Article
A construção de redes de conhecimento é um dos grandes desafios da pesquisa científica e inovação, no tocante ao uso e processamento da informação. Produzir conhecimento em redes de pesquisa e colaboração é importante para o entendimento e internacionalização das investigações. A utilização de métodos que possam revelar áreas de conhecimento implicitamente relacionadas é uma interessante alternativa. Entretanto, a realização deste tipo de construção requer a aplicação de métodos e técnicas específicos, os quais possam, a partir de amostras de dados, gerar informação que auxilie tal tarefa. Este artigo tem como objetivo apresentar a aplicação dos métodos de mineração de dados Doc2Vec e classificação de Reinert para a inferência de redes de conhecimento com base na similaridade e agrupamento de tópicos de documentos científicos textuais. O desenvolvimento do trabalho é baseado na metodologia KDT (do inglês, Knowledge Discovery from Texts). Diante disso, foram obtidas, utilizando técnicas de Web Scraping, dados de teses e dissertações disponibilizados na Biblioteca Digital Brasileira de Teses e Dissertações do IBICT, os quais foram tratados e submetidos à rotinas de processamento de mineração textual. São apresentados resultados quanto à classificação das amostras em grupos por similaridade semântica e grafos que representam a relação entre tais grupos.@pt
Array ( [dateOfAvailability] => Array ( [pt] => Array ( [0] => Array ( [2022-12-23] => 210926 ) ) ) [hasAuthor] => Array ( [nn] => Array ( [0] => Array ( [Renata Moreira Limiro] => 211725 ) [1] => Array ( [Núbia Rosa da Silva] => 158589 ) [2] => Array ( [Douglas Farias Cordeiro] => 108449 ) ) ) [hasPageEnd] => Array ( [pt] => Array ( [0] => Array ( [20] => 1549 ) ) ) [hasPageStart] => Array ( [pt] => Array ( [0] => Array ( [1] => 696 ) ) ) [hasSectionOf] => Array ( [pt] => Array ( [0] => Array ( [Artigo] => 3 ) ) ) [hasSubject] => Array ( [pt] => Array ( [0] => Array ( [Rede de conhecimento] => 6261 ) [1] => Array ( [Mineração de texto] => 227564 ) [2] => Array ( [Doc2vec] => 211724 ) [3] => Array ( [Redes de conhecimento] => 201237 ) ) ) [wasPublicationInDate] => Array ( [nn] => Array ( [0] => Array ( [2022-12-23] => 247088 ) ) ) [hasLanguageExpression] => Array ( [nn] => Array ( [0] => Array ( [pt] => 232736 ) ) ) [hasLicense] => Array ( [nn] => Array ( [0] => Array ( [Copyright (c)] => 232755 ) [1] => Array ( [BY-NC/4.0] => 245907 ) ) ) [isPartOfSource] => Array ( [pt] => Array ( [0] => Array ( [Revista brasileira de biblioteconomia e documentação] => 229060 ) ) ) [hasIssueOf] => Array ( [pt] => Array ( [0] => Array ( [ISSUE:JNL:00001-2022-18-] => 171286 ) ) ) [hasAbstract] => Array ( [pt] => Array ( [0] => Array ( [A construção de redes de conhecimento é um dos grandes desafios da pesquisa científica e inovação, no tocante ao uso e processamento da informação. Produzir conhecimento em redes de pesquisa e colaboração é importante para o entendimento e internacionalização das investigações. A utilização de métodos que possam revelar áreas de conhecimento implicitamente relacionadas é uma interessante alternativa. Entretanto, a realização deste tipo de construção requer a aplicação de métodos e técnicas específicos, os quais possam, a partir de amostras de dados, gerar informação que auxilie tal tarefa. Este artigo tem como objetivo apresentar a aplicação dos métodos de mineração de dados Doc2Vec e classificação de Reinert para a inferência de redes de conhecimento com base na similaridade e agrupamento de tópicos de documentos científicos textuais. O desenvolvimento do trabalho é baseado na metodologia KDT (do inglês, Knowledge Discovery from Texts). Diante disso, foram obtidas, utilizando técnicas de Web Scraping, dados de teses e dissertações disponibilizados na Biblioteca Digital Brasileira de Teses e Dissertações do IBICT, os quais foram tratados e submetidos à rotinas de processamento de mineração textual. São apresentados resultados quanto à classificação das amostras em grupos por similaridade semântica e grafos que representam a relação entre tais grupos.] => 0 ) ) ) [hasID] => Array ( [nn] => Array ( [0] => Array ( [oai:ojs.rbbd.febab.org.br:article/1736] => 0 ) ) ) [hasRegisterId] => Array ( [pt] => Array ( [0] => Array ( [https://rbbd.febab.org.br/rbbd/article/view/1736] => 0 ) ) ) [hasSource] => Array ( [pt] => Array ( [0] => Array ( [Revista Brasileira de Biblioteconomia e Documentação; v. 18 (2022); 1-20] => 0 ) ) [nn] => Array ( [0] => Array ( [1980-6949] => 0 ) [1] => Array ( [0100-0691] => 0 ) ) ) [hasTitle] => Array ( [pt] => Array ( [0] => Array ( [Mineração de textos para agrupamento de teses e dissertações por meio de análise de similaridade] => 0 ) ) ) [hasUrl] => Array ( [pt] => Array ( [0] => Array ( [https://rbbd.febab.org.br/rbbd/article/view/1736/1447] => 0 ) ) [nn] => Array ( [0] => Array ( [https://rbbd.febab.org.br/rbbd/article/view/1736] => 0 ) [1] => Array ( [https://rbbd.febab.org.br/rbbd/article/view/1736/1447] => 0 ) ) ) [prefLabel] => Array ( [pt] => Array ( [0] => Array ( [Oai:ojs.rbbd.febab.org.br:article/1736#00001] => 0 ) ) ) )