metadados (títulos, resumos, palavras-chave, etc.).
- Agente Social: Analisa a sobreposição de coautores, concedendo bônus para coautores compartilhados repetidos.
- Agente Temporal: Avalia a compatibilidade do ano de publicação, penalizando grandes lacunas temporais.
- Agente Institucional: Avalia afiliações, organizações e domínios de e-mail.
- Agente de Decisão: Agrega as opiniões dos agentes especialistas.
- Orquestrador: Coordena a comunicação entre os agentes usando o protocolo SPADE/XMPP e atualiza os clusters previstos.
Pontuação de Evidência e Estratégia de Decisão:
Cada agente especialista produz uma pontuação e um valor de confiança baseados em regras heurísticas configuráveis (não aprendidas de dados rotulados). O Agente de Decisão calcula uma pontuação agregada ponderada ( $S$ ) e uma confiança global ( $C$ ) usando a fórmula:
$S = \frac{\sum w_g c_g s_g}{\sum w_g c_g}$
onde $w_g$ , $c_g$ e $s_g$ representam o peso, a confiança e a pontuação do agente $g$ , respectivamente. A decisão final (fusão, não fusão ou incerteza) é determinada comparando a pontuação agregada contra um limiar de fusão configurável e aplicando regras de conflito (ex: lidar com compatibilidade nominal fraca ou conflitos institucionais).
Execução: O framework processa blocos de nomes de autores ambíguos em grupos paralelos. Ele evita a construção de grafos, Redes Neurais Convolucionais de Grafos (GCN) e Agrupamento Hierárquico Aglomerativo Melhorado por Grafos (GHAC), baseando-se, em vez disso, em sinais heurísticos leves combinados com embeddings semânticos.

Principais Contribuições

Arquitetura Multiagente Cooperativa: Um sistema modular que separa a avaliação de evidências em agentes especialistas para dados nominais, semânticos, sociais, temporais e institucionais.
Estratégia de Decisão Configurável: Um mecanismo para combinar evidências ponderadas, limiares de fusão e regras de conflito sem exigir aprendizado de ponta a ponta de dados rotulados.
Implementação SPADE/XMPP: Uma implementação prática de comunicação e coordenação de agentes usando a plataforma SPADE e mensagens XMPP.
Avaliação Abrangente: Uma avaliação experimental nos conjuntos de dados AMiner12 e DBLP, incluindo comparações com baselines (ATGEP, MD Similarity, Higher-order SA e ComMAND), análise de sensibilidade de limiar, estudos de ablação e avaliação de tempo de execução.

Resultados Experimentais

Desempenho no AMiner12: O AIDA-AND alcançou o maior escore de F1 pareado (pF1) (0,834) entre todos os métodos comparados, superando o segundo melhor (MD Similarity, 0,784) com uma melhoria relativa de 6,4%. Também alcançou o maior recall pareado (0,875). No entanto, o ComMAND superou o AIDA-AND em métricas de nível de cluster (ACP, AAP e K).
Desempenho no DBLP: No conjunto de dados DBLP, o ComMAND alcançou os valores mais altos em todas as métricas. O AIDA-AND obteve um pF1 de 0,605 e um valor K de 0,805. A precisão pareada mais baixa (0,536) indicou uma taxa maior de fusões falsos positivos em comparação aos baselines, provavelmente devido à ausência de dados de afiliação na versão do DBLP utilizada, o que limitou a contribuição do Agente Institucional.
Estudo de Ablação: A remoção dos agentes Nominal, Semântico ou Social resultou nas quedas mais significativas no pF1, confirmando estes como os componentes mais influentes. Os agentes Temporal e Institucional forneceram sinais complementares, mas menos dominantes.
Eficiência de Tempo de Execução: Sob as configurações de execução paralela adotadas (5 grupos para AMiner12, 20 para DBLP), o AIDA-AND reduziu o tempo de execução em 50,1% no AMiner12 e 87,4% no DBLP em comparação ao ComMAND. Esta eficiência é atribuída à evasão da construção de grafos e treinamento de GCN, combinada com o processamento paralelo.

Significância e Alegações
Os autores posicionam o AIDA-AND como uma alternativa competitiva, modular e interpretável para combinar evidências semânticas e heurísticas em AND. O framework aborda a necessidade de transparência na tomada de decisão, contrastando com abordagens de "caixa-preta" baseadas em grafos ou pesadas em LLM. Os resultados sugerem que, embora métodos baseados em grafos (como o ComMAND) possam gerar uma consistência de cluster superior em certos contextos, a abordagem multiagente cooperativa oferece um caminho viável para recuperar pares de mesmos autores, particularmente quando múltiplas fontes de metadados estão disponíveis. Os autores enfatizam que o desempenho do framework é sensível às características do conjunto de dados (ex: disponibilidade de dados de afiliação) e que o limiar de fusão deve ser ajustado por conjunto de dados. O trabalho conclui que o AIDA-AND demonstra com sucesso que um processo de decisão cooperativo baseado em agentes pode equilibrar eficazmente evidências heterogêneas sem depender de aprendizado de grafos complexos ou inferência repetida de LLM.

Resumo Técnico: Um Framework de Multiagentes Cooperativos para Desambiguação de Nomes de Autores

Mais como este