Skip to content
ThesisBR

Roadmap de Funcionalidades

O desenvolvimento do ThesisBR está estruturado em cinco grandes eixos sequenciais, integrando coleta de metadados, processamento de texto integral e enriquecimento com inteligência artificial.

Eixos do Projeto

Section titled “Eixos do Projeto”
[1. Coleta OAI-PMH] ➔ [2. Tratamento] ➔ [3. Disponibilização] ➔ [4. Enriquecimento LLM] ➔ [5. Disseminação]

Eixo 1: Coleta de Dados (OAI-PMH) 🟡

Section titled “Eixo 1: Coleta de Dados (OAI-PMH) 🟡”
  • Estruturação da CLI thesisbr com suporte aos comandos identificar e coletar
  • Implementação de coleta por conjuntos institucionais (--conjunto) e amostragem (--limite)
  • Harvester com suporte automático a paginação com resumptionToken para grandes volumes
  • Mapeamento e cadastro de endpoints OAI-PMH de universidades estaduais e federais (DSpace)
  • Mecanismo de controle de taxa de requisições (rate limit) para evitar sobrecarga nos servidores das universidades

Eixo 2: Tratamento e Estruturação 🔴

Section titled “Eixo 2: Tratamento e Estruturação 🔴”
  • Parser para extração e limpeza de campos XML em Dublin Core e Qualified Dublin Core
  • Normalização padronizada de nomes de autores, orientadores e departamentos
  • Cruzamento e validação dos metadados locais com a base histórica do Catálogo de Teses e Dissertações da CAPES
  • Verificação e extração dos links diretos para os arquivos PDF das teses

Eixo 3: Disponibilização e Acesso 🔴

Section titled “Eixo 3: Disponibilização e Acesso 🔴”
  • Exportação consolidada dos conjuntos em formatos colunares otimizados (Parquet)
  • Exportação em JSON Lines para integração direta com bibliotecas de Ciência de Dados
  • Interface de linha de comando para buscas locais rápidas por autor, título e orientador

Eixo 4: Enriquecimento Semântico (LLM) 🔴

Section titled “Eixo 4: Enriquecimento Semântico (LLM) 🔴”
  • Pipeline de processamento de linguagem natural para extração de palavras-chave a partir de resumos longos
  • Classificação temática automatizada segundo a árvore de áreas do conhecimento da CAPES
  • Detecção automatizada de métodos e teorias mencionadas nas introduções e resumos
  • Modelagem de tópicos para identificação de tendências em pesquisas de pós-graduação

Eixo 5: Disseminação e Reuso 🔴

Section titled “Eixo 5: Disseminação e Reuso 🔴”
  • Integração com o motor de busca textual em profundidade Recoll / RecollWeb do LabRI
  • Ingestão das bases tratadas no repositório institucional InvenioRDM do laboratório
  • Publicação de tutoriais e cadernos de análise para pesquisadores das Humanidades Digitais e Cienciometria