Visão Geral e Objetivos

O ThesisBR é uma iniciativa de ciência aberta que visa facilitar o acesso e utilização de dados de teses e dissertações brasileiras, com base no Catálogo de Teses e Dissertações da CAPES. O projeto busca combinar ferramentas de coleta automatizada, estruturação documental e enriquecimento semântico.

Abaixo estão os objetivos detalhados do projeto.

1. Coleta de Dados

Coletar dados do Catálogo de Teses e Dissertações da CAPES, incluindo:

Metadados (título, autor, instituição, orientador, área, ano, etc.);
Dados completos (PDFs das teses e dissertações);
Extração e estruturação de conteúdo dos PDFs.

2. Tratamento e Normalização

Padronizar colunas e campos (nomes, tipos, domínios e formatos de data).
Implementar verificações de integridade (duplicatas, valores ausentes, coerência entre campos).
Gerar relatórios de qualidade dos dados e dicionários de variáveis.

3. Disponibilizar Acesso e Análises

Disponibilizar acesso aos dados e análises por meio de:

Notebooks interativos (Jupyter/Colab);
Um aplicativo web com dashboards de visualização e busca SQL personalizada;
Um chatbot experimental capaz de responder a perguntas sobre os dados e os textos das teses.

4. Enriquecimento Semântico e Análise Textual

Utilizar modelos de linguagem (LLMs) de código aberto para tarefas de alto nível, como:

Geração de resumos automáticos das teses (quando permitido);
Classificação temática;
Criação de um chatbot de perguntas e respostas (Q&A) baseado em retrieval-augmented generation (RAG), permitindo consultas sobre o conteúdo das teses.

5. Facilitar a Utilização dos Dados

Desenvolver notebooks Jupyter/Colab com exemplos reprodutíveis de exploração dos dados.
Criação de um aplicativo com:
- Dashboards prontos de visualização
- Buscas customizadas/avançadas
- Chatbot de perguntas e respostas (Q&A) baseado em retrieval-augmented generation (RAG), permitindo consultas sobre o conteúdo das teses.

6. Disseminação e Reuso (Pacote PyPI)

Empacotar as principais funções em um pacote Python (thesisbr), disponibilizado via PyPI.
Documentação completa, incluindo tutoriais e exemplos.