[論文レビュー] Can we track the geography of surnames based on bibliographic data?

Nicolás Robinson‐García, Ed Noyons+1 more|arXiv (Cornell University)|Mar 18, 2015

China's Ethnic Minorities and Relations参考文献 14被引用数 4

ひとこと要約

本稿では、2つの統計的手法を用いて、文献情報データを用いて姓のルーツを地理的に特定する手法を提案している。1つは、姓と国との対応付けを、姓が最も頻繁に現れる国に割り当てる方法であり、もう1つはカルバック・ライブラーダイバージェンスを用いたものである。さらに、ジニ指数を用いた評価も行われている。この手法は、科学者的な移動の流れや姓のルーツを追跡する上で有望な結果を示しているが、さらなる検証が必要である。

ABSTRACT

In this paper we explore the possibility of using bibliographic databases for tracking the geographic origin of surnames. Surnames are used as a proxy to determine the ethnic, genetic or geographic origin of individuals in many fields such as Genetics or Demography; however they could also be used for bibliometric purposes such as the analysis of scientific migration flows. Here we present two relevant methodologies for determining the most probable country to which a surname could be assigned. The first methodology assigns surnames based on the most common country that can be assigned to a surname and the Kullback-Liebler divergence measure. The second method uses the Gini Index to evaluate the assignment of surnames to countries. We test both methodologies with control groups and conclude that, despite needing further analysis on its validity; these methodologies already show promising results.

研究の動機と目的

• 文献情報データベースが姓の地理的起源を推定できるかどうかを調査すること。
• 頻度と分布のパターンに基づいて、姓を国に割り当てる統計的手法を開発・検証すること。
• 制御群を用いて、姓から地理へのマッピングの信頼性と正確性を評価すること。
• 姓に基づく地理的推定を用いた、文献情報学の新たな応用を可能にすること、例えば、著者の所属機関を用いて科学的移動の流れを分析すること。

提案手法

• 最初の手法では、姓と国との対応付けを、姓-国データベースにおける出現頻度が最も高い国に割り当てる。この際、カルバック・ライブラーダイバージェンスを用いて、姓の分布と各国固有の分布との距離を測定する。
• 2番目の手法では、ジニ指数を用いて、姓の国別割り当ての集中度を評価し、姓が特定の国に強く関連しているかどうかを特定する。
• 姓の地理的起源が既知の制御群を用いて、両手法の正確性を検証する。
• 直接的な民族的・遺伝的データを必要とせず、著者の所属機関や出版記録などの既存の文献情報データを活用して、姓の起源を推定する。
• カルバック・ライブラーダイバージェンスは、観察された姓の分布と、各国ごとの期待される分布との相違を定量化するために用いられる。
• ジニ指数は、国ごとの姓の割り当ての不平等度を評価するもので、値が高くなるほど特定の国への集中度が強いことを示す。

実験結果

リサーチクエスチョン

• RQ1 文献情報データは、姓の地理的起源を信頼性を持って推定できるか？
• RQ2 カルバック・ライブラーダイバージェンスは、姓の最も確率の高い起源国への割り当てにおいてどの程度正確か？
• RQ3 ジニ指数は、姓と国との関連性の特異性をどの程度反映しているか？
• RQ4 これらの手法を著者の所属機関に適用することで、科学的移動のパターンを特定できるか？
• RQ5 姓の起源が既知の制御群を用いてテストした場合、これらの手法はどの程度の性能を示すか？

主な発見

• カルバック・ライブラーダイバージェンス手法は、分布パターンの比較によって、姓の最も確率の高い起源国を効果的に特定できた。
• ジニ指数は、姓の国別割り当ての集中度を効果的に測定でき、特定の国に強く関連する姓を示すのに有効であった。
• 両手法とも、制御群を用いたテストにおいて、姓の地理的起源への割り当てで有望な結果を示した。
• 本研究では、文献情報データが姓の地理的起源を追跡する代替的手段として有効であることを示した。
• 前向きな結果が得られたものの、著者らは、手法の堅牢性を確認するためのさらなる検証が必要であると指摘している。