1 INTRODUÇÃO

Atualmente, serviços como bibliotecas digitais, redes de relacionamentos, repositórios bibliográficos e sítios para registro individual de produção científica, são alguns exemplos de como a internet tem contribuído consideravelmente na quantidade de trabalhos publicados permitindo que usuários não apenas acessem conteúdo disponível, mas também possam registrar a sua produção técnica e científica a partir de sua interação com a internet. Dessa forma, trabalhos publicados e disponibilizados pela internet são acessados de forma instantânea por interessados contribuindo de forma significativa para a expansão do conhecimento nas diversas áreas de pesquisa.

Nos últimos anos, além da produção científica, tem havido um constante crescimento no estudo das redes em relação às diversas disciplinas que vão desde a ciência da computação a áreas como a economia e sociologia. Uma rede pode ser caracterizada como um grafo, que consiste de um conjunto de nós (vértices) e ligações (arestas) entre os nós. Estas ligações podem ser, direcionadas ou não direcionadas, e podem, opcionalmente, ter um peso associado. A Internet, por exemplo, pode ser considerado um exemplo de uma rede importante e amplamente estudada em diversas áreas atualmente. Entre os vários tipos de redes, existem as redes sociais. Uma rede social é um conjunto de pessoas ou grupos que têm algum tipo de relação entre eles (NEWMAN, 2001a).

No domínio científico, um exemplo de uma rede social é a rede de colaboração científica que pode ser observada como um grafo no qual os vértices correspondem aos autores de publicações científicas e as arestas correspondem a relação de co-autoria. Neste tipo de rede, as arestas podem ou não ser ponderadas. A adição de peso pode representar, por exemplo, o número de artigos em conjunto que os autores publicaram. Vários trabalhos tem objetivado analisar redes de colaboração científica para compreensão de como grupos de pesquisa tem realizados seus trabalhado ou como determinada área realiza seus estudos (REVOREDO et al., 2012; BARABASI, OLTVAI, 2004; NEWMAN, 2004; NEWMAN, 2001b; NEWMAN, 2001c).

Com a modelagem e caracterização das redes é possível aplicar diversas técnicas que tem como objetivo, entender como estas redes estão estruturadas e consequentemente fornecer subsídios para diversos estudos como predição de vínculos entre pesquisadores, ranqueamento e classificação. Porém, a identificação destas colaborações em grandes bases de dados não é uma tarefa trivial devido a uma série de fatores inerentes a dificuldade de identificar vínculos, como a ambiguidade nos nomes de autores que são informados nos trabalhos publicados, a falta de citação de um determinado autor por seus pares, erros gramaticais nas citações, dentre outros.

Aliado a isso, a presença de dados de publicações disponíveis em diferentes formatos e em diferentes repositórios dificulta a realização de consultas por parte de usuários que necessitam de uma visão unificada desses dados ou da identificação de grupos de indivíduos que estejam trabalhando com determinado tema em diferentes instituições e regiões.

Diante disso, este trabalho tem como objetivo apresentar como os dados dispostos na Plataforma Lattes caracterizam-se como uma excelente alternativa para análise bibliométricas, possibilitando a adoção de diversas métricas para compreensão da comunidade científica brasileira.

Inicialmente é realizada a extração dos dados curriculares da Plataforma Lattes, e diante disso, é possível caracterizar redes de colaboração científica, bem como realizar análises bibliométricas que visam quantificar os dados extraídos. Essas análises são importantes pois podem revelar como as pesquisas científicas estão sendo conduzidas em todas as áreas do conhecimento.

Para o processo de extração de dados e caracterização das redes científicas deste projeto, foram utilizados dados da Plataforma Lattes do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq). Grande parte dos editais de financiamento de projetos feitos por instituições de amparo à pesquisa, como o próprio CNPq, utilizam os currículos Lattes dos pesquisadores como uma das formas de avaliação das propostas. Este fato motiva os pesquisadores a manter seus currículos com informações atualizadas, tornando a Plataforma Lattes uma fonte adequada para análise da produção científica brasileira. Figura1.

Os currículos que compõem a Plataforma Lattes se tornaram um padrão nacional utilizado na avaliação individual das atividades científicas, acadêmicas e profissionais, agrega dados de pesquisadores de todas as áreas do conhecimento, tornando a Plataforma uma fonte extremamente rica para investigar e compreender o comportamento de diversos grupos de pesquisa (DIGIAMPIETRI et al., 2012).

