Pular para conteúdo

0014 · Redes de coautoria e citação

  • Estado: aceita
  • Data: 2026-09-28
  • Marco: v2.0

Contexto

A versão 1 deixou a vista Redes reservada ("na versão 2"). O cache da coleta já tinha o necessário para a coautoria: os ids de autor e os ORCIDs do OpenAlex, que eram descartados na normalização, e as afiliações casadas pela geografia. Para as citações, as referências da ArticleMeta estão no cache bruto, mas quase nunca trazem DOI (no piloto, 2,2% no campo próprio, v237, e 5,3% em qualquer campo; de 0,3% a 17% conforme a revista); o OpenAlex tem as referências já resolvidas (referenced_works), a 1 crédito por 100 obras.

Decisões

  1. Identidade das pessoas por union-find, em ordem de confiança: o ORCID conferido pelo nome; o mesmo id do OpenAlex ou o mesmo ORCID; a autoria sem id na única pessoa de mesmo nome; homônimos e grafias variantes com um coautor ou uma instituição em comum. O resto vai para mapa redes --revisar e para o pessoas.yaml, cujo nao_fundir também desfaz as fusões automáticas. Alternativa descartada: casar nomes por semelhança sem evidência (fundiria homônimos comuns na área, como "Silva"). O raciocínio e as medidas estão em "Identidade: o que o piloto mostrou", abaixo.
  2. Pesos fracionários (1/(n − 1) por par em cada artigo com n autores distintos): cada autor reparte 1 entre os coautores de cada artigo, e o artigo soma n/2. A ideia é a da contagem fracionária da geografia (ADR 0008), mas a unidade é o autor, e não o artigo: a força de uma pessoa é o número de artigos com coautor, e os artigos com muitos autores não dominam a rede. Os pesos são somados como frações exatas (arredondá-los mudava as comunidades). Na rede de instituições, a dupla afiliação de um autor só também liga as duas instituições: a rede é de instituições que dividem artigos (cerca de um décimo do peso vem desses artigos, no piloto).
  3. Comunidades por Louvain (networkx, resolução 1, semente 7), rotuladas pelos dois tópicos mais frequentes dos artigos delas, sem nome de pessoa. Dependência nova: networkx (BSD-3, Python puro, cerca de 2 MB, importado só dentro das funções das redes). igraph e graph-tool ficaram de fora pela licença e pelos binários.
  4. Desenho no Python, fixo: spring_layout por componente, com semente, empacotado em [-1, 1]. O navegador não recalcula o desenho: filtrar o recorte esmaece nós e arestas, e o mapa mental do leitor não muda a cada filtro. O exemplo sintético do contrato usa um desenho determinístico mais simples, porque o spring_layout varia na quarta casa decimal entre plataformas, e o exemplo é conferido byte a byte no CI.
  5. Citações pelo OpenAlex (referenced_works, em lotes de 100), e os metadados das 500 obras de fora mais citadas, das quais o cânone guarda as 200 primeiras. A coleta guarda as duas tabelas, e a segunda coleta faz 0 requisições. As referências da ArticleMeta (autores, título e ano, lidas do cache) entram na cobertura por referência e na conferência da autoria do cânone: o OpenAlex casa muitas referências a livros com o registro de uma resenha, com o resenhista como autor (11 das 60 primeiras obras do piloto, como "Theory of International Politics" atribuída a Joseph Frankel, 1980). Com três ou mais referências de mesmo título, o autor que as referências não citam sai, e o autor e o ano vêm delas; registros da mesma obra (mesmo primeiro sobrenome, título igual, sem o subtítulo ou quase igual) somam. Alternativa descartada: tirar do cânone os registros de resenha (o livro sumiria, e ele é o mais citado). O casamento aproximado das referências da ArticleMeta por título, para as obras que o OpenAlex não resolve, fica para depois.
  6. Contrato 1.5: redes.json traz as pessoas (com id publicado; nenhum ORCID), as autorias por índice de documento (o navegador recalcula as arestas dentro do recorte, sem mandar uma lista de documentos por aresta), as instituições com o desenho, as comunidades, as métricas e as séries da colaboração. citacoes.json traz as citações internas, o cânone com os citantes, o fluxo entre macrotemas e a cobertura.
  7. Privacidade: os nomes dos autores já eram públicos no painel (são metadados bibliográficos dos artigos). O site não publica ORCIDs nem e-mails, e as histórias da abertura não fazem rankings de pessoas. O id publicado é um HMAC-SHA256 do id interno com um segredo do projeto guardado no estado.sqlite, e não um hash sem chave: a revisão mostrou que o SHA-256 truncado de orcid:… devolvia 58 ORCIDs do piloto em 26 s de força bruta. Um id sequencial num mapa interno também serviria, mas mudaria com a ordem das pessoas; o HMAC só muda quando a identidade da pessoa muda (ou o segredo se perde). O mapa publicar procura ORCIDs (com o dígito verificador), além de e-mails, em todos os JSON do site.

