Usando redes complexas e processamento de linguagem natural para prever e analisar sucesso na ciência

• Processo: 25/00944-6
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de junho de 2026
• Data de Término da vigência: 31 de maio de 2028
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Raphael Amancio
• Beneficiário: Diego Raphael Amancio
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Município da Instituição Sede: São Carlos
• Pesquisadores associados: Filipi Nascimento Silva ; Henrique Ferraz de Arruda ; Osvaldo Novais de Oliveira Junior
• Assunto(s): Cientometria Processamento de linguagem natural Link prediction
• Palavra(s)-Chave do Pesquisador: complex networks | Link Prediction | natural language processing | science of science | Semantic Networks | Cienciometria

Resumo

Nos últimos anos, o volume de informações geradas na literatura científica tem aumentado de forma exponencial, o que tem impulsionado a necessidade de métodos mais eficientes para lidar com grandes bases de dados. No contexto da análise da literatura científica, embora o uso de Inteligência Artificial (IA) tenha crescido consideravelmente para entender o estado atual da ciência, ainda persiste uma lacuna no que se refere à previsão de seu comportamento futuro.O objetivo principal deste projeto é desenvolver metodologias preditivas capazes de automatizar a previsão do comportamento da literatura científica, com ênfase na identificação de novas direções de pesquisa e na avaliação de seu impacto futuro. A metodologia proposta combina técnicas de IA, modelagem de Redes Complexas e Processamento de Linguagem Natural. A literatura científica será representada como uma rede semântica, em que os conceitos são modelados como vértices e suas relações como arestas. A previsão do futuro da ciência será feita por meio da antecipação de novas conexões entre esses conceitos, utilizando métodos de aprendizado de máquina.Espera-se que os resultados deste projeto possibilitem a previsão de tópicos de pesquisa emergentes, permitindo identificar áreas e papers com alto potencial de relevância futura, mesmo na ausência de histórico de citações. A metodologia também permitirá avaliar o impacto potencial de novas áreas de estudo, contribuindo para a otimização da alocação de recursos e o direcionamento de esforços de pesquisa para temas estratégicos. Finalmente, espera-se que a metodologia proposta também seja capaz de identificar efetivamente propostas de pesquisa com alto potencial de sucesso futuro. (AU)