Em Lane (2010) é destacado que medir e avaliar o desempenho acadêmico passa a ser um fator crucial para a vida científica. Vários fatores para fazer esta avaliação e medição estão vinculados ao cálculos de métricas, porém, os sistemas atuais de medição são insuficientes para determinar respostas confiáveis. No trabalho são descritos os vários problemas na adoção das métricas normalmente utilizadas para, por exemplo classificar grupos ou instituições de pesquisa e os desafios na propostas de métricas eficazes.

No trabalho de Mena-Chalco, Cesar-Junior e Marcondes (2009), são descritos motivos que tornam a Plataforma Lattes um interessante estudo de caso:

Os currículos cadastrados se tornaram um padrão nacional e que vem sendo utilizado na avaliação individual das atividades científicas, acadêmicas e profissionais;

Pesquisadores nacionais de diversas áreas do conhecimento estão cadastrados na plataforma;

Impulsionada pelas políticas de C&T nos últimos anos, a ciência brasileira vem apresentando grande crescimento de produção acadêmica que podem ser acompanhado pela análise dos currículos cadastrados.

A escolha da Plataforma Lattes para a extração está relacionada ao fato de que ela possui uma vasta quantidade de dados, pois trata da integração de dados científicos de currículos e de instituições da área de Ciência e Tecnologia (C&T), registrando os dados acadêmicos, técnicos e as produções científicas, permitindo ainda que a atualização dos dados individuais seja realizada pelos próprios pesquisadores. Atualmente a Plataforma Lattes conta com aproximadamente 4.4 milhões de currículos cadastrados, estes currículos possuem informações sobre formação acadêmica, áreas de pesquisa, atuação profissional e orientações acadêmicas. Diversos trabalhos para análise de dados científicos têm utilizados a Plataforma Lattes como principal fonte de informações (FARIAS et al., 2012; MENA-CHALCO, DIGIAMPIETRI, CESAR-JUNIOR, 2012;ALVES, YANASSE, SOMA, 2011a; ALVES, YANASSE, SOMA, 2011b; ALVES, YANASSE, SOMA, 2011c; FERNANDES, SAMPAIO, SOUZA, 2011).

No entanto, trabalhos encontrados na literatura frequentemente se concentram em grupos específicos para análises, principalmente quando se faz análises baseadas em redes de colaboração, já que as técnicas frequentemente utilizadas possuem alto custo computacional.

2 PROCEDIMENTOS METODOLÓGICOS

Apesar dos dados dos currículos da Plataforma Lattes serem disponibilizados livremente, estes são visualizados por interface de consulta disponibilizada pelo CNPq, que apresenta os currículos individualmente, sem possibilidade de análises e comparações com outros currículos. Além disso, todas as possíveis seções contendo informações como áreas de pesquisa, atuação profissional e orientações que compõem os currículos não são obrigatórias, cada currículo apresenta uma estrutura, bem como inconsistências frequentemente encontradas nos dados que compõem cada currículo. Logo, se faz necessário, a adoção de técnicas envolvidas na elaboração de extratores web para a extração dos dados.

Com os currículos extraídos, outras extrações podem ser realizadas com o intuito de enriquecer ainda mais a base de dados, como os pesquisadores vinculados a grupos de pesquisa, os próprios grupos de pesquisa e suas linhas de atuação, que contém informações relevantes como palavras-chaves de interesse e indicadores de publicações destes grupos, que podem ser utilizados para realizar novos estudos. Todo o processo de extração dos dados foi realizado na plataforma de extração proposta por Dias et al. (2013).

A plataforma proposta pelos autores é responsável por extrair dados de diversos repositórios que contém informações científicas e acadêmicas. Os dados extraídos são integrados e armazenados em formato XML (eXtensible Markup Language) para que posteriormente possam ser analisados. O processo de extração de toda a base de dados curriculares da Plataforma Lattes é dividido em várias etapas que objetivam minimizar o custo computacional já que é preciso manter a base atualizada e nem todos os currículos são atualizados frequentemente, importante ainda considerar que os currículos atualizados podem ter novas informações inseridas, bem como a alteração e exclusão de informações já registradas. Além disto, considerando a necessidade de análises de grupos específicos como de uma instituição ou de um estado em particular, um mecanismo de seleção foi criado, responsável por gerar subgrupos de currículos baseados em critérios de interesse.

