مراجعة تطابق ملفات الباحثين: مشاريع تخرج علم البيانات البحثية

يظهر اسم الباحث بصيغ مختصرة أو بلغات مختلفة، وقد يعمل باحثان بالاسم نفسه في تخصصين متباعدين. إذا جمع فريق بيانات الاستشهادات أو المؤلفين اعتماداً على تشابه الاسم، فقد يضم أعمال شخصين أو يقسم سجل شخص واحد إلى ملفات متعددة. هذا المشروع من مشاريع تخرج علم البيانات البحثية لا ينشئ هوية قطعية؛ يرتب السجلات المرشحة ويعرض الدليل المؤيد والمعارض، ثم يطلب مراجعة عند الحاجة.

صغ الخطأين قبل قياس المطابقة

هناك حالتا فشل مختلفتان: الدمج الخاطئ يجمع إنتاج باحثين، والفصل الخاطئ يوزع أعمال شخص واحد على أكثر من ملف. كلاهما يغير الإحصاءات اللاحقة. حدد أثر كل منهما على تطبيقك قبل بناء الخوارزمية؛ إذا كانت الأداة لوحة استكشاف لا تستخدم قراراً إدارياً، يظل الخطأ مؤذياً لكنه يختلف عن استخدامه في التقييم الوظيفي.

اكتب سياسة تمنع تحويل التطابق المقترح إلى اعتماد تلقائي. لا تجمع أي معلومات خاصة من خارج المصادر العامة، ولا تستخدم الانتماء الأكاديمي كقرينة وحيدة لأن الأشخاص ينتقلون بين الجامعات. واجعل مسار «غير محسوم» متاحاً. هذه ليست ثغرة في النظام؛ إنها نتيجة أمينة حين لا تكفي البيانات.

رتب الإشارات مع تفسيرها

توثيق OpenAlex يذكر تشابه الاسم، ونمط المشاركين في الأوراق، والانتماء، والموضوع، والاستشهادات، وORCID عند توفره. يمكن استخدام واجهة Authors API لاستكشاف الملفات والأعمال، بينما يتيح توثيق ORCID قراءة بيانات السجل وفق مستوى الإتاحة. لا تتوفر جميع الإشارات لكل سجل، وقد لا يكون الاسم متسقاً بين المصدرين.

حوّل الإشارات إلى أسباب منفصلة: «معرّف ORCID مطابق»، «الموضوع قريب»، «الانتماء مختلف»، أو «اسم شائع». لا تعرض مجموعاً مثل 0.93 من دون تعريف طريقة حسابه. إذا استخدمت نموذج ترتيب، فاجعل المراجع يفتح سجلات المصدر ويعرف ما الذي رفع ترتيب مرشح على آخر، ولا تصف الدرجة كاحتمال هوية إلا إذا كانت معايرة ومختبرة لهذا الغرض.

مجموعة صغيرة يصنعها الباحثون بعناية

اختر سجلات عامة لعينة من تخصص واحد وآخر متعدد التخصصات. اطلب من اثنين من الطلاب أو المشرفين وسم أزواج السجلات: الشخص نفسه، شخصان مختلفان، أو لا نملك أدلة كافية. لا تجعل اسم الجامعة أو مجال البحث حقيقة ذهبية. احتفظ برابط كل سجل ووقت الاطلاع، واحذف أي تفاصيل شخصية ليست ضرورية للتجربة.

صمم العينة لتشمل أسماء عربية منقحرة بأكثر من طريقة، وأسماء مشتركة، وباحثاً غير اسمه بعد الزواج أو الانتقال، وسجلاً بلا ORCID. استخدم اختلاف التهجئة لتقييم تطابق الاسم، لكن انتبه ألا تضع نسختين من المصدر نفسه في التدريب والاختبار. وثق خلافات الموسمين، ولا تحذفها بصمت؛ اختلاف البشر جزء من حدود المهمة.

