Mapping educational needs in bioinformatics in Brazil: adapting ISCB 3.0 competencies to a regional context
Notice bibliographique
Résumé
Motivation: Bioinformatics drives modern biological discovery, and Brazil has become an important contributor to genomics and computational biology. However, bioinformatics education across the country struggles to meet diverse regional and professional demands. To respond to these challenges, the Regional Student Group of Brazil created an Educational Committee in 2019 to expand Portuguese-language resources and evaluate national training needs. Here, we apply the Core Competency 3.0 framework to establish a seven-domain training model spanning foundational biological, statistical, and computational skills, ethical principles, applied bioinformatics practices, communication abilities, and continuous professional development. Results: A nationwide survey of 375 respondents from more than 21 Brazilian states revealed pronounced geographic and career-based disparities in bioinformatics training. Individuals who primarily use bioinformatics tools, largely students, showed strong interest in phylogenetics and evolutionary analyses, while those focused on software and tool development prioritized computational methods. These findings demonstrate how educational needs differ across profiles and regions, emphasizing the importance of localized strategies to address Brazil's heterogeneous training landscape. Unlike broad competency frameworks, this data-driven approach identifies specific gaps and areas of high demand. Availability and implementation: By integrating these insights, the Regional Student Group of Brazil proposes an equitable and scalable education model that supports curriculum development and helps strengthen training in regions with limited opportunities, offering a framework adaptable to global scientific communities facing similar socioeconomic challenges.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».