Proposição de uma estrutura de indicadores para apoiar a gestão dos ativos intangíveis de capital intelectual em IFES
Bibliographic record
Abstract
A sociedade está cada vez mais competitiva e baseada no conhecimento. Neste sentido, ganha significativa importância o estudo dos ativos intangíveis relacionados ao conhecimento, como pesquisa, inovação, relacionamentos, denominados Capital Intelectual (CI). Nos anos 90 surgem as primeiras experiências no ambiente industrial de identificar e mensurar estes ativos intangíveis, identificados como diferencial competitivo. Na virada do século, as instituições de ensino superior (IES) e centros de pesquisa também passam a perceber a importância da avaliação do CI, uma vez que estes ativos intangíveis são ao mesmo tempo seus principais insumos e também seus resultados. A partir de então, a literatura aponta diversas iniciativas para identificar, mensurar e gerir o CI das IES, entre outras motivações como forma de agregar valor às suas atividades de produção e disseminação do conhecimento. É neste contexto que se insere este trabalho que busca propor uma estrutura de indicadores para apoiar a gestão dos ativos intangíveis de CI das Instituições Federais de Ensino Superior (IFES) A partir da revisão da literatura foi possível identificar características comuns às iniciativas existentes, em particular às relacionadas ao ambiente acadêmico. Com base nestas características optou-se pela divisão do CI em 3 componentes: humano, organizacional e relacional. Cada um destes componentes foi dividido em diferentes elementos intangíveis, e estes em indicadores. Durante a etapa de construção da proposta de estrutura foi necessário fazer alguns ajustes de forma a alinhar as experiências internacionais com a realidade das IFES brasileiras. Como forma de testar a eficiência da proposta foi realizado um estudo aplicado na Universidade Federal do Rio Grande do Sul. O resultado deste estudo aplicado possibilitou a avaliação da estrutura e dos indicadores, ajustados ao contexto particular da instituição. Além disso, foi possível sugerir algumas formas de análise dos indicadores apurados, bem como identificar o peso de cada um deles no contexto da instituição.
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 | 0.005 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".