Entenda como nossa tecnologia analisa textos, imagens, vídeos e áudios para detectar desinformação, manipulações e deepfakes usando inteligência artificial.
O SciBotScan é um modelo de inteligência artificial desenvolvido com base em um rigoroso processo de rotulagem e classificação de contas da plataforma X (antigo Twitter), com o objetivo de identificar contas humanas e bots que divulgam artigos científicos. A base de dados foi construída por meio da integração de algoritmos automáticos e fontes reconhecidas da literatura, complementada por uma verificação manual de mais de 13 mil contas. Ao final desse processo, foram identificadas 822 contas de bots e 12.945 contas humanas, com mais de 67 mil postagens analisadas. O dataset rotulado está disponível em: xxxxxx.
O modelo de classificação utiliza o algoritmo XGBoost e foi treinado com 46 features preditivas, considerando características de atividade, textualidade, comportamento temporal e estrutura dos nomes de usuário.
Guia prático para o uso reflexivo e análise de ferramentas de Inteligência Artificial em Bibliotecas Públicas e Comunitárias / IberBibliotecas
Para interagir criticamente com a Inteligência Artificial, não é necessário ser programador ou especialista em tecnologia. No entanto, é importante ter algum conhecimento básico que nos permita entender o que queremos dizer quando mencionamos IA, o que ela pode e não pode fazer e como está transformando diferentes aspectos de nossas vidas. Ter essa compreensão básica nos ajuda a evitar sermos enganados por retórica exagerada ou promessas de marketing e nos dá as ferramentas para tomar decisões mais informadas em nossas bibliotecas e comunidades.
Primeiramente, é importante entender que a Inteligência Artificial (IA) não é uma entidade única ou uma tecnologia homogênea, mas sim um conjunto de técnicas e sistemas computacionais projetados para executar tarefas que, à primeira vista, parecem exigir capacidades humanas, como reconhecer padrões, responder a perguntas, fazer recomendações ou gerar conteúdo. Contudo, a IA não pensa, sente ou entende o mundo como as pessoas. Seus resultados são baseados na análise estatística de grandes volumes de dados e em processos de aprendizagem a partir de exemplos, não em uma compreensão consciente, ética ou contextualizada da realidade.
Entendendo o índice h com visualizações de autocitações / Scientometrics
Há muita discussão sobre autocitações e o índice h no meio acadêmico, mas existem poucas ferramentas que facilitem a análise das autocitações e seu impacto no índice h. Esta carta apresenta um método para visualizar instantâneos de autocitações no nível da publicação. As visualizações, denominadas gráficos de autocitações essenciais, estendem os gráficos de barras de citações ordenadas, onde cada barra é dividida em autocitações e citações externas. Além disso, as citações essenciais de artigos centrais para o índice h — cruciais para o índice h de um autor — são destacadas. Os gráficos facilitam a identificação de autocitações possivelmente adicionadas para aumentar o índice h. Uma ferramenta interativa simples baseada na web é fornecida para explorar essas visualizações de autocitações. Os gráficos devem ser interpretados com cautela, pois as autocitações essenciais podem não ser necessariamente manipuladas.
Revisão por robôs: Qual o papel da IA na avaliação de nossos artigos? / