Coocorrência de palavras-chave em dados abertos da Capes

teses e dissertações em Ciência da Informação

Autores

DOI:

https://doi.org/10.35699/2237-6658.2021.37157

Palavras-chave:

Padrões de coocorrência, Dados Capes, Inteligência Artificial

Resumo

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

Não há dados estatísticos.

Referências

ARAÚJO, C. A. Bibliometria: evolução histórica e questões atuais. Em questão, Porto Alegre, v. 12, n. 1, p. 11-32, jan./jun. 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 de maio de 2016. Institui a Política de Dados Abertos do Poder Executivo federal. Diário Oficial [da] República Federativa do Brasil, Poder Executivo, Brasília, DF, 12 maio 2016. Seção 1, p. 21.

CHERVEN, K. Mastering Gephi network visualization: produce advanced network graphs in gephi and gain valuable insights into your network datasets. Birmingham: Packt Publishing, 2015.

COORDENAÇÃO DE APERFEIÇOAMENTO DE PESSOAL DE NÍVEL SUPERIOR (CAPES). Dados Abertos Capes. Brasília, 2019. Disponível em: https://dadosabertos.capes.gov.br. Acesso em: 24 jun. 2021.

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. In: DŽEROSKI, S.; LAVRAČ, N. (Ed.). Relational Data Mining. Berlin: Heidelberg, 2001. p. 28-47.

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, mar. 1998.

GARCÍA, A. Inteligência Artificial: fundamentos, práctica y aplicaciones. Madrid: RC Libros, 2012.

GIL, A. C. Métodos e técnicas de pesquisa social. 6. ed. São Paulo: Atlas, 2008.

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, 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, Bethesda, 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, João Pessoa, 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: Revista de Filosofia Temática, Belém, v. 3, n. 1, p. 50-60, jan./jun. 2018.

TAN, P.; STEINBACH, M; KUMAR, V. Introdução ao datamining: mineração de dados. Rio de Janeiro: Ciência Moderna, 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, mar. 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.

ZHU, L. et al. Keywords co-occurrence mapping knowledge domain research based on the theory of Big Data in oil and gas industry. Scientometrics, [S.l.], v. 105, n. 1, p. 249-260, ago. 2015.

ZINS, C. Conceptual approaches for defining data, information, and knowledge. Journal af the American Society For Information Science And Technology, [S.l.], v. 58, n. 4, p. 479-493, abr. 2007.

Downloads

Publicado

2021-12-04

Como Citar

MARQUES, F. B.; MARQUES, Y. B.; MACULAN, B. C. M. dos S. Coocorrência de palavras-chave em dados abertos da Capes : teses e dissertações em Ciência da Informação. Múltiplos Olhares em Ciência da Informação, Belo Horizonte, n. Especial, 2021. DOI: 10.35699/2237-6658.2021.37157. Disponível em: https://periodicos.ufmg.br/index.php/moci/article/view/37157. Acesso em: 5 nov. 2024.

Artigos mais lidos pelo mesmo(s) autor(es)