مثال يبيّن أهمية القرينة المضادة

لنفترض وجود ملفين باسم «س. الخطيب». الأول منشوراته في هندسة المياه بجامعة، والثاني في الأدب الحديث بمؤسسة أخرى. تشابه الاسم وحده يرشحهما، لكن المجال والانتماء يقدمان إشارتين مضادتين. يجب أن تعرض الواجهة هذا التعارض وتضع المرشح في قائمة مراجعة، لا أن تدمج السجلين اعتماداً على درجة اسم مرتفعة.

في المقابل، قد يستخدم باحث تهجئتين لاتينيتين، ويظهر ORCID نفسه في سجلين ومشاركين مشتركين في عدة أوراق. هذا دليل أقوى لكنه لا يعني أن كل المصادر محدثة. اعرض رابط المصدرين والإشارة المطابقة، واسمح للمراجع بقبول القرار مع سبب. الأمثلة تعليمية وليست حالات استعلام فعلية.

قِس الدمج والفصل على حدة

أنشئ مجموعة اختبار لا تظهر للمطور أثناء ضبط القواعد، ثم احسب precision وrecall لكل من قرار الدمج وقرار الفصل، إضافة إلى نسبة الحالات التي أحالها النظام. معدل accuracy الإجمالي قد يكون مضللاً إذا كانت الأزواج غير المتطابقة أكثر بكثير من المتطابقة. قارن قاعدة الاسم وحدها بخوارزمية متعددة الإشارات، وافحص الأداء في الأسماء الشائعة وغير اللاتينية.

راجع عينة من أعلى المطابقات وعينة من الحالات التي رفض النظام دمجها، مع تسجيل السبب. اختبر ماذا يحدث عند غياب ORCID أو تغير الانتماء أو اختلاف ترتيب أسماء المؤلفين. لا تحسب التنبؤ الذي أعاد النظام نفسه بوصفه تحققاً مستقلاً. ينبغي أن يعيد مراجع لا يعرف قرار الخوارزمية وسم مجموعة فرعية لقياس جودة الحقيقة المرجعية.

استخدام محدود ومسؤول

ملف مؤلف في قاعدة بيانات ليس إثباتاً قانونياً للهوية. قد تتغير المعرفات أو تدمج المصادر سجلات ثم تصححها؛ لذلك احفظ نسخة من البيانات المستعملة وتاريخها، ولا تعرض ملفاً مقترحاً كحقيقة في صفحة عامة. وفر آلية تصحيح أو رابطاً لمصدر البيانات. لا تستخدم هذه الأداة لترتيب الباحثين أو اتخاذ قرارات توظيف أو تمويل.

ORCID معرّف مهم حين يقدمه الباحث، لكنه ليس متاحاً لكل الأشخاص ولا يضمن أن كل سجل منشور مرتبط به. الانتماء قد يتغير، واسم المؤلف قد يظهر ناقصاً في بيانات الناشر. اجعل غياب الإشارة حالة مستقلة لا قرينة سلبية. وإذا كانت قواعد البيانات تختلف، اعرض مصدر كل حقل بدلاً من دمجها في سجل يبدو موحداً بلا تاريخ.

ماذا يقدم مشروع التخرج؟

يخرج الفريق بموصل API محدود، ومخطط سجل موحد يحتفظ بالمصادر، وواجهة مراجعة مرشحين، ومجموعة حالات تقييم مجهولة الهوية، وتقرير يشرح أخطاء الدمج والفصل. ضع حدود طلبات لكل خدمة، وتعامل مع الانقطاع أو رمز 429 من دون إفساد النتائج المحفوظة. لا تخزن بيانات أكثر مما يلزم لإعادة التجربة.

هذا موضوع مناسب ضمن مشاريع التخرج في علوم الحاسوب والبيانات. ويتصل بـمسار تتبع المراجع، لكنه يدرس هوية المؤلفين لا علاقة الادعاء بمصدره. يمكن أن يكون الناتج مفيداً حتى لو انتهت نسبة معتبرة من المرشحين إلى «غير محسوم»؛ وضوح حدود المعرفة أهم من دمج تلقائي واسع.