Inovação no setor público: revisão sistemática de literatura
Bibliographic record
Abstract
O termo inovação remete a criação de tecnologia, novos produtos e serviços diferenciados em empresas, também sendo usado no meio público desde o final do século passado, mas com maior frequência nos últimos sete anos. Incide igualmente no meio acadêmico, o que se evidencia pelo número de publicações que abordam essa temática, que apresenta abordagem crescente desde 2014. O presente estudo buscou verificar na literatura especializada o que vem sendo pesquisado nessa temática. Usando-se as palavras chaves “inovação” e “setor público” em bases de dados de pesquisa científica, foram encontrados inicialmente 10446 documentos técnicos em três bases de dados: Spell, Scielo e Ebsco. Após aplicar quatro filtros com critérios de inclusão e exclusão, quarenta e quatro artigos foram analisados e classificados conforme seus objetivos e, período de publicação, autores e ferramentas metodológicas utilizadas. Constatou-se maior uso de ferramentas qualitativas do que quantitativas, principalmente estudos de caso e entrevistas. Não são muitos os autores especializados na temática de inovação no setor público, verificou-se que existe a necessidade de aprofundamento nessa área do conhecimento assim como incentivo de iniciativas da gestão pública para colocar em prática ações criativas e inovadoras.
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 | 0.030 | 0.094 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.052 | 0.079 |
| Science and technology studies | 0.003 | 0.012 |
| Scholarly communication | 0.026 | 0.024 |
| Open science | 0.004 | 0.007 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 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; 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".