Efficiency and Accuracy in
Scientific Data Extraction: A Case Study with Automated Robots
|
Edson Melo de Souza https://orcid.org/0000-0002-5891-4767 |
=
Doutor
em Informática e Gestão do Conhecimento. Universidade Nove de Julho (Unin=
ove)
– Brasil. souzaem@uni9.pro.br |
|
Wonder
Alexandre Luz Alves https://orcid=
.org/0000-0003-0430-950X |
Doutor em Ciência da Computação.
Universidade de São Paulo (USP) – Brasil. wonder@uni9.pro.br |
RESUMO
A coleta de grandes volumes de dados tem se tornado um desafio cresc=
ente
em diversas áreas, incluindo negócios, saúde, governo e pesquisa acadêmica.
Métodos manuais, apesar de amplamente utilizados, são ineficientes, propens=
os a
erros humanos e incapazes de lidar com o aumento exponencial de informações=
. Este
estudo apresenta uma abordagem automatizada para a extração de dados autora=
is
em artigos científicos, utilizando robôs que aumentam a eficiência e a prec=
isão
do processo. Baseado nos avanços da pesquisa realizada por De Souza, Storopoli e Alves (2022), o trabalho aplica técnicas =
de
raspagem de dados (web scraping) em 901
artigos da revista Ann. Intern. Med., com o uso de três robôs: RCDA
(Robô Coletor de Dados de Autores), RCCA (Robô Coletor de Contribuições de
Autores) e RIA (Robô Individualizador de Autores). A automação reduziu o te=
mpo
de coleta em até 99,9%, ampliando a precisão para uma taxa de erro inferior=
a
0,01%. A abordagem proposta não apenas valida a
eficiência dos robôs utilizados, mas também demonstra sua escalabilidade e
aplicabilidade em contextos além da pesquisa científica.
Palavras-chave: robôs; automação; raspagem de dados; coleta automatizada; ciência de
dados.
ABSTRACT
Collecting large volumes of data has become an
increasing challenge across various fields, including business, healthcare,
government, and academic research. While manual methods are widely used, th=
ey
are inefficient, prone to human errors, and incapable of handling the
exponential growth of information. This study presents an automated approach
for extracting authorial data from scientific articles, leveraging robots to
enhance the process's efficiency and accuracy. Building on the research
advancements of De Souza, Storopoli, and Alves
(2022), this study applies web scraping techniques to 901 articles from
Keywords: robots; automation; web scraping; automated data
collection; data science.
Recebido
em 10/02/2025. Aprovado em 12/03/2=
025.
Avaliado pelo sistema double blind
https://doi.org/10.22279/navus.v16.208=
5
1
INTRODUÇÃO
Nos a=
nos
recentes, observamos um aumento acelerado e significativo na geração de gra=
ndes
volumes de dados (Helena Presser; Lopes Da Silv=
a,
2018). Nesse contexto, o volume de informações originadas da internet impõe
desafios significativos para a coleta e análise de dados relevantes. A
progressiva digitalização da informação tem remodelado profundamente o cená=
rio
da pesquisa científica em nível global. Conforme De Souza, Storopoli
e Alves (2022), métodos manuais de coleta de dados, frequentemente usados n=
a pesquisa
acadêmica, são incapazes de atender à demanda crescente. Além disso, tais
métodos comprometem a precisão, tornando o processo mais suscetível a erros
humanos.
A hab=
ilidade
de extrair valor de grandes volumes de dados não é apenas uma necessidade
técnica, mas uma vantagem estratégica essencial no cenário contemporâneo.
Conforme discutido por Nascimento et al. (2018), a análise de Big Da=
ta
permite que as empresas inovem em seus negócios, utilizando plataformas que
facilitam a coleta e interpretação de grandes volumes de dados, resultando =
em
decisões mais informadas e estratégias competitivas aprimoradas. Além disso=
, Ataides e Nacife (2024) d=
estacam
que o Big Data Analytics (BDA) fornece às
organizações ferramentas para analisar dados de forma eficaz, colaborando p=
ara
alcançar e preservar vantagens competitivas. De acordo com Sewald
Junior e Santos Júnior (2024), a capacidade de processar e interpretar gran=
des
volumes de dados permite que as empresas aprimorem seus processos decisório=
s,
tornando-se mais ágeis e adaptativas no mercado atual.
Na ár=
ea da
saúde, por exemplo, a análise de dados em grande escala pode oferecer in=
sights
significativos para o diagnóstico e tratamentos personalizados, enquanto nos
negócios, a identificação de padrões em grandes bases de dados pode antecip=
ar
tendências de mercado. Entretanto, métodos manuais de coleta e processament=
o de
dados, com frequência aplicados em pesquisa científica, são lentos e
suscetíveis a erros humanos, comprometendo a precisão e a eficiência da aná=
lise
(Morais et al., 2019).
Na pe=
squisa
científica, é comum ocorrer situações onde um
pesquisador enfrenta o desafio de analisar milhares de artigos para identif=
icar
padrões de autoria e contribuição científica. Este processo, executado de f=
orma
manual, pode demandar semanas ou até meses, além de estar sujeito a
inconsistências. Segundo Camilo e Garrido (2019), "A comunidade cientí=
fica
tem assistido a um incremento exponencial na divulgação de ciência, com nov=
as
revistas lançadas anualmente e milhares de trabalhos de pesquisa publicados=
em
vários domínios científicos entre os quais a Psicologia.". Esse aumento
significativo na produção científica torna os métodos tradicionais de revis=
ão
mais desafiadores e suscetíveis a falhas, afetando potencialmente a qualida=
de
das decisões baseadas nesses dados.
Neste
contexto, a automação surge como uma solução para mitigar esses obstáculos.
Ferramentas como algoritmos de web scraping<=
/i> e pipelines
de ciência de dados têm transformado a forma como informações são coletadas,
processadas e analisadas. Estudos como o de Raghupathi=
e Raghupathi (2014) destacam como sistemas
automatizados na área médica podem reduzir drasticamente o tempo de coleta =
de
dados, enquanto Zhao et al. (2020) ilustram a aplicação de Big Data =
para
o desenvolvimento de novos medicamentos.
Porta=
nto,
este estudo propõe uma abordagem automatizada para a extração de dados
científicos por meio dos robôs RCDA, RCCA e RIA, projetados para processar
grandes volumes de informações com maior precisão e menor tempo de coleta (=
De
Souza; Storopoli; Alves, 2022). Utilizando um e=
studo
de caso com artigos da revista Ann. Intern. Med., a pesquisa demonst=
ra
como a automação pode transformar a coleta de dados autorais, garantindo
eficiência, reprodutibilidade e escalabilidade. Além de detalhar a
implementação técnica desses agentes inteligentes, o trabalho amplia suas
funcionalidades e explora sua aplicabilidade em diferentes áreas, como
negócios, saúde e ciências sociais, contribuindo para a consolidação deste
paradigma para a extração automatizada de dados científicos em larga escala=
.
Adici=
onalmente,
são debatidos aspectos éticos relativos à extração automatizada de informaç=
ões,
em especial quando há necessidade de tratar bases proprietárias ou com
restrições de uso. Também se enfatizam possíveis riscos de obsolescência dos
algoritmos, pois estruturas de páginas da web podem ser alteradas e requerer
adaptações contínuas do crawler. Por fim,
faz-se uma análise crítica das limitações do modelo proposto, sobretudo no =
que
se refere à generalização dos resultados para outras revistas científicas e
bases de dados.
2 FUNDAMENTAÇÃO TEÓRICA<= /p>
A fundamentação teórica deste trabalho explora os pilar=
es
que sustentam a automação da coleta de dados científicos. Os principais
conceitos abordados incluem: (i) autoria e posicionamento autoral, (ii) Big
Data, (iii) automação de processos, (iv) web scraping, (v) impacto da
automação e da inteligência artificial na análise de dados científicos e (v=
i)
possíveis implicações éticas e limites da automação.
2.1 Autoria e Posicionamento Autoral
O conceito de autoria em publicações científicas envolve tanto a
contribuição ativa para o estudo quanto questões éticas, como autoria fanta=
sma
e honorária (Kumar, 2018). No início do século XX, era comum que artigos
científicos tivessem apenas um autor (Lozano, 2014), mas a ciência moderna,
impulsionada pela colaboração interdisciplinar, resultou no aumento do núme=
ro
de coautores por publicação (Rosenzweig et al., 2008; Patience et al., 2019). A responsabilidade éti=
ca dos
autores pelo conteúdo publicado é um aspecto fundamental nas práticas
científicas, pois reflete não apenas a autoria, mas também o compromisso
público com a integridade e a veracidade da pesquisa (Hilário et al.,
2018).
O byline, segundo Yang, Wolfram e =
Wang
(2017), é a identificação do posicionamento autoral em um artigo é realizada
com base na informação dos nomes dos autores, que aparece no início do text=
o, também
conhecida como Author byline.
Essa disposição está diretamente relacionada à relevância dos autores na
publicação. O byline não é meramente um
crédito nominal, mas um símbolo de accountability
(Peng et al., 2024). Ao associar seus nomes a um artigo, os auto=
res
assumem, perante a comunidade acadêmica e a sociedade, a responsabilidade p=
or
cada afirmação, metodologia e conclusão apresentada. Isso inclui garantir a
precisão dos dados, a originalidade das ideias, a adequação das citações e a
transparência em eventuais conflitos de interesse. Entretanto, o posicionam=
ento
dos autores no byline não segue um padrão
universalmente aceito, gerando debates sobre critérios de contribuição (Yan=
g;
Wolfram; Wang, 2017). Em geral, os primeiros autores desempenham papel cent=
ral
no estudo, enquanto os últimos são responsáveis por supervisão e captação de
recursos (Zbar; Frank, 2011), sendo que a posiç=
ão de
autor correspondente frequentemente reflete maior participação intelectual =
(Mattsson; Sundberg; Laget, 2011).
