AVALIAÇÃO DA PRONTIDÃO DE DADOS PARA A ABERTURA DE DADOS DAS INSTITUIÇÕES PÚBLICAS BRASILEIRAS: CASO DE UMA INSTITUIÇÃO FINANCEIRA PÚBLICA BRASILEIRA
Bibliographic record
Abstract
O objetivo deste artigo é apresentar os resultados de um estudo de caso para avaliação da prontidão para a abertura de dados de uma instituição financeira pública brasileira. A metodologia utilizada nesse estudo é a do Banco Mundial, denominada Open Data Readiness Assessment (ODRA), com algumas adaptações propostas, a fim de adequá-la às características das instituições da Administração Pública Federal Brasileira. O estudo demonstrou um elevado grau de prontidão da instituição para Dados Abertos (DA). Apesar disso, apontou lacunas a serem preenchidas em relação a um posicionamento mais claro da liderança no tema, ao estabelecimento de uma cultura organizacional em DA e Governo Aberto, a um maior envolvimento da instituição com a comunidade e o público de interesse de maneira ativa, à ampliação das discussões com os gestores dos dados consignados para disponibilização direta pela instituição e à ampliação da disponibilização de dados, seguindo padrões de DA. Além do estudo de caso, o presente trabalho contribui para o cenário atual dos dados abertos governamentais como um todo ao evidenciar a importância que a avaliação da prontidão tem no processo de abertura das instituições públicas e ao fornecer meios para que instituições e órgãos da administração pública brasileira realizem suas próprias avaliações.Palavras-chave: Avaliação de prontidão para dados abertos; Dados abertos; Dados governamentais abertos; Governo aberto.Link: http://www2.marilia.unesp.br/revistas/index.php/bjis/article/view/6486
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.049 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.008 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".