0008. Geografia: afiliações casadas com as instituições do OpenAlex¶

Status: aceita (M4)
Data: 2026-09-26
Marco: M4

Contexto¶

A vista Geografia do M4 conta a produção por UF, país e instituição. A ArticleMeta traz a afiliação de cada autor, mas de dois jeitos:

a v240, normalizada pelo SciELO: nome da instituição "mãe", cidade, UF por extenso e país em ISO-2. No piloto, quase só a partir de 2014: são 20 afiliações v240 de 2010 a 2013 e 4.071 depois;
a v70, como o autor escreveu: "USP", "PUC-Rio", "Universidade de Maryland", "Centro de Formação da Câmara dos Deputados", com o país às vezes errado ("Universidade de Cambridge, Brasil"). São 1.129 afiliações v70 até 2013 e 1.552 depois.

Contar direto pelos textos daria dezenas de grafias para a mesma instituição. O Felipe decidiu usar o OpenAlex/ROR como base: a instituição canônica vem do OpenAlex, casada com a afiliação da ArticleMeta do mesmo artigo e conferida pelo país; uma tabela de apelidos editável corrige erros; mapa geografia --revisar lista o que não casou.

O OpenAlex tem, para cada autor, as instituições que reconheceu e o texto de afiliação de onde as tirou. Nos artigos antigos, esse texto muitas vezes é um pedaço do PDF raspado ("Em maio de 2007 o Ministério Público Federal ingressou…", "Falwell, de Susan Harding"), e a instituição que o OpenAlex liga a ele não tem relação com o autor (Harding University, Diversitech, a American Society of Safety Professionals para Edmund Burke).

Decisão¶

Registros das instituições na coleta. A coleta busca no OpenAlex os registros das instituições das autorias e das que estão acima delas (siglas, nomes alternativos, país, região, cidade, tipo, linhagem), em lotes de 100, com cache em brutos/. A geografia roda sem rede.
Autores alinhados entre as duas fontes pela posição quando o sobrenome confere, depois pelo sobrenome. No piloto, 7.011 de 7.069 pares.

Candidatos do mais próximo ao mais distante (geografia/casamento.py):

Nível	Candidatos	Exigência
`apelido`	`apelidos.csv` do pacote e `instituicoes.yaml` do projeto	texto igual
`autoria`	instituições que o OpenAlex deu ao mesmo autor	semelhança ≥ 0,5
`obra`	instituições de todos os autores da obra	≥ 0,75
`corpus`	o mesmo texto já casado nos níveis acima em outros documentos	2 casamentos, 80% de concordância
`indice`	todas as instituições conhecidas	≥ 0,9, com 0,1 de margem sobre a segunda

Um candidato do documento perde para um do índice que casa com 0,1 a mais (o OpenAlex deu "Universidade Cidade de São Paulo" a quem escreveu "Universidade de São Paulo"). No índice, um texto que não nomeia uma organização ("Estado de São Paulo") não casa, e um empate sem país na fonte é desfeito a favor do país mais comum do corpus ("USP" é a de São Paulo, não a San Pablo CEU). 4. Semelhança: Dice ponderado por IDF entre conjuntos de palavras, sem acentos e sem palavras vazias, com as palavras genéricas traduzidas para uma forma só ("university", "universidad" → "universidade"), os nomes compostos de UF juntados numa palavra ("Rio Grande do Sul") e as categorias "Instituto Federal" e "CEFET" juntadas também. Compara-se o texto inteiro e cada parte dele (separada por vírgula, parênteses, " - "), sem as partes que são só um lugar, e a organização que contém uma unidade ("… da Universidade de Brasília"). Uma sigla do registro que aparece no texto casa direto, se as outras palavras da mesma parte não contradizem o nome ("PUC Minas" não casa com a PUC do Chile, cuja sigla é "PUC"). 5. Vetos contra nomes parecidos: - palavras discriminantes diferentes nos dois nomes: federal, estadual, municipal, católica, rural, tecnológica, nova, livre, aberta e os pontos cardeais (UERJ × UFRJ, UFMS × UFMT, UTFPR × UFPR); - substituição: cada nome tem uma palavra distintiva que o outro não tem (Paraná × Pará, Administração × Saúde, Campinas × Rio). Sobrar palavras de um lado só (o departamento no texto, "College Park" no nome) não é conflito; - só um lugar em comum ("London" × "SOAS University of London"); - país diferente, quando a fonte informa o país. O veto vale mesmo quando a v70 erra o país: aceitar nomes idênticos de outro país casaria a Escola Superior de Guerra com a da Colômbia. 6. Subida na linhagem até a organização de ensino "mãe", como faz a v240: hospitais, centros e escolas de uma universidade contam para ela (HC-Unicamp → Unicamp; EAESP → FGV). Sobe só quem não é ensino ou tem nome de unidade (Escola, Faculdade, Instituto…), e só quando há uma mãe mais próxima: King's College London não sobe para a University of London, e um laboratório de duas universidades fica como está. instituicoes.yaml mantém separada a que o pesquisador quiser. 7. Instituições do OpenAlex sem texto da ArticleMeta (autores sem afiliação na ArticleMeta, documentos só do OpenAlex) valem só quando o texto que as sustenta parece uma afiliação (sem ano, sem cara de frase, sem "Cidade: Editora") e casa com o nome dela com semelhança ≥ 0,9. Os textos que não sustentam nenhuma instituição passam pelos níveis corpus e indice.