Problemas éticos surgem quando indivíduos com pouca ou nenhuma
contribuição significativa são incluídos na autoria (Jones; McCullough;
Richman, 2005). Além dos critérios formais, pes=
quisas
apontam fatores simbólicos na definição da autoria, como Igou
e Van Tilburg (2015), que sugeriram que o número de letras no nome do meio =
de
um autor poderia influenciar sua posição no byline<=
/i>.
Já Russell et al. (2019) observaram que, à medida que o número de
autores cresce, a posição do autor correspondente tende a migrar da primeira
para a última posição, indicando um papel de liderança.
A determinação da ordem de autoria costuma estar atrelada à contribui=
ção
individual, sendo os primeiros e últimos autores aqueles com maior envolvim=
ento
(Tscharntke et al., 2007). Doutorandos e=
pós-doutorandos frequentemente ocupam a primeira posi=
ção,
enquanto líderes de pesquisa ou diretores de laboratório figuram como últim=
os
autores (Mongeon et al., 2017). No entan=
to,
mensurar as contribuições individuais com precisão continua sendo um desafio
(Chang, 2019). Em colaborações internacionais, é necessário considerar as
práticas culturais na definição do posicionamento autoral (Aria; Misuraca; Spano, 2020),
reforçando a importância de diretrizes claras para garantir a justa
representação da autoria na ética científica.
2.2 Ciência de Dados e Big Data
A ciê=
ncia de
dados, enquanto campo interdisciplinar, integra metodologias computacionais=
e
estatísticas para transformar grandes volumes de dados em conhecimento
acionável. Segundo Novaes (2024), “A Ciência de dados, como disciplina,
transcende a mera coleta de informações, exigindo uma abordagem metódica e
criteriosa na interpretação dos dados.”. Ainda, segundo o mesmo autor, sua
essência não reside apenas na análise pontual, mas no desenvolvimento de
algoritmos e modelos preditivos que sustentam decisões estratégicas. Não por
acaso, essa capacidade tem sido amplamente explorada no setor empresarial: =
Sewald Junior e Santos Júnior (2024) reforçam que, di=
ante
do crescimento exponencial de dados disponíveis, as organizações adotam
técnicas de ciência de dados como ferramenta crítica para ganhar vantagem
competitiva, seja na otimização de processos, seja na antecipação de
tendências.
Byrne=
et
al. (2017) delineiam o pipeline da ciência de dados, que abrange
desde a formulação de perguntas relevantes até a visualização dos resultado=
s,
passando por coleta, exploração e modelagem. Dentro dessa cadeia, destaca-s=
e o
pré-processamento de dados — etapa que, segundo Fan et al. (2021), p=
ode
consumir até 80% do tempo de um projeto, especialmente quando se lida com
informações desestruturadas ou incompletas. Nesse contexto, ferramentas
automatizadas, como as propostas por Koehler et al. (2017), emergem =
como
aliadas indispensáveis, reduzindo erros humanos e acelerando a preparação de
bases complexas. Para que essa aplicação seja viável, é necessário um fluxo
estruturado de trabalho (Antypas et al.,=
2021).
Essa =
demanda
por eficiência está intrinsecamente ligada ao fenômeno do Big Data, termo q=
ue,
segundo Gandomi e Haider (2015) e Li, Chen e Sh=
ang (2022),
descreve o crescimento vertiginoso no volume, variedade e velocidade de dad=
os
gerados. Se nas empresas o desafio é transformar dados em insights, =
no
meio acadêmico, como apontam Falsarella e Jannuzzi (2020), a necessidade de processar milhões de
artigos científicos publicados anualmente impulsiona o desenvolvimento de
tecnologias capazes de filtrar, analisar e sintetizar informações em escala.
Assim, tanto na prática corporativa quanto na pesquisa, a ciência de dados
revela-se um pilar central, conectando desafios técnicos — como o
pré-processamento — a soluções inovadoras que respondem às exigências de um
mundo cada vez mais orientado por dados.
A int= erligação entre teoria, ferramentas e aplicações práticas não apenas define a ciência= de dados, mas também reforça seu papel transformador em múltiplos setores, uni= ndo rigor metodológico à capacidade de gerar impacto real.
2.3 Automação de Processos
A automação,
atualmente indispensável em práticas científicas e outras áreas do conhecim=
ento,
vai além da mera substituição de processos manuais: ela redefine como a ciê=
ncia
é conduzida, desde a coleta de dados até a validação de hipóteses. Utilizan=
do
algoritmos e ferramentas computacionais, essa abordagem não apenas reduz a
intervenção humana em tarefas repetitivas, mas também introduz precisão,
escalabilidade e velocidade inatingíveis por métodos tradicionais. Kumar
No âmbito da= coleta e processamento de dados científicos provenientes de publicações, a automaç= ão emerge como uma solução crítica para superar desafios como a fragmentação de fontes, a heterogeneidade de formatos (PDFs, HT= ML, XML) e o volume exponencial de artigos gerados anualmente. Ferramentas como= Scrapy e Selenium (Pant et al., 2024; Kovale= nko, 2025) são adaptadas para extrair dados estruturados de repositórios acadêmi= cos, como PubMed, arXiv e Scopus, automatizando a captura de metadados, citações e até conteúdo compl= eto. Essa abordagem é combinada com técnicas de mineração de texto e processamen= to de linguagem natural (PLN) para classificar artigos, identificar tendências temáticas e mapear redes de colaboração científica.
Um exemplo é= o trabalho de Falsarella e J= annuzzi (2020), que desenvolveram um pipeline automatizado para agregar e padronizar dados de mais de 2 milhões de artigos científicos, permitindo análises bibliométricas em larga escala. Sistemas como o GROBID (Lopez, 200= 9), por sua vez, utilizam algoritmos de reconhecimento de entidades para conver= ter PDFs de publicações em dados estruturados, reduzindo = erros manuais em até 70% em projetos de revisão sistemática. Essa capacidade é im= portante em áreas como a medicina, onde a velocidade de acesso a estudos recentes — = como ensaios clínicos publicados em plataformas como ClinicalTrials.gov — pode influenciar diretamente decisões terapêuticas (Higgins et al., 2022)= .
Além disso, a automação garante a integridade e a reprodutibilidade na curadoria de dados= de publicações. Plataformas como o OpenAlex (Priem; Piwowar; Orr, 2022) empregam scripts automatizados para atualizar diariamente seu banco de dados com novos artigos, corrigindo inconsistências e vinculando autores a instituições de forma precisa. Contu= do, desafios persistem, como a necessidade de lidar com licenças restritivas de acesso e a variação na qualidade de metadados entre periódicos — questões q= ue demandam estratégias de retry inteligent= e e validação cruzada, conforme discutido por Piedra et al. (2023) em seu estudo sobre interoperabilidade em repositórios acadêmicos.
2.4 Web Scraping
Web scraping é uma técnica de extração de dados estruturados ou semiestruturados de páginas da web (Souza et al., 20= 24). Essa abordagem tem sido amplamente aplicada em áreas como inteligência de negócios, marketing digital e pesquisa científica, especialmente em cenários onde APIs, do inglês Application Programming Interface, não estão disponíveis ou s= ão insuficientes (Singrodia; Mitra; Paul, 2019).
De acordo co= m Khder (2021), o web= scraping desempenha um papel essencial na transfo= rmação de grandes volumes de dados não estruturados em informações utilizáveis. Por exemplo, na pesquisa acadêmica, ferramentas de scra= ping podem coletar informações como autoria, afiliações e contribuições científi= cas diretamente de páginas de periódicos, complementando ou substituindo métodos baseados em APIs.
Além de capt= urar dados textuais, o web scraping também permite a análise de metadados e padrões visuais presentes em página= s da web (Glez-Peña et al., 2014; Zhao, 2022)= . Essa técnica se mostra particularmente eficaz quando integrada a outras metodologias, como o aprendizado de máquina, para identificar padrões ou realizar classificações automáticas (Jordan; Mitchell, 2015; Kalaivani; Kamalakkannan,= 2022).
Porém, tais benefícios vêm acompanhados de desafios, como a possibilidade de mudanças frequentes na estrutura das páginas, limitação de requisições por parte dos servidores e implicações legais e éticas para o acesso a certos tipos de da= dos, sobretudo quando as páginas não foram projetadas para compartilhamento livre (Nunes, 2024).
2.5 Impacto da Automação e da Inteligência Artificial na Análise de Dados Científicos
A aplicação = de inteligência artificial (IA) e automação na coleta e análise de dados científicos oferece ganhos consideráveis de eficiência, ao mesmo tempo em q= ue introduz novos desafios (Sarker, 2021). Modelos baseados em aprendizagem profunda podem, por exemplo, auxiliar no PLN para identificar com maior precisão contribuições científicas (Tohalino, 2023). Quando combinadas com Big Data, essas técnicas permitem a descoberta= de padrões não triviais, que podem impulsionar inovações em saúde, negócios e = outras áreas (Raghupathi; Raghupa= thi, 2014). Nti et al. (2022) identificaram que redes neurais profundas (15%), máquinas de vetores de suporte (15%), redes neurais artificiais (14%), árvores de decis= ão (12%) e técnicas de aprendizado em conjunto (11%) são amplamente aplicadas = em Big Data.
Todavia, alg= oritmos de IA podem reproduzir vieses presentes nos dados de treinamento (Mehrabi et al., 2021), se estes não forem cuidadosamente avaliados e auditados. Segundo Nazer et al. (2023), a construção de algoritmos preditivos baseados em inteligên= cia artificial envolve múltiplas etapas, sendo que cada uma delas pode influenc= iar a introdução de vieses no modelo. Tais vieses podem distorcer análises ou priorizar determinados grupos de artigos, alterando a percepção sobre a produção científica (Deng et al., 2024). Por isso, a adoção de técni= cas avançadas de automação demanda estratégias robustas de validação, supervisão humana e atualização frequente dos modelos.
