Citado não é escrito: como ligar um paper a quem o escreveu
· By Lucian Fialho
The blog is written in Portuguese for now.
A ficha de um modelo cita vários papers, e só um deles costuma ser da organização. As regras que usamos para separar, e por que nome igual não basta.
A ficha de um modelo no Hugging Face costuma citar papers do arXiv. A tentação é dizer que a organização escreveu todos. Não escreveu: ela cita o próprio artigo, mas também o do modelo-base e o do método que usou.
O conceito: atribuição
Atribuir é responder "de quem é isto?" quando o dado não diz. O arXiv lista os autores de um paper, mas não a instituição de cada um. Então a autoria por uma organização é sempre uma inferência, e o que importa é quais sinais contam e qual erro custa mais.
Há dois erros possíveis. Deixar de creditar um paper que é da organização, e creditar um que não é. O segundo é pior: põe no perfil de alguém um trabalho alheio.
As regras
Um paper é atribuído a uma organização quando:
- o título traz o nome de um modelo ou dataset dela, ela cita o paper, e o paper não é mais de um ano anterior à primeira publicação dela. Sem esse limite de data, o mapa creditaria à organização o artigo de onde ela tirou o nome;
- ou a organização cita o paper e ele tem autor em comum com outro já atribuído a ela.
Há um terceiro caminho, pelas pessoas mapeadas de cada organização. Aqui o risco é o homônimo, e ele recai sobre uma pessoa real. Por isso nome igual não basta: precisa de um segundo sinal, como a organização citar o paper ou outro autor também estar no mapa.
Comparar nomes também tem regra. "Thales Almeida" e "Thales Sales Almeida" são tratados como a mesma pessoa. "Thales Almeida" e "Thales Souza", não.
Quando a regra erra
Existe um arquivo de curadoria em que uma pessoa diz de quem é um paper e por quê. A decisão humana vence a regra, sempre, e fica registrada com o motivo.
O resultado
Dos 304 papers do arXiv citados nas fichas, 82 foram atribuídos a alguma organização. Os outros aparecem como "citado por", que é o que de fato se sabe.
Uma versão anterior usava a contagem de citações como sinal de autoria. Saiu: quem cita muito um paper é quem o usa, não quem o escreveu.