Corrida Tecnologica pela Inteligencia Artificial: Uma Análise Automatizada do Desenvolvimento Desigual e da Concentração de Conhecimento Científico
Bibliographic record
Abstract
A corrida tecnológica pela Inteligência artificial muda a ordem geopolítica global, e deixa em evidência padrões históricos de desenvolvimento desigual e o acúmulo de poder. Este trabalho investiga a geopolítica do conhecimento científico como o veículo destas desigualdades, partindo da hipótese de que o recente cenário se refere a uma dinâmica de centro-periferia. O objetivo é mapear os polos de produção intelectual que fundamentam a Inteligência Artificial moderna, para gerar uma base quantitativa para a discussão sobre soberania digital. Para isso, colocou-se em uso o seguinte metodo: o desenvolvimento e a manipulação de um agente de Inteligência Artificial para a condução de uma análise bibliográfica sistemática de artigos, como ‘Attention Is All You Need’ e ‘ImageNet Classification with Deep Convolutional Neural Networks’. Os resultados revelaram uma grande concentração de conhecimento na América do Norte (EUA e Canada), que responde por 82,68% do total de referências analisadas. A análise destacou também a relevante subida da China, apesar de não serem tão citados como os da América do Norte, percebemos a relevância de seu polo quando muitos de seus autores são chineses. A porcentagem também evidencia a posição marginal do Sul Global, o que inclui o Brasil. Conclui-se que a origem das citações é um reflexo direto da geopolítica do poder na era digital, o que fornece uma base experimental para o debate proposto sobre a urgência de políticas estratégicas para inserir os países menos favorecidos no cenário internacional da Inteligência Artificial e seus conhecimentos.
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 | 0.003 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.009 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".