2.6 Desafios, Limitações e Implicações Éticas da Automação<= /p>
A adoção da automação na coleta de dados científicos levanta algumas questões críticas:=
· Confiabilidade dos Dados: Mudanças na estrutura do site ou fonte de dados podem afetar a extração. Dados ausentes= ou formatos inconsistentes podem comprometer a precisão final (Porto; Cordeiro, 2024).
· Manutenção e Custos de Infraestrutura: Robôs e pipelines de raspagem devem ser atualizados conforme mudança= s de layout, exigindo equipe técnica e custos computacionais relevantes (Khder, 2021).
· Vieses Algorítmicos: Se os modelos de IA/PLN não forem treinados adequadamente em dados representativos, podem su= rgir distorções que afetem a legitimidade dos resultados (S= arker, 2021).
· Questões Legais e Éticas: O web scraping pode esbarrar em restrições legais, políticas de privacidade e direitos autorais, exigindo avaliações éticas, além de consentimentos ou autorizações específi= cas (Nunes, 2024).
· Necessidade de Monitoramento Humano: Apesar do alto grau de automação, intervenções humanas ainda são necessárias para corrigir erros, avaliar casos atípicos e assegurar conformidade com princípios éticos e legais.
Esses aspectos reforçam a importância de uma abordagem cautelosa e responsável na adoção de automação, buscando equilibrar eficiência e confiabilidade com respeito a normas legais, direitos de terceiros e integridade da pesquisa.<= /span>
3 TRABALHOS CORRELATOS
Estudos ante= riores exploraram diversas abordagens para a coleta de dados científicos, destacan= do avanços e limitações que serviram como base para o desenvolvimento dos robôs propostos neste trabalho.
3.1 Coleta Automatizada de Dados Científicos
A extração de informações acadêmicas tem sido amplamente estudada ao longo dos anos, com avanços significativos em técnicas que combinam Processamento de Linguagem Natural (PLN), Aprendizado de Máquina e Mineração de Textos. O desenvolvime= nto de novos métodos tem permitido aprimorar a eficiência, precisão e aplicabilidade das abordagens utilizadas na análise de dados científicos.
No estudo de= Tang et al. (2007), foi desenvolvido um modelo de extração de redes sociais acadêmicas, utilizando Campos Aleatórios Condicionais (CRF) e um modelo probabilístico baseado em restrições para desambiguação de nomes. A pesquisa demonstrou que essa abordagem superou modelos baseados apenas em regras, aumentando a precisão na identificação de conexões entre pesquisadores.
Com uma abor= dagem voltada para a extração de informações acadêmicas, Mena-Chalco e Cesar Juni= or (2009) propuseram o ScriptLattes, um sistema pa= ra extração automatizada de informações acadêmicas a partir da Plataforma Latt= es. O sistema facilitou a criação de relatórios detalhados sobre produtividade científica, permitindo análises mais eficientes da produção acadêmica de pesquisadores e instituições. No entanto, a pesquisa enfrentou desafios na padronização e eliminação de redundâncias nos dados extraídos.
O estudo de He <= i>et al. (2013) introduziu um modelo de subgrafos= de diversidade em redes de colaboração científica, utilizando técnicas de modelagem de tópicos e extração de subgrafos pa= ra mapear relações interdisciplinares. O método proposto permitiu capturar pad= rões complexos de colaboração entre pesquisadores de diversas áreas do saber, permitindo uma visão estruturada da interdisciplinaridade na pesquisa científica.
Já o estudo = de Ferrara et al. (2014) investigou a extração de dados acadêmicos na w= eb, diferenciando abordagens baseadas em árvores e ML. O estudo analisou desafi= os como variação estrutural das fontes, adaptação a mudanças e anonimização de dados sensíveis, concluindo que, embora as técnicas modernas permitam extra= ção eficiente, a integração entre diferentes fontes ainda representa um desafio= .
No contexto = da extração de informações textuais em artigos acadêmicos, Bui et al. (2016) desenvolveram uma ferramenta de classificação de textos para otimiza= r a extração de informações em artigos científicos no formato PDF. O modelo bas= eado em multi-pass si= eve alcançou uma acurácia de 92,6%, superando técnicas tradicionais de ML. Além disso, o sistema permitiu uma redução de 50% no tempo de processamento e uma diminuição de 44,9% no número de sentenças processadas, tornando-se uma abordagem eficiente para a extração automatizada de informações acadêmicas. Ainda no mesmo ano, Bui et al. (2016) desenvolveram um sistema de sumarização de texto extrativa, projetado para apoiar a extração de dados completos em revisões sistemáticas. A técnica combinou métodos baseados em regras, mapeamento de conceitos e dicionários, alcançando um F1-score de 84= ,7%. O sistema superou abordagens manuais, apresentando um recall de 91,2% e uma precisão de 59% na extração de elementos clínicos.
Com uma prop= osta inovadora voltada para a extração de termos específicos, Nasar et al. (2018) apresentaram uma revisão abrangente das técnicas de extração de informações em artigos científicos, classificando métodos em abordagens baseadas em regras, Campos Aleatórios Condicionais (CRF), aprendizado profundo e Modelos Ocultos de Markov (HMM). O estudo demonstrou= que abordagens híbridas, que combinam aprendizado supervisionado e regras semânticas, alcançaram um F1-score acima de 90%, sendo as mais promissoras = para a extração de metadados científicos.
Rabby et al. (2018) propuseram uma técnica de extração de palavras-chave baseada em árvores, aplicável a textos acadêmicos. A técnica permite ajusta= r a granularidade da extração com base no Maturity = Index (MI). Comparado ao método RAKE (Rapid= Automatic Keyphrase Extraction), o modelo proposto apresentou maior flexibilidade na identificação de termos relevantes, mas ainda depende da qualidade do texto de entrada para obter melhores resultados.
Graciano e R= amalho (2023) desenvolveram o ScraperCI, um web scraper para coleta automatizada de dados científi= cos em bases de dados disponíveis na web. A pesquisa destacou que a automação da extração de informações reduz o tempo de recuperação de dados e melhora a eficiência na organização de grandes volumes de publicações científicas. A ferramenta foi implementada em Python, utilizando técnicas de web scraping e mineração de dados para estruturar informações acadêmicas de forma acessível e reutilizável.
Por fim, Sou=
za
(2021) realizou extração de dados da plataforma Scopus através de web
A evolução da extração de dados acadêmicos ao longo dos anos vem demonstrando avanços significativos no uso de PLN, ML, mineração de textos e redes de colaboração científica. Desde a identificação de redes acadêmicas e extração de currícu= los, passando por sumarização e classificação de textos científicos, até técnicas avançadas de modelagem de tópicos e web scraping, os estudos analisados revelam que os métodos híbridos e automatizados vêm aumentando a precisão e reduzindo o tempo de processamento, tornando a extr= ação de informações cada vez mais eficiente.
Desta forma,= o presente estudo introduz melhorias nos robôs que combinam web scraping com técnicas de ML para adaptar-se dinamicamente a diferentes estruturas de páginas, ampliando a abrangência e reduzindo a necessidade de intervenções manuais para obtenção de dados científicos.
3.2 Análise de Autoria em Publicações Científicas
A identifica=
ção e
análise de autoria em artigos científicos são fundamentais para estudos de
colaboração acadêmica. Tang et al. (2008) desenvolveram o sistema
De Souza,
Desta forma,= os robôs RCDA, RCCA e RIA apresentados neste trabalho foram aprimorados e supe= ram essas limitações ao utilizar técnicas de aprendizado não supervisionado, permitindo a identificação de padrões de autoria sem a necessidade de grand= es conjuntos de dados previamente rotulados.
4 METODOLOGIA
A metodologia adotada no estudo inspira-se na pesquisa realizada por De Souza, Storopoli e Alves (2022), que aplicaram técnicas de automação para coletar dados de 2.024 artigos e 20.098 autores dos periódic= os científicos da área médica: Ann. Intern. Med., Journal of the American Medical Association (JAMA) e PloS Medicine. No estudo, os aut= ores analisaram as diferentes categorias de contribuições científicas, organizan= do essas contribuições de forma clara e padronizada ao longo do período compreendido entre os anos 2000 e 2019.
Para o desenvolvimento deste trabalho, cujo objetivo é propor uma abordagem automatizada para a extração de informações autorais em artigos científicos utilizando robôs, foram analisados 901 artigos que contemplam 8.191 autores= do periódico científico Ann. Intern. Med. A escolha por utilizar exclusivamente este periódico foi fundamentada no fato de que o tamanho da amostra já se apresenta suficientemente representativo para validar a eficá= cia da abordagem proposta. A robustez dos dados disponíveis possibilitou testar= e refinar as técnicas de extração de informações autorais de maneira consiste= nte, evitando a necessidade de incluir outros periódicos nesta etapa inicial. De= ssa forma, foi possível manter o foco na precisão e na eficiência do método, assegurando resultados confiáveis e alinhados aos objetivos do estudo.
4.1 Hipóteses de Estudo e Operacionalização de Variáveis
Para avaliar formalm=
ente a
eficiência e a eficácia dos robôs, foram definidas as seguintes hipóteses, =
as
quais são apresentadas no Quadro 1.
