Citação a dados abertos de pesquisa em normas técnicas
Bibliographic record
Abstract
Introdução: Considerando que os dados de pesquisas são cada vez mais reutilizados no cenário científico contemporâneo da Ciência Aberta, este artigo pretende analisar o fenômeno da citação de dados de pesquisas. Examinamos as recomendações sobre citação a dados de pesquisa e o reconhecimento e crédito aos desenvolvedores de dados nas normas internacionais que orientam a padronização das citações. Este estudo se caracteriza como uma investigação teórica. Método: Para alcançar o objetivo proposto, adotou-se a metodologia da revisão crítica de literatura (Grant & Booth, 2009) centrada nos principais eixos teóricos do reuso de dados e da citação formal de dados abertos de pesquisa. Em seguida, foi realizada uma análise das normas e estilo de padronização de citação das NBR’s 10520/2023 e 6023/2018, Estilo APA, Chicago, Vancouver, ISO 690, Harvard e AMA. Resultados: Na análise das sete normas/estilos de padronização e citação analisadas, cinco apresentaram padronizações de citação de dados de pesquisa e duas não apresentaram qualquer recomendação. Conclusão: A disponibilidade de padronização de citação de dados e pesquisas em mais da metade dos padrões analisados é um indício de que os órgãos responsáveis estão gradativamente dando a devida importância à garantia de diretrizes claras para contribuir para pesquisas confiáveis, replicáveis e legítimas.
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 | 0.046 | 0.134 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.017 |
| Science and technology studies | 0.006 | 0.018 |
| Scholarly communication | 0.022 | 0.016 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 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".