Evidência¶

scripts/calibrar_geografia.py no piloto (4.275 artigos, 967 instituições do OpenAlex), em 2026-09-26. Identificação por fonte:

Fonte	Vínculos	Identificados
`v240`	4.268	4.244 (99,4%)
`v70`	2.773	2.323 (83,8%)
OpenAlex (autores sem afiliação na ArticleMeta)	201	159 (79,1%)
Total	7.242	6.726 (92,9%)

O casamento do corpus inteiro leva menos de um segundo.

Precisão. Quatro rodadas de uma amostra estratificada por nível (semente 7, 200 vínculos cada) foram lidas uma a uma, comparando o texto com a instituição casada e, para os não casados, com os três melhores candidatos do índice. Cada rodada achou erros que viraram regra: o veto de substituição, a conferência das instituições do OpenAlex pelo texto, a subida só por unidades, o "Pará" que era palavra vazia, o "college" de College Park tratado como lugar. Depois disso, uma amostra independente (semente 2024, 200 vínculos, dados/0008-amostra-geografia.csv) mediu:

Nível	Rotulados	Certos	IC 95% (Wilson)	Vínculos no corpus
`apelido`	6	6	61–100%	12
`autoria`	60	60	94–100%	5.761
`obra`	20	20	84–100%	117
`corpus`	24	24	86–100%	438
`indice`	40	40	91–100%	260
`openalex`	20	18	70–97%	138

A precisão dos identificados, ponderada pelo tamanho de cada nível, é de 99,8%. Os erros restantes estão no nível openalex: textos raspados que citam uma organização ("Programa de Pós-Graduação … da Casa de Oswaldo Cruz", ligado pelo OpenAlex ao CNPq; "Movimento dos Trabalhadores Sem-Terra (MST) e da Comissão Pastoral da Terra (CPT)…", ligado à CPT). Depois da primeira leitura da amostra independente, duas regras desse nível mudaram (a exigência de 0,9 e o filtro "Cidade: Editora"); por isso a estimativa dele é um pouco otimista.

Dos 30 vínculos não casados da amostra, 26 não tinham a instituição certa entre os candidatos: INCTs, grupos de pesquisa, a Câmara Municipal de São Paulo, universidades que não aparecem em nenhuma autoria do OpenAlex. Os 4 que tinham ficaram de fora por uma trava: o país da fonte diferente do registro ("University of Macau" com o país "China", "Vanderbilt University" com "Brasil"), um empate sem margem (um centro do CONICET) e o nome em inglês de uma instituição que só tem apelido em português (IESP). Nas rodadas de desenvolvimento apareceram outros do mesmo tipo: "Universidade Católica do Rio de Janeiro" (PUC-Rio, 0,81), "Centro de Formação da Câmara dos Deputados" (Cefor, 0,76).

Contagem fracionária (geografia/contagem.py): cada documento vale 1, dividido entre os autores e, para cada autor, entre as afiliações dele; autores sem afiliação ficam com as afiliações que nenhum autor cita ou, sem elas, com "sem afiliação". No piloto, a soma dos pesos é exatamente 4.275 (um por documento), 223 (5,2%) vão para sem afiliação, e do peso com afiliação:

Medida	Piloto	Meta do plano
instituição identificada	93,7%	—
país conhecido	98,7%	≥ 97%
UF conhecida (do peso brasileiro)	99,2%	≥ 95%

A UF sai, nesta ordem, da fonte, da cidade da fonte (município único, capital ou a UF que a v240 do corpus dá à cidade), do instituicoes.yaml, da UF mais comum da instituição na v240 do corpus, e da região ou da cidade do registro no OpenAlex (a região falta em 45% dos registros brasileiros).

As 20 instituições com mais peso no piloto, conferidas uma a uma: USP, UnB, UFMG, UERJ, Unicamp, UFRJ, UFRGS, FGV, UFPR, UFPE, UFSC, PUC-Rio, UFSCar, UFF, Unesp, Unifesp, Cebrap, PUC Minas, UFBA e Ipea. A UERJ fica à frente da Unicamp por causa do IESP (antigo Iuperj), que a v70 escreve de vários jeitos.

Consequências¶

Sem correções, a v70 fica abaixo da meta de 85% do plano (83,8%). O que falta é, na maior parte, instituição que o índice não conhece, e isso se resolve pelo instituicoes.yaml do projeto, com mapa geografia --revisar listando os textos mais frequentes e as instituições parecidas. No piloto, uma rodada de revisão (22 apelidos e 6 instituições próprias, como o Centro de Estudos da Metrópole, a Escola Superior de Guerra e o INCT-INEU) leva a v70 a 86,5% e o total a 93,9%. As sugestões do --revisar precisam ser conferidas: para "Brazilian Center for Analysis and Planning" (o Cebrap), a mais parecida era o Centro Universitário de Brasília.
Autores com o país errado na v70 ficam sem instituição e contam no país que a fonte escreveu.
Os limiares ficam no topo de casamento.py. Mudá-los pede uma nova rodada de scripts/calibrar_geografia.py, que herda os rótulos já feitos (--anteriores) e mostra só os pares novos para rotular.
A amostra rotulada é uma leitura do Claude, não de um especialista em instituições brasileiras. O Felipe pode conferir dados/0008-amostra-geografia.csv (coluna rotulo).

Como reproduzir¶

uv run python scripts/calibrar_geografia.py projetos/cp-scielo
uv run python scripts/calibrar_geografia.py projetos/cp-scielo --rotulada docs/decisoes/dados/0008-amostra-geografia.csv