= Quadro 1 – Relação entre hipóteses e variáveis de estudo.
|
Hipótese |
Descrição/Objetivo |
Variáveis Operacionalizadas |
|
H1: A automação reduz em pelo m= enos 90% o tempo de coleta de dados científicos em comparação ao método manual= . |
Avaliar o ganho de eficiência proporci= onado pelo método automatizado (robôs) em relação ao método manual. Evidencia se o uso de robôs pode, de fato, acelerar o processo e economizar recursos (humanos e de infraestrutura). |
TC (Tempo de Coleta) – tempo ga= sto na extração manual versus tempo gasto na extração por robôs |
|
H2: A taxa de acerto do processo automatizado excede 95% quando comparada aos dados coletados manualmente.= |
Investigar a precisão do procedimento automatizado, comparando os resultados obtidos pelos robôs com o ground truth<= /i> verificado manualmente. |
PR (Precisão) – percentual de a=
certos
frente ao método manual |
|
H3: O uso de robôs de coleta em= larga escala não introduz vieses significativos no conjunto de dados. |
Verificar se há distorções ou padrões = de erros que afetem certos tipos de artigos ou autores, ou se eventuais problemas são aleatórios e minimizados pela automação. |
VI (Vieses) – análise de possív= eis divergências sistemáticas na identificação de autores e contribuições |
Fonte: Elaborado pelos autores (2025)
4.2 Individualização de Autores
As informações sobre os artigos foram retiradas da base de dados Scopus, reconhecida como a maior fonte de publicações científicas com revisão por pares, conforme destacado por Mañana-Rodriguez (2015). A obtenção dos dados foi realizada utilizando-se scripts proprietários para busca e posterior exportação dos arquivos diretamente na plataforma Scopus. Esse processo não permite automação, uma vez que depende= de aplicação de filtros para selecionar publicações dentro de um ambiente proprietário. A coleta inicial incluiu informações de 4.118 artigos contend= o 19 variáveis como: nome dos autores “Authors”, ID dos autores no Scopus “AuthorCiteddoi”, entre outras (Souza, 2021).
Após o processo inicial de limpeza e filtragem, o conjunto final de dados foi reduzido para 901 artigos, envolvendo um total de 8.191 autores, dos quais 6.965 eram autores únicos. Esses dados foram armazenados no arquivo “dataset_artigos”. A diferença de 1.126 indica = que esses autores contribuíram para mais de um artigo no período analisado. Na variável “authors_id”, principal foco deste estudo, no contexto da aplicação de robôs, encontram-s= e os identificadores dos autores, que estão armazenados nos artigos separados por vírgula.
No
Quadro 2 é mostrado um trecho do dataset
original, onde a variável "authors_id<=
/span>"
contém múltiplos valores, cada um representando um autor, separados por pon=
to e
vírgula. Na etapa inicial de automatização da extração dos dados dos autore=
s, o
robô RIA foi aprimorado com o uso de técnicas de PLN, como tokenização, para
individualizar os autores, garantindo que cada autor fosse armazenado como =
um
único registro no "
A implementação do robô RIA foi realizada utilizando a linguagem Python para o processamento dos dados dos artigos. O algoritmo do robô segue um laço que percorre os 901 artigos, segmenta cada autor e gera observações separadas, resultando em 8.191 linhas. Tal processo reduziu consideravelmente o risco = de duplicidade e erro humano, economizando tempo que seria gasto em edição man= ual das planilhas.
Conforme ilustrado no Quadro 2, a variável "authors_id<= /span>" contém quatro valores, cada um representando um autor, separados por ponto e vírgula. Na etapa inicial de automatização da extração dos dados dos autore= s, o robô RIA foi aprimorado com o uso de técnicas de Processamento de Linguagem Natural (PLN) para individualizar os autores, garantindo que cada autor fos= se armazenado como um único registro no "dataset_autores", ou seja, como uma observação única.
= Quadro 2 – Fragmento do dataset processado com os dados obtidos da plataforma Scopus.
|
doi=
|
authors_id=
|
... |
|
10.7326/M17-2605 |
8971597300;57201956561;57127649700;476= 61495600 |
... |
Fonte: Elaborado pelos autores (2025)
A implementação do robô RIA foi real= izada utilizando a linguagem Python para o processamento dos dados dos artigos e = seu algoritmo é apresentado na Figura 1.
Figura 1 – Algoritmo do Robô Individuali= zador de Autores (RIA).
Fonte: Elaborado pelos autores (2025)
O robô RIA utiliza como entrada o arquivo denominado "Dataset". Ao final da execução, a lista completa de artigos resulta no "dataset_auto= res" e atualizado com um total de 8.191 linhas (observações). O Quadro 3 apresen= ta um exemplo do resultado final obtido após o processamento para um artigo.
Quadro 3 – Um fragmento do dataset processado pelo robô RIA, contendo os dados extraídos da plataforma Scopus, apresentando informações detalhadas relacionadas aos autores.
|
doi |
authors_id=
|
author |
... |
|
10.7326/M17-2605 |
8971597300 |
Abigail M. Judge |
... |
|
10.7326/M17-2605 |
57201956561 |
Jennifer A. Murphy |
... |
|
10.7326/M17-2605 |
57127649700 |
Jose Hidalgo |
... |
|
10.7326/M17-2605 |
47661495600 |
Wendy Macias-Konstantoupoulos |
... |
Fonte: Elaborado pelos autores (2025)
4.3 Coleta de Dados dos Autores (RCDA)
Uma vez cole= tados os dados dos artigos, a próxima etapa realizada foi a extração de dados dos autores da plataforma Scopus. Ela fornece acesso a dados de artigos e autor= es, mediante uma API, que pode ser acessada através de uma IES. A API disponibi= liza recursos utilizando um token que pode ser criado gratuitamente na plataforma da Elsevier no endereço (https://dev.elsevier.com/apikey/manage). Neste estudo, considerando que os dados são de caráter científico e já foram utilizados anteriormente por De Souza, Storopoli e Alves (2022), optou-se em utilizar a API para fins de reprodutibilidade, em= bora para outros casos não seja necessário, principalmente quando os dados forem= de outra natureza e estiverem de forma aberta na web.
Os dados são disponibilizados no formato XML (Extensible Markup Language), um formato de marcação de= texto contendo diversas variáveis com informações sobre um autor. A extração dess= es dados requer um processo de parsing, poi= s a formatação em XML não é imediatamente compatível com tabelas e planilhas, conforme mostrado na Figura 2. Para isso, foi aplicado o Robô Coletor de Da= dos de Autores (RCDA), desenvolvido em Python e integrado à API do Scopus. Cada requisição retorna informações como afiliação, histórico de publicações e indicadores de citação.
O RCDA proce=
ssa um dataset contendo 8.191 autores, iterando até o=
fim
da lista. Em cada passo, ele extrai dados específicos de cada autor,
armazenando-os na variável “arquivo_xml=
”.
Esses dados são organizados em um vetor “dados_autor=
”,
que é adicionado ao vetor final “dataset_autores”.
Após processar todos os “
Figura 2 – Exemplo de um fragmento XML q= ue pode ser obtido da plataforma Scopus, contendo informações sobre um autor.<= /span>
Fonte: Elsevier (2024)
Os dados obtidos não permitem manipu=
lação
e armazenamento de forma direta, uma vez que o formato semiestruturado prec=
isa
ser manipulado para extração das informações. Para isso, foi aplicado o Robô
Coletor de Dados de Autores (RCDA).
O desenvolvimento do RCDA foi fundamentado na análise detalhada da estrutura dos dados fornecidos pelo Sc= opus no formato XML. Para a sua execução, é imprescindível estabelecer uma conex= ão com o servidor da Elsevier utilizando o endereço HTTP da API, garantindo que cada solicitação seja processada de forma adequada (De Souza, Storopoli, Alves, 2022). É importante destacar que ne= ste estudo de caso, por se tratar da extração de dados científicos, o ambiente requer acesso a API do Scopus. Para outras situações, a aquisição dos dados deve ser configurada de acordo com os parâmetros disponíveis. O funcionamen= to do RCDA é mostrado na Figura 3.
Figura 3 – Algoritmo do Robô Coletor de = Dados de Autores (RCDA).
Fonte: Elaborado pelos autores (2025)
O RCDA processa um dataset
contendo 8.191 autores, extraídos na fase anterior e identificados por “dados_autor”, que é adic=
ionado
ao vetor final “dataset_autores”.
Após processar todos os
4.4
Coleta de Dados de Contribuições de Autores
Os artigos em plataformas de periódicos científicos podem ser acessados por meio de diferentes formatos de acesso: pago, onde é necessário assinar ou comprar o artigo; acesso aberto (Open Access), que permite leitura gratuita, incluindo variantes como o modelo Gold (gratuito no site do periódic= o, com taxas de publicação para autores), Green (arquivamento gratuito = em repositórios) e Hybrid (combina artigos = pagos e gratuitos); acesso com embargo, onde o artigo se torna gratuito após um período; e acesso livre temporário, que permite acesso gratuito por tempo limitado, geralmente em edições especiais ou promocionais, Na Figura 6 são mostrados os tipos de acesso aos artigos.
Desta forma,= neste trabalho foram selecionados apenas artigos da categoria Open Access = do periódico Ann. Intern. Med., uma vez que são acessados diretamente p= ela internet. O acesso foi realizado de forma individual através de um link<= /i> específico de cada artigo utilizando-se o DOI de cada artigo.
O periódico = Ann. Intern. Med. adota uma estrutura própria para apresentar seus artigos na internet, onde os autores são dispostos no = byline no início do artigo, logo após o título, mostrado na Figura 4(1).
Figura 4 – Um
fragmento de um artigo publicado no Ann. Intern. Med. exibe o byline (1), que corresponde à lista de autores=
. Este
elemento, destacado em vermelho, identifica claramente os responsáveis pela
autoria do trabalho e indica seu posicionamento e relevância na publicação.=
Fonte: Print screen do site Annals of Internal Medicine (ANNA=
LS,
2021)
Já as contri=
buições
dos autores, estão posicionadas logo abaixo do byli=
ne
e de forma encapsulada Figura 4(2), seguindo a taxonomia CRediT
(Contributor Role Taxonomy)[1] que é composta por 14 categorias: Conceptualization; Data curation;
Formal Analysis;
Figura 5 – Fragm= ento de um artigo do Ann. Intern. Med. mostrando o <= i>byline (1), destacado em vermelho.
