Correlações entre grupos de pesquisa da Ciência da Informação no Brasil: uma abordagem baseada em palavras-chave (DOI: 10.13140/RG.2.2.14230.78407)

Autores

Resumo

Analisar correlações entre grupos de pesquisa vem tendo um apelo crescente nos últimos anos. A identificação de proximidade entre diferentes projetos de pesquisa pode não apenas contribuir para desencadear novas parcerias, mas também para otimizar de recursos e compartilhar resultados. No Brasil, o Sistema de Currículos Lattes do Conselho Nacional de Desenvolvimento Científico e Tecnológico é uma fonte rica de informações sobre a vida acadêmica e profissional de professores, pesquisadores e estudantes. Os currículos Lattes apresentam informações, boa parte delas atualizadas, em formato de texto semiestruturado. Este trabalho propõe identificar correlações entre grupos brasileiros de pesquisa em Ciência da Informação por meio da análise de palavras-chave contidas nos resumos informativos e nas descrições dos projetos de pesquisa encontrados nos currículos Lattes dos participantes destes grupos. A análise apresentada a seguir foi feita com a aplicação de técnicas de mineração de texto nos currículos Lattes de pesquisadores vinculados a 27 programas de pós-graduação em Ciência da Informação de 24 instituições brasileiras de ensino superior, totalizando 399 currículos analisados. Entre os resultados obtidos, foi possível se identificar algumas tendências de pesquisa existentes entre os grupos e vinculá-las às áreas de Ciência da Informação, Arquivologia, Biblioteconomia e Museologia. Foi também possível se identificar os termos de pesquisas mais utilizados no momento. Além disso, a análise de ocorrência dos termos permitiu se identificar as áreas que concentram a maior parte da pesquisa em Ciência da Informação no Brasil, bem como perceber que existe uma propensão dos pesquisadores em utilizar certos termos para descrever suas pesquisas e seus resumos informativos.

Referências

Andrade, P. H. M. A. D. (2015). Aplicação de Técnicas de Mineração de Textos para Classificação de Documentos: um Estudo da Automatização da Triagem de Denúncias na CGU. Brasília, 2015. 65p. Dissertação (Mestrado Profissional em Computação Aplicada). Disponível em: https://repositorio.unb.br/handle/10482/21004. Acesso em: 26 jun. 2020.

Aranha, C., & Passos, E. (2006). A tecnologia de mineração de textos. Revista Eletrônica de Sistemas de Informação, 5(2). Disponível em: http://www.periodicosibepes.org.br/index.php/reinfo/article/view/ 17. Acesso em: 30 jun. 2020. doi: https://doi.org/10.21529/RESI.2006.0502001.

Dias, T. M. R., & Moita, G. F. (2016). Um estudo da produção científica brasileira a partir de dados da Plataforma Lattes. 2016. 181 p. Tese (Doutorado em Modelagem Matemática e Computacional) - Centro Federal de Educação Tecnológica de Minas Gerais, Belo Horizonte, 2016. Disponível em: https://sig.cefetmg.br/sigaa/verArquivo?idArquivo=2033874&key=d8d1d2008e1ebe20f0f136527af3a222. Acesso em: 30 jun. 2020.

Domingues, M. L., Favero, E. L., & Medeiros, I. P. (2007). Etiquetagem de Palavras para o Português do Brasil. In Proceedings of the 5th Workshop in Information and Human Language Technology (TIL’2007), Rio de Janeiro, Brazil (pp. 1721-1724). p. 1721-1724. Disponível em: http://www.nilc.icmc.usp.br/til/til2007/arq0179.pdf. Acesso em: 20 jun. 2020.

Dutra, S. T., Lezana, Á. G. R., Dutra, M. L., & Pinto, A. L. (2019). A Bibliometric Analysis of the Scientific Production and Collaboration between Graduate Programs in Manufacturing Engineering in Brazil. Informação & Sociedade, 29(1). Disponível em: https://periodicos.ufpb.br/index.php/pbcib/article/view/47991. Acesso em 20 jun. 2020.

Feldman, R., & Sanger, J. (2007). The text mining handbook: advanced approaches in analyzing unstructured data. Cambridge university press. Disponível em: https://www.researchgate.net/publication/200504395_The_text_mining_handbook_Advanced_approaches_in_analyzing_unstructured_data. Acesso em 22 jun. 2020.

