INDICADORES BIBLIOMÉTRICOS SOBRE EDUCAÇÃO EM ENGENHARIA EM DIFERENTES BASES DE DADOS
Bibliographic record
Abstract
Resumo: Buscando atender à necessidade do mercado por profissionais competentes, não só na área técnica, mas também com habilidades de liderança, empreendedorismo e inovação, surgem esforços ao redor do mundo para modernizar os cursos de engenharia, dando cada vez mais impulso ao campo de pesquisa em Educação em Engenharia.Uma das formas de avaliar o impacto da pesquisa cientifica e analisar seus resultados é através do uso de indicadores de ciência e tecnologia.Este trabalho se propôs a elaborar indicadores bibliométricos sobre educação em engenharia a partir das pesquisas disponibilizadas na Web of Science e Scopus nos últimos 20 anos (2000 a 2019).Foram analisados: número de publicações por ano; países, instituições e autores mais relevantes e tendências de pesquisa na área.Após a análise dos dados foi possível constatar a hegemonia dos EUA nas pesquisas em educação em engenharia através do número de publicações, principais instituições e autores.O Brasil não se destacou na área, sendo responsável por apenas uma pequena parcela das publicações analisadas, embora políticas públicas implantadas recentemente venham tentando gerar melhorias no panorama atual.Além disso, foram identificadas tendências de pesquisas em metodologias ativas de aprendizagem e uso de ferramentas computacionais de ensino, sendo necessários estudos futuros mais aprofundados para estabelecer o estado da arte destes temas, as redes de colaboração entre países, instituições e autores e uma projeção de crescimento da área.
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 | 0.021 | 0.129 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.092 | 0.162 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".