Fonte: Print screen do site Annals of Internal Medicine (ANNA=
LS,
2021)
Na imagem po= de-se visualizar as informações relacionadas às contribuições dos autores, apresentadas de forma detalhada. Esses dados incluem as atividades específi= cas desempenhadas por cada autor na elaboração do artigo, reforçando a transparência e a relevância de suas participações na pesquisa. Os dados es= tão disponíveis de forma não estruturada, onde cada contribuição recebe o nome = do autor que contribuiu. Este formato apresenta dificuldades em elencar a participação de cada um, de modo que é necessária a realização de uma conta= gem individual.
Para realiza= r a extração dos dados de contribuição, é necessário identificar primeiramente,= na página, as categorias que descrevem as contribuições dos autores. Após essa etapa, é realizada uma varredura para localizar os nomes dos autores relacionados a essas categorias. Além disso, é essencial comparar os nomes = presentes no byline e nas seções de contribuições = com aqueles obtidos na plataforma Scopus, garantindo que pertencem ao mesmo aut= or. Esse processo considera a possibilidade de homônimos e possíveis erros de grafia, conforme descrito por Souza (2021).
4.5
Robô Coletor de Contribuições (RCCA)
O RCCA foi criado com base na an=
álise
dos artigos disponibilizados em formato HTML pelo periódico Ann. Intern. Me=
d.
Para executá-lo, é necessário realizar um acesso HTTP a cada artigo
individualmente, usando o DOI do artigo. Ele recebe como entrada um dataset com informações dos autores, incluindo=
o
identificador DOI, e percorre a lista de artigos, extraindo as seções de
contribuição (ex.: Conceptualization,
Figura 6 – Algor= itmo do Robô Coletor de Contribuições de Autores (RCCA).
Fonte: Elaborado pelos autores (2025)
Durante cada iteração, o robô processa os dados recebidos do arquivo, armazenando-o= s na variável “arquivo_html”. Em seguid= a, ele realiza uma iteração sobre a variável “categorias_descri= cao”, que contém a lista das categorias do periódico de onde os dados serão extraídos. A função “ProcessaContribui= cao" é então utilizada para processar as informações, recebendo como parâmetros o conteúdo do arquivo e a categoria a ser analisada. Os dados resultantes do processamento são organizados em um dataset consolidado, indicando para cada autor (identificado pelo robô RIA) quais contribuições foram declaradas no artigo.
4.6
Processamento dos Dados de Contribuições
As variáveis= que descrevem as contribuições dos autores não possuem uma padronização em rela= ção aos dados informados no byline, dificult= ando o processo de reconhecimento dos autores, passo fundamental para a identifica= ção das contribuições individuais. Para solucionar este problema, foi aplicada a técnica de PLN para realizar a identificação correta dos autores. Segundo N= unes (2024), “O Processamento de Linguagem Natural (PLN) é um campo de pesquisa = que tem como objetivo investigar e propor métodos e sistemas de processamento computacional da linguagem humana.”
Como o byline dos textos apresentava dados heterogêne= os, dificultando o reconhecimento adequado dos autores, o uso do PLN foi fundamental. Técnicas de reconhecimento de entidades nomeadas (NER) foram aplicadas para isolar nomes de pessoas no texto, enquanto métodos de similaridade de string ajudaram a normal= izar diferentes formas de escrita de um mesmo nome. Combinadas, essas técnicas viabilizaram uma análise consistente dos autores e possibilitaram a associa= ção correta das contribuições individuais.
Assim, um ar=
tigo
extraído e processado de um periódico contém k em ℕ autores e produzirá k
amostras para o dataset, ou seja, cada a=
utor
recebe um registro, contendo as variáveis que descrevem as contribuições (e=
x.: Conception_and_Design,
Figura 7 – Representação matemática de um conjunto de variáveis compostas, definidas c= omo combinações estruturadas que caracterizam as contribuições dos autores nos artigos científicos.
Fonte: Elaborado pelos autores (2025)
onde =
Por fim, a e= strutura do dataset final é mostrada no Quadro 4,= na qual podem ser visualizadas as variáveis que descrevem as contribuições dos autores nos artigos.
Quadro 4 – Variáveis que descrevem as contribuições dos autores nos artigos.
|
# |
Variáve=
l |
|
1 |
doi |
|
2 |
authors |
|
3 |
ac_ad=
ministrative_technical_or_logistic_support |
|
4 |
ac_an=
alysis_and_interpretation_of_the_data |
|
5 |
ac_co=
llection_and_assembly_of_data |
|
6 |
ac_conception_and_design |
|
7 |
ac_cr=
itical_revision_for_important_intellectual_content |
|
8 |
ac_dr=
afting_of_the_article |
|
9 |
ac_dr=
afting_of_the_article |
|
10<= /p> |
ac_obtaining_of_funding |
|
11<= /p> |
ac_pr=
ovision_of_study_materials_or_patients |
|
12<= /p> |
ac_statistical_expertise |
Fonte: Elaborado pelos autores (2025)
5 RESULTADOS E DISCUSSÃO
Os robôs apresentados (RCDA, RCCA e RIA) mostraram resultados significativos tanto na redução do tempo de coleta quanto na melhoria da precisão e qualidade dos d= ados coletados. Nesta seção, é apresentada uma análise detalhada dos resultados obtidos, acompanhada de uma comparação com métodos tradicionais e estudos correlatos, para destacar as vantagens e limitações da abordagem proposta. =
5.1
Teste das Hipóteses e Principais Métricas
Para avaliar formalmente as hipóteses de estudo (H1, H2 e H3<= /sub>), selecionou-se uma amostra de 50 artigos (contendo 407 autores). Dois avaliadores independentes coletaram os dados manualmente de cinco autores e= , em seguida, os resultados foram comparados aos dados obtidos pelos robôs. As principais métricas analisadas foram:
· Tempo de Coleta (TC): Tempo para cole= tar e organizar os dados.
· Precisão (PR): Percentual de convergê= ncia entre a coleta manual e a coleta automatizada.
· Taxa de Erro (TE): 1 – Precisão.
· Vieses (VI): Verificaram-se divergênc= ias sistemáticas na atribuição de contribuições ou na identificação dos autores= .
5.1.1
Tempo de Coleta (TC)
Em uma crono= metragem para a extração e processamento dos dados de cinco autores aleatórios de fo= rma manual, foram gastos, em média, seis minutos. A simulação incluiu o acesso = ao site, leitura e coleta dos dados e inclusão em uma planilha eletrônica. Considerando o tempo gasto nesse processo, levaria aproximadamente 9.829 minutos (ou cerca de 163 horas e 49 minutos) para completar as 8.191 tarefas manualmente.
Utilizando o= robô RIA, que tem como função processar os dados dos autores, para processar os = 901 artigos e 8.191 autores, o tempo gasto foi de 1,29 minutos. Neste caso, a automação proporcionou uma redução de tempo de aproximadamente 99,9%. Esse resultado corrobora H1, indicando que a automação supera amplamente a marca de 90% de redução de tempo estipulada na hipótese. Na Figura 8 é mostrada uma comparação e= ntre os métodos.
Figura 8 –= Comparação entre os métodos de extração e processamentos dos dados pelo robô RIA.
Fonte: Elaborado pelos autores (2025)
O gráfico mostrado na Figura 8 compara o tempo gasto = na extração de dados utilizando métodos manuais e o robô RIA. O método manual = (5 autores) representa o tempo necessário para coletar dados manualmente de ci= nco autores, enquanto o método manual (8191 tarefas) ilustra o tempo estimado p= ara completar manualmente todas as 8.191 tarefas. Em contraste, a terceira barra destaca a significativa redução de tempo proporcionada pelo robô RIA, que processou dados de 901 artigos e 8.191 autores em apenas 1,29 minutos, demonstrando a eficiência e o impacto da automação.
5.1.2 Precisão e Taxa de=
Erro
Comparando-se os resultados da coleta automática com o ground= truth manual, a precisão atingiu valores pr= óximos de 99,9% (ou seja, 0,01% de taxa de erro). Esse valor reflete a eficiência conjunta dos três robôs. O método manual, por sua vez, apresentou uma taxa = de erro em torno de 2,7%, refletindo eventuais falhas de transcrição ou atençã= o do avaliador, especialmente dado o volume de dados. A diferença de aproximadam= ente 2,69 pontos percentuais na taxa de erro confirma H2, que previa que a coleta automatizada excederia 95% de acerto. A Figura 9 mostra= a comparação entre os métodos.
Figura 9 – Comparação do Tempo de Coleta: Manual vs. RCDA
Fonte: Ela= borado pelos autores (2025)
Conforme é possível observar no gráfico, o método man= ual exige um tempo considerável para coletar e processar os dados, chegando a valores próximos de 10.000 minutos (9.829 em projeção) ou cerca de 163 hora= s e 49 minutos. Em contraste, o RCDA reduz drasticamente o tempo de processamen= to, ficando abaixo de 3.000 minutos, demonstrando uma eficiência muito superior= . O gráfico destaca a vantagem da automação, mostrando como a implementação do = RCDA pode economizar tempo e aumentar a produtividade em tarefas de coleta de da= dos acadêmicos. He et al. (2013) relataram que métodos baseados exclusivamente em web scraping en= frentaram dificuldades devido a inconsistências estruturais nas fontes de dados, algo mitigado no RCDA por sua flexibilidade e adaptação automatizada.
5.1.3 Vieses na Coleta d=
os Dados
Foram observados poucos casos (cerca de 0,2% dos regi= stros) em que os nomes apresentados no byline divergiam dos nomes informados na seção de contribuições. A aplicação de PL= N e similaridade de strings garantiu a corre= ção dessas divergências na maior parte dos casos, não se identificando um viés sistemático que prejudicasse um grupo específico de autores ou contribuiçõe= s. Nesse sentido, H3 foi corroborada, embora se reconheça a necessidade de monitoramento contínuo quando o sistema for aplicado em outr= os periódicos.
