Coocorrência de palavras-chave em dados abertos da Capes teses e dissertações em Ciência da Informação
Palavras-chave:
Redes de coocorrência, Dados Capes, Inteligência ArtificialResumo
O grande volume de dados produzidos, armazenados e disponibilizados para acesso tornou os computadores imprescindíveis para transformá-los em informação processável pelo homem. Com a mineração de textos, as palavras extraídas podem ser utilizadas no apontamento de relações entre elementos textuais internos ou externos a eles. Neste estudo, apresenta-se uma pesquisa em andamento que busca a descoberta de padrões de coocorrência de palavras-chave nas dissertações e teses do domínio da Ciência da Informação brasileira, utilizando técnicas de inteligência artificial aplicadas aos dados abertos da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes). A metodologia se caracteriza como de natureza aplicada, com objetivos exploratórios de descritivos, e com procedimentos de análise quanti-qualitativos. O método utilizado é quantitativo, na forma de um estudo métrico, com a análise baseada nos princípios da teoria dos grafos. Espera-se que os resultados evidenciem a possibilidade de parcerias entre pesquisadores, tendências de pesquisa, temas pouco explorados, entre outros elementos.
Downloads
Referências
ALMEIDA, E. C. de; GUIMARÃES, J. A. A pós-graduação e a evolução da produção científica brasileira. São Paulo: Senac, 2013.
ARAÚJO, C. A. Bibliometria: evolução histórica e questões atuais. Em questão, Porto Alegre, v. 12, n. 1, p. 11-32, 2006.
ARAÚJO, C. A. Fundamentos da Ciência da Informação: correntes teóricas e o conceito de informação. Perspectivas em Gestão & Conhecimento, João Pessoa, v. 4, n. 1, p. 57-79, jan./jun. 2014.
BRASIL. Decreto no 8.777, de 11 maio de 2016. Institui a Política de Dados Abertos do Poder Executivo federal. Diário Oficial da União: seção 1. Brasília, DF, ano 195, n. 90, p. 21, 12 maio 2016.
CAPES. Dados Abertos Capes. [S.l.], 2019. Disponível em: https://dadosabertos.capes.gov.br. Acesso em: 24 jun. 2021.
CHERVEN, K. Mastering Gephi network visualization: produce advanced network graphs in gephi and gain valuable insights into your network datasets. Birmingham: Packt Publishing, 2015.
DURIAU, V. J.; REGER, R. K.; PFARRER, M. D. A content analysis of the content analysis literature in organization studies: research themes, data sources, and methodological refinements. Organizational Research Methods, [S.l.], v. 10, n. 1, p. 5-34, jan. 2007.
FAYYAD, U. Knowledge discovery in databases: an overview. Relational Data Mining, [S.L.], p. 28-47, 2001.
FELDMAN, R.; DAGAN, I.; HIRSH, H. Mining text using keyword distributions. Journal Of Intelligent Information Systems, [S.l.], v. 10, n. 3, p. 281-300, 1998.
GARCÍA, Alberto. Inteligência Artificial: fundamentos, práctica y aplicaciones. Madrid: RC Libros, 2012.
GODIN, B. On the origins of bibliometrics. Scientometrics, [S.l.], v. 68, n. 1, p. 109-133, jul. 2006.
GUERREIRO, A. J. C. Análise de redes sociais: aplicação a uma rede de clientes. 2012. 73f. Dissertação (Mestrado em Análise de Dados e Sistemas de Apoio à Decisão) - Faculdade de Economia Universidade do Porto. Porto: FEU, 2012.
KHOKHAR, D. Gephi Cookbook: over 90 hands-on recipes to master the art of network analysis and visualization with gephi. Birmingham: Packt Publishing, 2015.
LE COADIC, Y. F. A Ciência da Informação. 2. ed. Brasília: Briquet de Lemos, 2004.
LEE, H; YI, G-S.; PARK, J. C. E3Miner: a text mining tool for ubiquitin-protein ligases. Nucleic Acids Research, [S.l.], v. 36, n. 1, p. 416-422, maio 2008.
LÓSCIO, B. F.; BURLE, C.; CALEGARI, N. Boas Práticas para Dados na WEB: desafios e benefícios. Revista Principia - Divulgação Científica e Tecnológica do Ifpb, [S.l.], v. 1, n. 32, p. 9, 26 dez. 2016.
SANTOS, B. R. P.; CAMILO, E. S.; MELLO, M. R. G. Big data e Inteligência Artificial: aspectos éticos e legais mediante teoria crítica. Complexitas - Rev. Fil. Tem., Belém, v. 3, n. 1, p. 50-60, jan./jun. 2018.
TAN, P; STEINBACH, M; KUMAR, V. Introdução ao datamining: mineração de dados. Ciência Moderna: Rio de Janeiro, 2009.
TSAI, H-H. Research trends analysis by comparing data mining and customer relationship management through bibliometric methodology. Scientometrics, [S. l], v. 87, n. 3, p. 425-450, 2011.
WANG, L. et al. G-Hadoop: mapreduce across distributed data centers for data-intensive computing. Future Generation Computer Systems, [S.l.], v. 29, n. 3, p. 739-750, mar. 2013.
ZINS, C. Conceptual approaches for defining data, information, and knowledge. Journal Of The American Society For Information Science And Technology, [S.l.], v. 58, n. 4, p. 479-493, 2007.
ZHU, Lin et al. Keywords co-occurrence mapping knowledge domain research base on the theory of Big Data in oil and gas industry. Scientometrics, [S.l.], v. 105, n. 1, p. 249-260, ago. 2015.
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Categorias
Licença
Copyright (c) 2021 Fórum de Pesquisas Discentes do Programa de Pós-Graduação em Gestão e Organização do Conhecimento / UFMG
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Qualquer usuário tem direito de:
- Compartilhar — copiar, baixar, imprimir ou redistribuir o material em qualquer suporte ou formato
- Adaptar — remixar, transformar, e criar a partir do material para qualquer fim, mesmo que comercial.
De acordo com os seguintes termos:
- Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de maneira alguma que sugira ao licenciante a apoiar você ou o seu uso.
- Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