Com o auxílio da interface de consulta da Plataforma Lattes é realizada uma solicitação que retorna uma listagem contendo todos os currículos que estão cadastrados na plataforma. Após, são extraídos todos os link´s que possibilita o acesso a cada um dos currículos. Com isto, um extrator é responsável por acessar estes currículos e armazená-los em formato XML. Todos os currículos são armazenados em disco. Na etapa de extração, várias falhas estruturais que estão nos currículos são corrigidas, falhas estas que dificultam o processo de extração. Exemplos destes problemas são cursos de graduação e pós-graduação que estão informados como concluídos, mas que não possuem ano de conclusão, cursos de pós-graduação em andamento que não possuem ano de início.

Além dos currículos, também são extraídos dados de grupos e linhas de pesquisa da plataforma, para isso, de posse dos identificadores de cada um dos currículos Lattes, é possível verificar se um determinado pesquisador está vinculado ou não a algum grupo de pesquisa. Figura 2.

Caso ele esteja vinculado a um grupo de pesquisa, é possível extrair o identificar do referido grupo, e desta forma acessá-lo para posterior armazenamento, seguindo a mesma estratégia do extrator de currículos. Figura 3.

Por fim, todas as linhas de pesquisa da Plataforma lattes também são extraídas e armazenadas em formato XML. As linhas de pesquisa são importantes pois elas possuem um conjunto de palavras-chave que podem ser utilizadas para construção de corpus de termos de pesquisa e também, dados sobre áreas do conhecimento a que tais linhas possam estar vinculadas. Figura 4.

Além destes repositórios que compõem a Plataforma Lattes, também são extraídos junto aos repositórios da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), como por exemplo, dados sobre a relação de cursos de mestrado profissional, mestrado (acadêmico) e doutorado reconhecidos/recomendados pela CAPES, com nota igual ou superior a 3, o quais de publicações, e ainda, possíveis resumos de teses e dissertações de pesquisadores que tenham currículos Lattes cadastrados. Estes dados são importantes pois possibilitam realizar a análise dos cursos de pós-graduação strictu sensu no Brasil, por áreas, instituição ou por regiões. Além disto, também possibilitam complementar as informações dos currículos Lattes, já que nem todos os currículos possuem informações sobre a nota de avaliação dos cursos informados.

3 MODELAGEM E CARACTERIZAÇÃO

Aqui é apresentada uma caracterização geral dos dados contidos na Plataforma Lattes e publicados até o dia 05/04/2015, correspondente a 4.156.635 currículos. Como mencionado anteriormente, a Plataforma Lattes conta com milhões de currículos cadastrados e impulsionada pelos órgãos governamentais e por agências de fomento tem tido crescente aumento no número de usuários. É possível identificar que a plataforma vem agregando a cada dia novos usuários que registram informações sobre suas atividades profissionais, acadêmicas e de pesquisa se apresentando como uma fonte extremamente rica e consistente de informações que podem revelar como tem sido feita a pesquisa científica brasileira nas diversas áreas do conhecimento.

Com todos os currículos armazenados localmente em formato XML, a possibilidade de manipulação dos dados com flexibilidade permite explorar todo o potencial que os dados curriculares da Plataforma Lattes oferecem. A Tabela 1 apresenta um resumo de alguns dados que compõem o repositório, os valores apresentados correspondem a um somatória das publicações de cada um dos trabalhos registrados, independentemente se existe algum trabalho em colaboração, que neste caso é contabilizado mais de uma vez.

Tabela 1: Resumo dos principais dados da Plataforma Lattes (04/2015)

Importante ressaltar que cada pesquisador pode possuir um único currículo cadastrado, não existindo a possibilidade de dados duplicados sobre a produção de um mesmo pesquisador. Além disso, em cada currículo é possível identificar a data de sua última atualização. Tendo em vista que a atualização dos currículos é realizada pelos próprios pesquisadores, frequentemente são encontrados currículos que estão há algum tempo sem atualizações. A Figura 5, apresenta uma visão sobre a data da última atualização de todos os currículos extraídos.