5.2 Comparação com Estud=
os
Anteriores
Estudos prévios, como os de Rosenzweig et al. (2008), demonstraram eficiência da coleta via APIs, mas ainda com necessida= de de intervenções manuais significativas para limpeza de dados. A abordagem proposta neste trabalho integra a limpeza de forma automática, reduzindo o retrabalho humano e mitigando falhas de transcrição. Outros trabalhos, como= o de Tran, Huynh e Do (2014), dependiam de grandes volumes de dados rotulados para aplicar aprendizado profundo na desambiguaç= ão de autores. Já o uso de técnicas de PLN e similaridade de strings, conforme adotadas no RCCA, prescinde de datasets massivos previamente anotados, adaptando-se a diferentes estruturas de site= .
5.3 Análise Crítica e
Implicações Práticas
Os resultados indicam que a adoção de automação e IA = na coleta de dados científicos pode otimizar consideravelmente a rotina de pesquisadores e equipes editoriais, economizando tempo e elevando a precisã= o. Ademais, a transparência na identificação de contribuições (via taxonomia <= span class=3DSpellE>CRediT) auxilia na delimitação do papel de cada autor, atendendo a demandas éticas e metodológicas de maior clareza e honestidade = na autoria. Entretanto, o custo computacional pode ser elevado em casos de = web scraping em larga escala, requerendo infraestrutu= ra robusta e monitoramento de eventuais falhas de conexão.
No âmbito ético, ressalta-se a necessidade de garanti= r que os robôs cumpram políticas de uso de dados e não infrinjam termos de serviço dos periódicos. Em bases privadas, tal como o Scopus, ou artigos sob acesso pago, a adoção de web scraping pode ser inviável ou requerer licenças específicas. Ainda, possíveis algoritmos de IA podem reproduzir vieses, exigindo supervisão humana e ajustes periódicos.
5.4 Considerações Estatí=
sticas
Para validar a significância dos resultados, foi apli=
cado
um teste t para amostras pareadas entre (i) tempo/manual vs.
tempo/automático, e (ii) taxa de erro/manual
Além disso, a consistência entre avaliadores independ= entes foi analisada por meio de coeficientes de concordância, resultando em valor= es superiores a 0,9 (escala de 0 a 1). Esse nível de confiabilidade reforça a validade do ground truth para comparação com a extração automatizada.
No Quadro 5 são resumidos resultados alcançados pelos= robôs desenvolvidos, quando comparados com outros métodos, mostraram diferenças significativas relacionadas a estudos prévios.
Quadro 5 –= Resumo dos resultados alcançados usando os robôs desenvolvidos em comparação com métod= os tradicionais e estudos prévios.
|
Critério |
Métodos Manuais |
APIS Acadêmicas |
Web Scraping
+ PLN |
RCDA, RCCA e RIA |
|
Tempo de Coleta |
Muito Alto |
Médio |
Baixo |
Extremamente Baixo |
|
Precisão |
Alta |
Alta |
Muito Alta |
Superior a 99,9% |
|
Escalabilidade |
Baixa |
Média |
Alta |
Muito alta |
|
Flexibilidade |
Baixa |
Média |
Alta |
Muito Alta |
|
Dependência de Fontes |
Baixa (depende do objetivo) |
Alta (restrições de APIs) |
Baixa (acesso livre à web) |
Baixa (acesso livre à web) |
|
Capacidade de Adaptação |
Alta (mas manual) |
Baixa (limitada aos metadados disponíveis) |
Alta (captura de qualquer conteúdo disponível) |
Muito Alta (capacidade de adaptação dinâmica) |
|
Redução de Tempo (%) |
0 |
50-60% |
70-80% |
Até 99,9% menor que métodos tradicionais |
|
Acurácia (%) |
80-85% |
90-95% |
95-98% |
99,9% + |
Fonte: Elaborado pelos autores (2025)
8 DISCUSSÃO
A integração de robôs para automação na coleta de dad= os acadêmicos gera diversos benefícios, incluindo maior rapidez, menor erro e possibilidade de escalabilidade. A taxa de erro abaixo de 0,5% mostra que a abordagem é suficientemente confiável para fins de pesquisa bibliométrica ou revisões sistemáticas, sobretudo quando comparada ao método manual.
Contudo, a adoção de automação não elimina a necessid= ade de intervenção humana. Alterações na estrutura HTML dos periódicos, limitações= de acesso, variações linguísticas e dados inconsistentes podem demandar atualizações frequentes dos robôs e conferências humanas. Em se tratando de= IA, há ainda o risco de vieses algorítmicos, que não surgiram de forma evidente= no caso analisado, mas podem aparecer ao se ampliar a base ou variar para periódicos que apresentem maior heterogeneidade estrutural.
8.1 Perspectivas de Expa=
nsão
Os robôs apresentados (RIA, RCDA, RCCA) podem ser ada= ptados para outras áreas além da medicina, desde que sejam configurados para compreender diferentes layouts e estruturas de artigos científicos. Em área= s em que metadados são ainda mais escassos, pode-se integrar técnicas mais sofisticadas de PLN, como deep learni= ng, para identificação de trechos relevantes nos artigos.
8.2 Comparação com Traba=
lhos
Correlatos
Verifica-se sintonia com estudos como os de Ferrara <= i>et al. (2014) e Bui et al. (2016), pois a automação proposta também= se beneficia de metodologias híbridas (regras + aprendizado de máquina). No entanto, diferencia-se por aplicar um pipeline unificado que lida com extração de autores, coleta de dados e identificação de contribuições, indo além da simples recuperação de metadados.
8.3 Implicações Éticas e=
Legais
A extração automatizada = de dados, especialmente quando envolve informações sensíveis, deve seguir norm= as rigorosas de uso para garantir a proteção da privacidade e evitar possíveis abusos. Segundo Pereira et al. (2024), “Dado sensível pode ser definido com= o as informações confidenciais que requerem proteção devido à sua natureza priva= da e potencial de uso indevido.” Esse tipo de dado inclui informações pessoais, médicas, financeiras e outras que, se expostas ou manipuladas de forma inadequada, podem resultar em riscos como discriminação, fraudes e violaçõe= s de privacidade.
A maior transparência viabilizada pela taxonomia CRediT é bem-vinda, = mas também pode expor autores a disputas se não houver clareza quanto ao papel = de cada um (Pourret; Besançon, 2024). Políticas de privacidade ou restrições de copyright podem demandar acordos específicos ou até inviabilizar a raspagem (Brown et al., 2024).
Além disso, a automação = no processamento de dados sensíveis pode intensificar os riscos caso os algori= tmos utilizados não sejam devidamente auditados. Modelos de inteligência artific= ial podem inadvertidamente perpetuar vieses e explorar informações de maneira q= ue comprometa a transparência e a equidade na tomada de decisões (Nazer et al., 2023). Dessa forma, garantir o cumprimento das normas de uso de dados não é apenas uma exigência legal, mas também uma responsabilidade ética e técnica, fundamental para a construção = de sistemas confiáveis e socialmente responsáveis (Deng et al., 2024).<= /p>
9 CONCLUSÃO
A automação da coleta e = análise de dados científicos representa um avanço crucial para a eficiência e preci= são na extração de informações em larga escala. Este estudo demonstrou como os = robôs RCDA, RCCA e RIA podem otimizar a obtenção e o processamento de dados autor= ais, reduzindo significativamente o tempo de execução e minimizando erros humano= s. Com ganhos expressivos, a automação permitiu uma coleta de dados até 99,9% = mais rápida e elevou a precisão, reduzindo a taxa de erro aproximadamente para 0= ,01%. Testes estatísticos (teste t pareado) confirmaram a significância dessas diferenças (p < 0,01), validando as hipóteses propostas (H1 e= H2) e indicando ausência de vieses relevantes (H3).
Além da eficiência opera= cional, a abordagem proposta destaca o papel fundamental da automação na ciência de dados e sua aplicabilidade em diversos domínios, como pesquisa acadêmica, s= aúde e negócios. A integração de técnicas como web scrap= ing, processamento de linguagem natural (PLN) e análise de dados amplia o escopo= das investigações, possibilitando maior reprodutibilidade e escalabilidade. Emb= ora este estudo tenha se concentrado na análise de dados autorais na área médic= a, seus métodos podem ser aplicados a outras disciplinas, contribuindo para a construção de redes bibliométricas e a identificação de colaborações científicas, conforme destacado por Castanha (2024).
Contudo, desafios como a
dependência de conectividade, restrições de APIs e mudanças estruturais em
páginas da web tornam a automação um campo dinâmico, exigindo atualizações
constantes. Estratégias como caching,
Dessa forma, este estudo= não apenas reforça a automação como um recurso essencial para a ciência de dado= s, mas também abre novas possibilidades para investigações futuras e inovações= que possam transformar a análise e a gestão de grandes volumes de informações.<= /p>
REFERÊNCIAS
ANTYPAS, K.=
B. et
al. Enabling
discovery data science through cross-facility workflows. In: 2021 IE=
EE
INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA), Orlando, FL, USA. 2021 =
IEEE
International Conference on Big Data (Big Data). Orlando, FL, US=
A:
IEEE, 2021. p. 3671–3680. Disponível em: https://ieeexplore.ieee.org/docume=
nt/9671421/.
A=
cesso em: 10 mar. 2025.
ARIA, Massimo; MISURACA, Michelangelo; SPANO, Maria. Mapping the Evolution of Soc= ial Research and Data Science on 30 Years of Social Indicators Research. Social Indicators Research= , [s. l.], n. 0123456789, 2020.
ATAIDES, Ananda
Eduarda Dos Santos; NACIFE, Jean Marc. Big Data Analyt=
ics
como suporte à tomada de decisão em organizações privadas: um estudo
bibliométrico. Revista de Gestão e Secretariado, [s. l.], v. =
15,
n. 7, p. e4031, 2024.
