Normalizar identificadores de referencias entre fuentes (W-id ↔ DOI) para acoplamiento multi-base

[complexluise]

De dónde sale

Retroalimentación de uso real end-to-end (bib2graph v0.9.0): construcción de un corpus exhaustivo multi-fuente (~58.000 registros de OpenAlex + Crossref → 52.022 únicos) sobre la recepción de Kant, proyectado a acoplamiento bibliográfico. Triage contra dev: sigue válido.

El problema

En un corpus multi-fuente, las referencias de cada paper conviven sin normalizar:

• OpenAlex referencia con IDs propios (W…).
• Crossref referencia con DOIs.

El acoplamiento bibliográfico usa Col.REFERENCES_ID crudo (networks/projectors.py:216), no Col.REFERENCES_DOI (que existe, constants.py:68) ni un espacio común. Resultado: dos papers de fuentes distintas que citan el mismo trabajo no se enlazan, porque sus referencias no matchean (W… ≠ DOI). En un mapa exhaustivo multi-base —el caso de uso de más valor— el acoplamiento queda subestimado.

Los ADR 0035/0036 anclan la identidad de papers en el DOI, pero no tocan las referencias. Esto es un hueco real, no algo ya decidido.

La pregunta de diseño

¿Debería bib2graph normalizar las referencias a un espacio común (idealmente DOI) antes de proyectar el acoplamiento? Y si sí, ¿cómo?

Ejes a discutir:

• Alcance: ¿normalización opt-in (un paso explícito) u automática en la ingesta/preproceso (línea de ADR 0031)?
• Mecanismo: ¿reusar la resolución DOI↔source_id que ya existe (seed --resolve, ADR 0038) y el motor de extracción de external_ids (ADR 0036)? ¿resolución offline vs. con red?
• Cobertura/honestidad: los W… sin DOI conocido no se pueden unificar — ¿se reportan como cobertura parcial (estilo reporte de calidad, ADR 0018)?
• Costo: resolver referencias a DOI puede implicar muchas llamadas; ¿presupuesto/caché?

Por qué Discussion y no issue

Toca identidad de referencias y el contrato de proyección: amerita decidir la dirección antes de implementar. Si cuaja, se gradúa a ADR (relacionada 0035/0036/0018/0031) y de ahí a issue de implementación.

Esfuerzo estimado de la solución: medio-alto.

---

Origen: retroalimentación de uso real (bib2graph v0.9.0, corpus Kant 52.022 pubs, multi-fuente OpenAlex+Crossref).