Impactos das políticas públicas brasileiras de incentivo à inovação: análises das redes participantes nos Fundos Setoriais de biotecnologia e energia
Bibliographic record
Abstract
\n A presente pesquisa tem por objetivo avaliar os impactos estruturais, de processo e desempenho gerados nas redes de inovação caracterizadas pelas empresas e as Instituições de Ciência e Tecnologia estabelecidas para tomada de recursos dos Fundos Setoriais para Ciência e Tecnologia brasileiros. Isto porque os fundos setoriais representam importantes pilares do sistema nacional de inovação brasileiro e, como foram criados a pouco mais de uma década, o momento é oportuno para sua avaliação. Nessa pesquisa foram analisados os fundos setoriais de energia e biotecnologia. O presente estudo utilizou dados secundários disponíveis nas Bases de Dados da FINEP, que representam cerca de 70% do total desses fundos em projeto e também em volumes de recursos. Os indicadores de análise são posicionados em diferentes disciplinas científicas e diferentes níveis de análise e foram consolidados à luz da teoria do modelo de gestão da inovação aberta. A pesquisa também contribui para disseminação e consolidação da cultura de inovação no país e da importância das políticas governamentais de fomento à inovação. Os setores de biotecnologia e energia são de forte apelo e custo social, estão relacionados entre si e são intensos em pesquisa e desenvolvimento. São, portanto, participantes naturais do sistema brasileiro de inovação e tomadores dos fundos setoriais. Além disso, esses setores são importantes setores para desenvolvimento econômico regional, constituindo assim, áreas importantes para o campi da USP de Ribeirão Preto. A região está implantando um parque tecnológico que contempla essas áreas na sua diversidade de atuação. Finalmente, esses temas são de interesse do pesquisador que tem paixão e carreira em desenvolvimento e inovação. Portanto, a consolidação da pesquisa como competência no meu currículo constitui motivo fundamental de integração e dedicação no programa de mestrado.\n
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".