Práticas de letramentos com escrita científica em artigos de impacto na área de ciências da vida e biomedicina
Bibliographic record
Abstract
Na atual conjuntura de avaliação da educação superior, a autocitação, concebida como um movimento em que o pesquisador cita seu trabalho anterior em um trabalho em desenvolvimento, é uma prática que tem ganhado destaque em distintas áreas de conhecimento, com ênfase à Área de Ciências da Vida e Biomedicina. Este artigo, dessa forma, tem por objetivo discutir usos da autocitação em artigos de alto impacto da referida área, publicados no periódico Nature, nos anos de 2017 e 2018. O enfoque aos cinco artigos selecionados, na base Web of Science (WoS), é qualitativo, essencialmente sob o enfoque dos estudos dos letramentos, que compreendem a escrita científica como prática social, condicionada ao contexto sócio-histórico de produção, ideologias e perpassada por relações de poder. Os resultados parecem indicar um padrão da grande área, com altos índices de autocitação distribuídos entre as seções do artigo, que parecem representar movimentos característicos da escrita científica, como contribuição para a área, reivindicação de crédito pelo trabalho do pesquisador, indicar interação com pesquisas anteriores, mais do que uma prática que contribuiria para a elevação de índices bibliométricos dos pesquisadores.
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 | 0.010 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.025 | 0.008 |
| Open science | 0.002 | 0.011 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.029 | 0.007 |
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".