Identidade: o que o piloto mostrou

A primeira versão confiava no ORCID acima de tudo: dois ORCIDs diferentes nunca se juntavam ("quando o OpenAlex funde homônimos, o ORCID separa"), e dois homônimos só se juntavam com um coautor em comum. A auditoria da identidade (todos os casos julgados à mão, com coautores, instituições, revistas e títulos de cada lado) mostrou o contrário do que a regra supunha:

  • O ORCID errava para os dois lados. Os 8 ids do OpenAlex que o conflito de ORCIDs repartia em duas pessoas não eram homônimos fundidos: 5 eram a mesma pessoa com dois registros no ORCID, e 3 vinham de um ORCID trocado na fonte (o de um coautor). E a união por ORCID juntava 8 autorias de nomes incompatíveis (um autor com o ORCID de um coautor), com arestas falsas; em 2 delas a ArticleMeta e o OpenAlex discordavam do ORCID, e o código preferia o da ArticleMeta.
  • Manter homônimos separados errava quase sempre. Dos 32 pares de homônimos exatos que ficavam separados, 30 eram a mesma pessoa (93,8%, IC95% de Wilson 79,9%–98,3%); numa amostra de 30 dos 81 pares de grafias variantes (como "Maria Souza" e "Maria Lima Souza"), 12 eram (40%, IC95% 24,6%–57,7%). Já as fusões por nome não erraram (0 de 36). O erro dominante é a fragmentação: o OpenAlex dá vários ids à mesma pessoa.
  • A instituição separa bem. Juntar os homônimos com uma instituição casada em comum acertaria 22 dos 30 sem nenhuma fusão errada; nas variantes da amostra, 7 dos 12, também sem fusão errada.

Daí as regras de agora:

  1. o ORCID é conferido pelo nome antes de valer: se a ArticleMeta e o OpenAlex discordam, nenhum vale; um ORCID em autorias de nomes incompatíveis (nenhuma parte do nome depois da primeira em comum) fica só com o maior grupo de nomes compatíveis;
  2. o mesmo id do OpenAlex junta sempre, e o mesmo ORCID também, mesmo que a pessoa fique com dois ORCIDs; essas pessoas vão para a revisão. Assim nenhum id do OpenAlex fica em duas pessoas, salvo um nao_fundir explícito no pessoas.yaml;
  3. a autoria sem id nem ORCID entra na única pessoa de mesmo nome, como antes;
  4. homônimos e grafias variantes (o mesmo primeiro nome, as partes de um nome contidas nas do outro) se juntam com um coautor ou uma instituição em comum (as do OpenAlex, com a linhagem, e as casadas pela geografia), desde que todos os nomes de um grupo sejam comparáveis com todos os do outro: "Ana Silva" não emenda "Ana Maria Silva" com "Ana Paula Silva". Uma grafia curta não barra a união quando um nome por extenso (sem iniciais) contém todos os outros: "João Pedro Almeida Costa" junta "João Pedro Almeida" e "João Costa".

Medido com os mesmos julgamentos (os casos casados pelas autorias, na cópia do piloto): dos 30 pares de homônimos que eram a mesma pessoa, 25 agora se juntam, e os 2 que eram pessoas diferentes continuam separados; das variantes da amostra, 7 dos 12 se juntam, nenhuma das 18 distintas; os 8 ids repartidos e as 8 autorias com ORCID trocado estão corrigidos, e a varredura de fusões suspeitas (nomes incompatíveis na mesma pessoa) acha 0 casos, contra 8 antes (fora as grafias curtas juntadas de propósito por um nome por extenso: 2 no piloto). Das 36 fusões por nome, 35 continuam; a outra virou um par de homônimos na revisão, porque a autoria ganhou um id do OpenAlex com o alinhamento novo. Os homônimos sem coautor nem instituição em comum (5 dos 30) continuam na revisão: um nome igual sozinho não basta, porque os dois pares distintos também eram nomes iguais.

Números do piloto

Rodada de 28/09/2026 (10 revistas, 4.275 documentos, 2010–2025), com as referências do OpenAlex coletadas uma vez (48 requisições; as coletas seguintes vêm do cache).
Pessoas 4.190 (3.021 com algum coautor)
Rede de coautoria 3.837 arestas, 654 componentes; o maior tem 1.004 pessoas (33%); 38 comunidades numeradas, modularidade 0,96
Rede de instituições 462 instituições com coautoria entre si, 1.123 arestas, 27 componentes (o maior com 406, 88%)
Identidade 17 pessoas com dois ORCIDs (a mesma pessoa, conferido à mão), 5 ORCIDs de outro nome retirados, 69 pares para revisar
Citações dentro do corpus 4.923 (nenhuma anacrônica; 7 autorreferências)
Cobertura 3.976 dos 4.275 documentos têm referências no OpenAlex; nos 4.171 documentos casados, a ArticleMeta lista 201.288 referências e o OpenAlex resolve 105.602 (52% no total; mediana de 50% por documento)
Cânone 200 obras de fora do corpus, citadas por 1.790 documentos; 55 chegaram por um registro de resenha e 62 tiveram a autoria conferida nas referências

Uma auditoria metodológica independente recalculou esses números do zero, com scripts próprios, e julgou à mão as fusões e separações de pessoas: nenhuma fusão errada em 80 pessoas julgadas (IC 95% de 0 a 4,6%); dos 9 pares de homônimos que ficaram separados, 7 são a mesma pessoa, e vão para a revisão (mapa redes --revisar).

Consequências

  • mapa redes é uma etapa nova (ETAPAS), rápida e sem modelo.
  • A coleta faz cerca de 1 requisição a cada 100 artigos a mais, só na primeira vez.
  • O cânone é enviesado para obras indexadas no OpenAlex (ver "Limitações e vieses").