Hearst, Marti A. (1999). "Untangling text data mining". Proceedings of the 37th annual meeting of the Association for Computational Linguistics on Computational Linguistics. pp. 3–10. doi:10.3115/1034678.1034679. ISBN 978-1-55860-609-8.

Ingersoll, G., Morton, T., & Farris, A. (2013). Taming text. How to Find, Organize, and Manipulate It, Shelter Island, NY/London. Disponível em: https://www.aclweb.org/anthology/P99-1001.pdf. Acesso em: 25 jun. 2020. doi: https://dl.acm.org/doi/10.3115/1034678.1034679

Lattes, P. (2007). Currículo Lattes. Disponível em: http://lattes.cnpq.br/. Acesso em: 30 Mai 2020.

Machado, A. P., Ferreira, R., Bittencourt, I. I., Elias, E., Brito, P., & Costa, E. (2010). Mineração de texto em Redes Sociais aplicada à Educação a Distância. Revista Digital da CVA-RICESU, 6(23). Disponível em: https://www.semanticscholar.org/paper/Mineração-de-texto-em-Redes-Sociais-aplicada-à-a-Machado-Ferreira/60a045db477689ddd00997ef18d30381fe2ee34c. Acesso em: 12 jun. 2020.

Madeira, R. D. O. C. (2015). Aplicação de técnicas de mineração de texto na detecção de discrepâncias em documentos fiscais (Doctoral dissertation). Disponível em: https://bibliotecadigital.fgv.br/dspace/handle/10438/14593. Acesso em 12 jun. 2020.

Mena-Chalco, J. P., & Júnior, C. (2013). Prospecção de dados acadêmicos de currículos Lattes através de scriptLattes. Bibliometria e Cientometria: reflexões teóricas e interfaces. São Carlos: Pedro & João, 109-128. Disponível em: https://www.researchgate.net/profile/Jesus_Mena-Chalco/publication/280113692_Prospeccao_de_dados_academicos_de_curriculos_Lattes_atraves_de_scriptLattes/links/55aa9a8f08aea3d086827791.pdf. Acesso em 20 jun. 2020.

Neves, P. I., Corrêa, D. A., & Cavalcanti, M. C. (2013). Uma análise sobre abordagens e ferramentas para Extração de Informação. Seção de Engenharia e Computação–Instituto Militar de Engenharia (IME). Departamento de Informática–Universidade Federal Rural do Rio de Janeiro (UFRRJ). Laboratório Nacional de Computação Científica (LNCC). Disponível em: http://rmct.ime.eb.br/arquivos/RMCT_3_tri_2013/RMCT_123_E8A_13.pdf. Acesso em: 10 jun. 2020.

Rajman, M., & Besançon, R. (1998). Text mining: natural language techniques and text mining applications. In Data mining and reverse engineering (pp. 50-64). Springer, Boston, MA. Disponível em: https://link.springer.com/chapter/10.1007/978-0-387-35300-5_3. Acesso em: 15 jun. 2020.

Sarkar, D. (2016). Text analytics with Python: A practical real-world approach to gaining actionable insights from your data. New York: Apress; 2016.

Tan, A. H. (1999). Text mining: The state of the art and the challenges. In Proceedings of the PAKDD 1999 Workshop on Knowledge Disocovery from Advanced Databases (Vol. 8, pp. 65-70). sn. Disponível emhttp://: http://www.ntu.edu.sg/home/asahtan/papers/tm_pakdd99.pdf. Acesso em 05 jun. 2020.

Trevisan, A. C. (2015). Mineração de textos no Twitter (Bachelor's thesis, Universidade Tecnológica Federal do Paraná). Disponível em: http://repositorio.roca.utfpr.edu.br/jspui/bitstream/1/6659/1/CT_COSIS_2015_1_01.pdf. Acesso em: 20 jun. 2020.

Weiss, S. M., Indurkhya, N., & Zhang, T. (2015). Fundamentals of Predictive Text Mining. New York: Springer, 2010. 226 p. (Texts in Computer Science).

Downloads

Publicado

2020-07-21

Edição

n. 1 (2020)

Seção

Artigos

Licença

La revista AWARI utiliza la licencia Creative Commons CC-BY 4.0. Esta licencia permite a otros distribuir, remezclar, adaptar y crear a partir de su trabajo, incluso con fines comerciales, siempre que le den el debido crédito por la creación original.