É possível verificar que, apesar de existirem currículos com data da última atualização em 1997, a quantidade é baixa (201 currículos) se comparado com o número daqueles currículos atualizados nos anos posteriores, principalmente a partir de 2004 (39.248). A não atualização desses currículos pode ter motivos diversos e de difícil identificação, já que não é possível verificar as razões da falta de atualização de um determinado currículo. Porém, a grande maioria dos currículos possui data de atualização recente, cerca de 33% dos currículos (1.379.057) possuem data de última atualização em 2014 e 60,20% (2.502.331) foram atualizados nos últimos dois anos.

Com os currículos já extraídos e utilizando o conceito de grafos, onde os identificadores dos currículos são os vértices e as arestas são caracterizadas pela colaboração entre autores de trabalhos realizados em conjunto. O desafio está em identificar as colaborações em um grande volume de dados em tempo hábil, tendo em vista os diversos desafios envolvidos como duplicatas nos nomes de autores e divergência no título da mesma publicação quando cadastrada por co-autores.

O currículo a ser analisado pode possuir várias seções que irão permitir a identificação das colaborações com outros currículos, como por exemplo trabalhos ou orientações realizadas em conjunto. No entanto, por ausência de um processo automático de identificação de colaborações pela própria Plataforma Lattes, a relação de colaboradores de um pesquisador não é identificada automaticamente, como também acontece em outras bases de dados de publicações científicas. Logo, técnicas para a identificação das colaborações de forma automática se fazem necessárias para análise de grande volume de dados. Em Dias e Moita (2015), é proposto um método para a identificação de colaboração científica em grandes bases de dados e que foi adotada no presente trabalho para a construção das redes.

Com a aplicação de métodos para a identificação das colaborações, utilizando elementos como os citados anteriormente, é possível a modelagem das redes de colaboração e diante disso, várias métricas para análise de redes podem ser aplicadas objetivando extrair conhecimento sobre como estes grupos estão estruturados, como colaboram, possibilitando alavancar a produção científica nacional com este conhecimento adquirido. Exemplo de uma rede de colaboração composta por 23 pesquisadores de um programa de pós graduação do CEFET-MG pode ser observada na Figura 6.

Na Figura 6 cada vértice representa um pesquisador e o tamanho do vértice representa a quantidade de publicações que ele possui. Já as arestas entre os vértices são caracterizadas por publicações que pesquisadores realizaram em colaboração e a espessura das arestas indicam a quantidade de trabalhos que dois pesquisadores realizaram em conjunto. As cores dos vértices indicam as áreas de atuação de cada pesquisador. Diante disto, diversas métricas para classificação, agrupamento, ranqueamento, dentre outras podem ser aplicadas.

4 CONSIDERAÇÕES FINAIS

A extração e análise de grandes repositórios de dados se mostra como uma importante ferramenta para análise bibliométricas e análises baseadas em colaborações científicas. As análises bibliométricas possibilitam verificar como a produção científica evolui ao longos dos anos, já as colaborações refletem o possível intercâmbio e troca de conhecimento que em sua maioria começa com a relação orientador e orientando ou entre grupos interessados em determinados temas. O grande desafio está no processo de extração e integração dos dados já que repositórios frequentemente utilizados para análises possuem estruturas e formatos distintos.

Neste contexto, a Plataforma Lattes em especial os seus currículos se apresentam como uma excelente fonte de dados científicos, que são atualizados frequentemente e ainda com um crescimento diário no número de novos currículos, agregando novos dados permanentemente, sendo estes passíveis de análise para entendimento da ciência brasileira.

Com a adoção de uma plataforma para a extração e análise dos dados foi possível verificar todo o potencial de análise da produção científica brasileira, tendo como principal fonte de dados os currículos Lattes. Foi possível verificar que grande parte destes currículos possuem atualização recente e que os milhões de artigos publicados em anais de congressos e em periódicos, possibilitam a adoção de diversas métricas, como por exemplo, as baseadas em redes.

A exemplo do que foi realizado com os dados dos currículos Lattes, com as mesmas técnicas utilizadas na plataforma proposta, outros repositórios de dados científicos também podem ser recuperados, como por exemplo o número de citações de um determinado trabalho de repositórios como a Web of Science e Scopus.