BROWN, Megan A. et al. Web Scraping for Research: Legal, Ethi=
cal,
Institutional, and Scientific Considerations. [S. l.]: a=
rXiv,
2024. Disponível em: https://arxiv.org/abs/2410.23432. Acesso em: 10 mar. 2=
025.
BUI,
Duy Duc An et al. Extractive
text summarization system to aid data extraction from full text in systemat=
ic
review development. Journal of Biomedical Informatics, [s. l.], v. 6=
4,
p. 265–272, 2016.
BURGE=
R,
Benjamin et al. A
mobile robotic chemist. Nature,
[s. l.], v. 583, n. 7815, p. 237–241, 2020.
BYRNE, Ciar= a et al. Develop= ment Workflows for Data Scientists. O’Reilly, [s. l.], 2017. Disponível em: http://oreilly.com/safari. Acesso em: 15 jan. 2025.
CAMILO, Cláudia;
GARRIDO, Margarida Vaz. A revisão sistemática de literatura em psicologia:
Desafios e orientações. Análise Psicológica, [s. l.], v. 37, =
n.
4, p. 535–552, 2019.
CASTANHA, Rafael
Gutierres. Visualização de redes de coautoria como insumo bibliométrico
CHANG,
Yu-Wei. Definition of authorship in social science journals. Scientometrics, [s. l.], v. 118, n. 2, =
p.
563–585, 2019.
DE SO=
UZA,
Edson Melo; STOROPOLI, Jose Eduardo; ALVES, Wonder Alexandre Luz. Scientific
Contribution List Categories Investigation: a comparison between three
mainstream medical journals. Scientometrics, [s.
l.], v. 127, n. 5, p. 2249–2276, 2022.
DECULLIER, =
Evelyne;
MAISONNEUVE, Hervé. Have
ignorance and abuse of authorship criteria decreased over the past 15 years=
? Journal
of Medical Ethics, [s. l.], p. 255–258, 2019.
DENG, Luojia et al. Autonomous
self-evolving research on biomedical data: the DREAM paradigm. <=
span
style=3D'font-family:"Myriad Pro",sans-serif;mso-fareast-font-family:Aptos;
mso-font-kerning:1.0pt;mso-ligatures:standardcontextual'>[S. l.]:
FALSARELLA, L. A.; JANNUZZI, P. M. Automação em bibliometr=
ia:
técnicas para análise de grandes volumes de publicações científicas. Tran=
sinformação, 32, e200321. 2020.
FAN, Cheng et al. A Review on Data
Preprocessing Techniques Toward Efficient and Reliable Knowledge Discovery =
From Building Operational Data. Frontiers in Energy
Research, [s. l.], v. 9, p. 652801, 2021.
FERRARA, Emilio et al. Web data extraction, applications and
techniques: A survey. Knowledge-Based Systems, [s. l.], v. 70, p.
301–323, 2014.
GANDOMI, Amir; HAIDER, Murtaza. Beyond the hype: Big
data concepts, methods, and analytics. International
Journal of Information Management, [s. l.], v.=
35,
n. 2, p. 137–144, 2015.
GLEZ-PEÑA,
Daniel et al. Web scraping technologies in an API world. =
Briefings in Bioinformatics,
[s. l.], v. 15, n. 5, p. 788–797, 2014.
GRACIANO, Helton L=
uiz
Dos Santos; RAMALHO, Rogério Aparecido Sá. ScraperCI:
um web scraper para coleta de dados científicos.=
Encontros
Bibli: revista eletrônica de biblioteconomia e
ciência da informação, [s. l.], v. 28, p. 1–18, 2023.
HE, Bing; DING, Ying; TANG, Jie; REGURAMALINGAM, Vignesh; BOLLEN, Johan. Mining diversity subgraph in multidisciplinary scientific collaboration networks: A meso perspective. Journal of Informetric= s, Elsevier Ltd, v. 7, n. 1, p. 117–128, 2013.
HELENA PRESSER, Nadi; LOPES DA SILVA, Eli. Extração da informação e produção de conhecimento por meio da mineração de dados. Navus - Revista de Gestão e Tecnologia,= [s. l.], p. 05–06, 2018.
HILÁRIO, Carla Mara et al. Authorship in science: A critical analysi=
s from
a Foucauldian perspective. Research Evaluation, [s. l.], v. 2=
7,
n. 2, p. 63–72, 2018.
IGOU,=
Eric
R.; VAN TILBURG, Wijnand A. P. Ahead of others in the authorship order: Nam=
es
with middle initials appear earlier in author lists of academic articles in
psychology. Frontiers in Psychology, [s. l.], v. 6, n. MAR, p.
1–9, 2015.
JONES=
, James
W.; MCCULLOUGH, Lawrence B.; RICHMAN, Bruce W. The ethics of bylines: Would=
the
real authors please stand up? Journal of Vascular Surgery, [s. l.=
],
v. 42, n. 4, p. 816–818, 2005.
JORDAN, M. I.; MITCHELL, T. M. Machine learning: Trends, perspective=
s,
and prospects. Science, [s. l.], v. 349, n. 6245, p. 255–260,
2015.
KALAIVANI, G.; KAMALAKKANNAN, S. Web Scraping Technique for Predicti=
on
of Air Quality through Comparative Analysis of Machine Learning and Deep
Learning Algorithm. In: 2022 INTERNATIONAL CONFERENCE ON AUGMENTED
INTELLIGENCE AND SUSTAINABLE SYSTEMS (ICAISS), 2022, Trichy, India. 2022
International Conference on Augmented Intelligence and Sustainable Systems
(ICAISS). Trichy, India: IEEE, 2022. p. 263–273. Disponível em: htt=
ps://ieeexplore.ieee.org/document/10010968/.
Acesso em: 10 mar. 2025.
KHDER, Moaiad. Web Scraping or Web Crawl=
ing:
State of Art, Techniques, Approaches and Application. International Jour=
nal
of Advances in Soft Computing and its Applications, [s. l.], v. =
13,
n. 3, p. 145–168, 2021.
KOEHLER, Martin et al. Data context informed data wrangling. =
In:
2017 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA), 2017, Boston, MA=
. 2017
IEEE International Conference on Big Data (Big Data). Boston, MA: IEEE,
2017. p. 956–963. Disponível em: http://ieeexplore.ieee.org/document/825801=
5/. Acesso em:
16 jan. 2025.
KOVAL=
ENKO,
Dima. Selenium design patterns and best practices: build a powerful, sta=
ble,
and automated test suite using Selenium WebDriver. Packt
Publishing, 2014. (Community Experience Distilled). Di=
sponível
em:
https://learning.oreilly.com/library/view/selenium-design-patterns/97817839=
82707/.
Acesso em: 15 jan. 2025.
KUMAR, Aviral et al. A Workflow for Offline Model-Free Robotic
Reinforcement Learning. [S.
l.]: arXiv, 2021. Disponível em:
http://arxiv.org/abs/2109.10813. Acesso em: 16 jan. 2025.
KUMAR,
Sameer. Ethical concerns in the rise of co-authorship and its role as a pro=
xy
of research collaborations. Publications, [s. l.], v. 6, n. 3,
2018.
LI, Chunquan; CHEN, Yaqiong; SHANG, Yuling. A review of industrial
big data for decision making in intelligent manufacturing. Engine=
ering
Science and Technology, an International Journal, [s. l.], v. 29=
, p.
101021, 2022.
LOPEZ,
Patrice. GROBID: Combining Automatic Bibliographic Data Recognition and Term
Extraction for Scholarship Publications. In: AGOSTI, Maristella et
al. (org.). Research and Advanced Technology for Digital Libraries.
Berlin, Heidelberg: Springer Berlin Heidelberg, 2009. (Lecture Notes in
Computer Science). v. 5714, p. 473–474. Disponível em: http://link.springer.com/10.1007/978-3-642-04346-=
8_62. Acesso em: 10 mar.
2025.
LOZAN=
O,
George A. Ethics of Using Language Editing Services in An Era of Digital
Communication and Heavily Multi-Authored Papers. Science and Engineering
Ethics, [s. l.], v. 20, n. 2, p. 363–377, 2014.
MAÑAN=
A-RODRÍGUEZ,
Jorge. A critical review of SCImago Journal &am=
p;
Country Rank. Research Evaluation, [s. l.], v. 24, n. 4, p.
343–354, 2015.
MATTS=
SON,
Pauline; SUNDBERG, Carl Johan; LAGET, Patrice. Is correspondence reflected =
in
the author position? A bibliometric study of the relation between correspon=
ding
author and byline position. Scientometrics, [s. l.], v. 87, n=
. 1,
p. 99–105, 2011.
MCNUT=
T,
Marcia K. et al. Transparency in authors’ contributions and responsibilitie=
s to
promote integrity in scientific publication. Proceedings of the National
Academy of Sciences, [s. l.], v. 115, n. 11, p. 2557–2560, 2018.
MEHRA=
BI, N. et
al. A Survey on Bias and Fairness in Machine Learning. Journal =
of
Artificial Intelligence Research, 71, 1-35, 2021.
MENA-=
CHALCO,
Jesús Pascual; JUNIOR, Roberto Marcondes Cesar. script=
Lattes:
an open-source knowledge extraction system from the Lattes platform. Jou=
rnal
of the Brazilian Computer Society, [s. l.], 2009.
MONGE=
ON,
Philippe et al. The rise of the middle author: Investigating
collaboration and division of labor in biomedical research using partial
alphabetical authorship. PLOS
ONE, [s. l.], v.
12, n. 9, p. 1–14, 2017.
MORAIS,
Caroline et al. Estimativa
da probabilidade de erro humano: uma análise da utilização e pesquisa dos
métodos de confiabilidade humana, dados disponíveis e técnicas probabilísti=
cas.
In: CONGRESSO DA ASSOCIAÇÃO BRASILEIRA DE ANÁLISE DE RISCO, SEGURANÇA DE
PROCESSO E CONFIABILIDADE (ABRISCO), 2019, Anais... Associação Brasilei=
ra
de Análise de Risco, Segurança de Processo e Confiabilidade, 2019.
NASAR, Zara; JAFFR=
Y, Syed Waqar; MALIK, Muhamm=
ad Kamran. Information extraction from scientific articles: a
survey. Scientometrics, [s. l.], v. 117,=
n. 3,
p. 1931–1990, 2018.
NASCIMENTO, Carlos Alberto Xavier et al. Innovation in busine=
ss
through big data analytics. International Journal of Professional Busine=
ss
Review, [s. l.], v. 3, n. 1, p. 1–16, 2018.
NOVAES, Douglas. A
EFICIÊNCIA NA TOMADA DE DECISÃO POR MEIO DA ANÁLISE PREDITIVA INTEGRADA AOS
SISTEMAS ERP. Revista Tópicos, v. 2, n. 6, 2024. ISSN: 2965-6672. Disponível
em: https://zenodo.org/doi/10.5281/zenodo.10720638. Acesso em: 10 mar.
2025.
NTI, Isaac Kofi et al. A mini-review of
machine learning in big data analytics: Applications, challenges, and
prospects. Big Data Mining and Analytics, [s. l.], v. 5, n. 2=
, p.
81–97, 2022.
NUNES, Maria das
Graças Volpe. Processamento de Linguagem Natural: Conceitos, Técnicas e
Aplicações em Português. 2. ed. São Carlos, =
SP:
Graça Nunes, 2024.
PATIENCE, Gregory S. et al. Intellectual contributions meriting autho=
rship:
Survey results from the top cited authors across all science categories.
PENG,=
Xiaoting et al. Scientific misconduct responsi=
bility
attribution: An empirical study on byline position and team identity in Chi=
nese
medical papers. PLOS ONE, [s. l.], v. 19, n. 8, p. e0308377,
2024.
PIEDR= A, Nelson et al. Guidelines to producing structured interoperable data = from Open Access Repositories. In: 2016 IEEE FRONTIERS IN EDUCATION CONFERENCE (FIE), 2016, Erie, PA, USA. 2016 IEEE Frontiers in Education Conference (FIE). Erie, PA, USA: IEEE, 2016. p. 1–9. Disponível = em: http://ieeexplore.ieee.org/document/7757660/. Acesso em: 10 mar. 2025.
PORTO,= Anna Laura Magalhães; CORDEIRO, Douglas Farias. WEB SCRAPING E A BUSCA PELA GARA= NTIA DA QUALIDADE DOS DADOS EM UMA COLETA AUTOMATIZADA A PARTIR DE UMA REVISÃO BIBLIOGRÁFICA. Revista Eletrônica de Sistemas de Informação e Gestão Tecnológica. 14(1), 2024.
POURRE= T, Olivier; BESANÇON, Lonni. Authorship Versus Co= ntributorship in Scientific Articles: Considering COPE Principles and the CRediT Taxonomy. <= /span>[S. l.]: Open Science Framework, 2024. Disponível em: https://osf.io/a7s2x. Acesso em: 10 mar. 2025.
PRIEM= , Jason; PIWOWAR, Heather; ORR, Richard. OpenAlex: A fully-open index of scholarly works, authors, venues, institutions, and concepts. [S. l.]: arXiv, 2022. Disponível em: https://arxiv.org/abs/220= 5.01833. Acesso em: 10 mar. 2025.
RABBY, Gollam et al. A Flexible Keyphrase Extraction Techn= ique for Academic Literature. Procedia Computer Science, [s. l.], v. 135,= p. 553–563, 2018.
RAGHUPATHI,
Wullianallur; RAGHUPATHI, Viju. Big data analytic=
s in
healthcare: promise and potential. Health Information Science and System=
s,
[s. l.], v. 2, n. 1, p. 3, 2014.
ROSENZWEIG,=
Jaime
S. et al. Authorship,
collaboration, and predictors of extramural funding in the emergency medici=
ne
literature. The American Journal of Emergency Medicine, [s. l.],
v. 26, n. 1, p. 5–9, 2008.
RUSSELL, Ar=
ielle F.
et al. A
Bibliometric Study of Authorship and Collaboration Trends Over the Past 30
Years in Four Major Musculoskeletal Science Journals. Calcified Tissue
International, [s. l.], v. 104, n. 3, p. 239–250, 2019.
SARKER, Iqbal H. Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research
Directions. SN
Computer Science,
[s. l.], v. 2, n. 6, p. 420, 2021.
SEWALD JUNIOR, Ego=
n;
SANTOS JÚNIOR, Sérgio Murilo Dos. Impacto da Ciência de Dados na Tomada de
Decisão: um estudo de caso e um guia de implantação. <=
b>Navus
- Revista de Gestão e Tecnologia, [s. l.], p. 1–16, 2024.
SINGRODIA, Vidhi; MITRA, Anirban; PAUL, Subrata. A Review on Web Scrapping and its Applications. In: 2019
INTERNATIONAL CONFERENCE ON COMPUTER COMMUNICATION AND INFORMATICS (ICCCI),
2019, Coimbatore, Tamil Nadu, India. 2019 International Conference on
Computer Communication and Informatics (ICCCI). Coimbatore, Tamil
Nadu, India: IEEE, 2019. p. 1–6. Disponível em:
https://ieeexplore.ieee.org/document/8821809/. Acesso em: 16 jan. 2025.
SOUZA, Daniel Soares De et al. Aprimorando Seleções Acadêmicas com Técnicas de Entropia e Método AHP-TOPSIS-2N. Navus - Revista de Gestão e Tecnologia, [s. l.], v. 14, 2024. Disponív= el em: https://navus.sc.senac.br/navus/article/view/1894. Acesso em: 31 jan. 2= 025.
SOUZA, E. M. DE. Aplicação de ciência de dados na análi= se do posicionamento autoral e contribuições científicas em artigos. [s.l.] Universidade Nove de Julho, 2021. Disponível em: https://bibliotecatede.uninove.br/bitstream/tede/2788/2/Edson%20Melo%20de%2= 0Souza.pdf. Acesso em: 3 jan. 2025.
TANG,=
Jie et
al. ArnetMiner: extraction and mining of ac=
ademic
social networks. In: KDD08: THE 14TH ACM SIGKDD INTERNATIONAL CONFER=
ENCE
ON KNOWLEDGE DISCOVERY AND DATA MINING, 2008, Las Vegas Nevada USA. Proc=
eedings
of the 14th ACM SIGKDD international conference on Knowledge discovery and =
data
mining. Las Vegas Nevada USA: ACM, 2=
008.
p. 990–998. Disponível em: https://dl.acm.org/doi/10.1145/1401890.1402008. =
Acesso<=
/span> em: 15 jan. 2025.
TANG,= Jie; ZHANG, Duo; YAO, Limin. Social Network Extraction of Academic Researchers. = In: SEVENTH IEEE INTERNATIONAL CONFERENCE ON DATA MINING (ICDM 2007), 20= 07, Omaha, NE, USA. Seventh IEEE International Conference on Data Mining (ICDM 2007). Omaha, NE, USA: IEEE, 2007. p. 292–301. Disponível em: http://ieeexplore.ieee.org/document/4470253/. Acesso em: 26 jan. 2025.
TOHALINO, Jorge Andoni Valverde. Usando redes
complexas e processamento de línguas naturais para caracterizar e classific=
ar
itens científicos. 2023. Tese (Doutorado em Ciências de Computação e
Matemática Computacional) - Instituto de Ciências Matemáticas e de Computaç=
ão, University of São Paulo, São Carlos, 2023.
doi:10.11606/T.55.2023.tde-11042023-090221. Acesso em:
2025-03-10.
TRAN, Hung Nghiep; HUYNH, Ti= n; DO, Tien. Author Name Disambiguation by Using Deep Neural Network. In: NGUYEN, Ngoc Thanh et al. (org.). Intelligent Information and Database Systems. Cham: Springer International Publishing, 2014. (Lectu= re Notes in Computer Science). v. 8397, p. 123–132. Disponível em: http= ://link.springer.com/10.1007/978-3-319-05476-6_13. Acesso em: 16 jan. 2025.
TSCHARNTKE, Teja et al.=
Author sequence and credit f=
or
contributions in multiauthored publications.
XU, Michael; KUMAR, Abinash; LEBEAU, James M. Towards Augmented
Microscopy with Reinforcement Learning-Enhanced Workflows. Microscopy and
Microanalysis, [s. l.], v. 28, n. 6, p. 1952–1960, 2022.
YANG,=
Siluo; WOLFRAM, Dietmar; WANG, F=
eifei.
The relationship between the author byline and
contribution lists: a comparison of three general medical journals. =
Scientomet=
rics, [s. l.], v. 110, n. 3, p.
1273–1296, 2017.
ZBAR, Ariella; FRANK, Erica. Significance of authorship position: An
open-ended international assessment. American Journal of the Medical
Sciences, [s. l.], v. 341, n. 2, p. 106–109, 2011.
ZHAO,=
Bo. Web
Scraping. In: SCHINTLER, Laurie A.; MCNEELY, Connie L. (org.). En=
cyclopedia
of Big Data. Cham: Springer International Publishing, 2022. p. 951–953.=
Disponível em: https://li=
nk.springer.com/10.1007/978-3-319-32010-6_483.
Acesso em: 10 mar. 2025.
ZHAO,=
Linlin et al. Advancing computer-aided drug
discovery (CADD) by big data and data-driven machine learning modeling. =
Drug
Discovery Today, [s. l.], v. 25, n. 9, p. 1624–1638, 2020.
Eficiência e Precisão na
Extração de Dados Científicos: Um Estudo de Caso com Robôs Automatizados
Edson Melo de Sou=
za; Wonder
Alexandre Luz Alves
|
IS=
SN
2237-4558 •<=
/span> Navus • Florianópolis • SC •
v. 16 • p. 01- |
|
|
|
|
|
ISSN 2237-4558 • Navus • |
|