REFERÊNCIAS

ALVES, A. D.; YANASSE, H. H.; SOMA, N. Y. LattesMiner: a multilingual DSL for information extraction from lattes platform. In: PROCEEDINGS of the Compilation of the Co-Located Workshops on DSM'11, TMC'11, AGERE!'11, AOOPES'11, NEAT'11; VMIL'11. Portland, Oregon, USA, ACM: 85-92, 2011a.

ALVES, A. D.; YANASSE, H. H.; SOMA, N. Y. Perfil dos bolsistas pq das áreas de engenharia de produçao e de transportes do cnpq: enfoque na subárea de pesquisa operacional. In: XLIII Simpósio Brasileiro de Pesquisa Operacional, Ubatuba, SP, Brasil, 2011b.

ALVES, A. D.; YANASSE, H. H.; SOMA, N. Y. SUCUPIRA: Um Sistema de Extração de Informações da Plataforma Lattes para Identificação de Redes Sociais Acadêmicas. In: CISTI'2011 (6ª Conferência Ibérica de Sistemas e Tecnologias de Informação), Chaves, Portugal, 2011c.

BARABASI, A.-L.; OLTVAI, Z. N. Network biology: understanding the cell's functional organization. Nature Reviews Genetics, v. 5, n. 2, p. 101-113, 2004.

CNPq. Site institucional. Disponível em: http://www.lattes.cnpq.br. Acesso em: 01 fev. 2016.

DIAS, T. M. R.; MOITA, G. F. A method for thge identification of collaboration in large scientific databases. Em Questão, v. 21, n. 2, p. 140-161, 2015. Disponível em: http://seer.ufrgs.br/index.php/EmQuestao/article/download/53259/34340. Acesso em: 01 fev. 2016.

DIAS, T. M. R. et al. Modelagem e Caracterização de Redes Científicas: Um Estudo sobre a Plataforma Lattes. In: Brazilian Workshop on Social Network Analysis and Mining. 2013.

DIGIAMPIETRI, L. A. et al. Minerando e caracterizando dados de currıculos lattes. In: Brazilian Workshop on Social Network Analysis and Mining (BraSNAM), Curitiba, Brasil, 2012

FARIAS, L. R. et al. Um sistema para análise de redes de pesquisa baseado na Plataforma Lattes. In: VIII Escola Regional de Banco De Dados, Curitiba - PR, 2012.

FERNANDES, G. O.; SAMPAIO, J. O.; SOUZA, J. M. XMLattes - A Tool for Importing and Exporting Curricula Data. In: WORLDCOMP'11 - THE 2011 World Congress in Computer Science, Computer Engineering, and Applied Computing, Las Vegas, Nevada, USA, 2011.

LANE, J. Let's make science metrics more scientific. Nature, v. 464, n. 7288, p. 488-489, 2010.

MENA-CHALCO, J. P.; DIGIAMPIETRI, L. A.; CESAR-JUNIOR, R. M. Caracterizando as redes de coautoria de currículos Lattes. In: Brazilian Workshop on Social Network Analysis and Mining (BraSNAM), Curitiba, Brasil, 2012.

MENA-CHALCO, J. P; CESAR-JUNIOR, R. M.; MARCONDES, R. ScriptLattes: an open-source knowledge extraction system from the Lattes platform. Journal of the Brazilian Computer Society, v. 15, n. 4, p. 31-39, 2009.

NEWMAN, M. E. J. Scientific collaboration networks. II. Shortest paths, weighted networks, and centrality. Physical Review E, v. 64, n. 1, p. 16132/1-16132/7, 2001.

NEWMAN, M. E. J. Scientific collaboration networks. I. Network construction and fundamental results. Physical Review E, v. 64, n. 1, p. 16131/1-16131/8, 2001.

NEWMAN, M. E. J. The structure of scientific collaboration networks. In: Proceedings of the National Academy of Sciences, v. 98, n. 2, p. 404-409, 2001.

NEWMAN, M. E. J. Coauthorship networks and patterns of scientific collaboration. In: Proceedings of the National Academy of Sciences, v. 101, n. suppl. 1, p. 5200-5205, 2004.

REVOREDO, K. et al. Mining scientific literature for analysis of collaboration in research communities. In: Brazilian Workshop on Social Network Analysis and Mining (BraSNAM), Curitiba, Brasil, 2012.

Informação adicional

Editores do artigo: Adilson Luiz Pinto, Rafaela Paula Schmitz e Enrique Muriel-Torrado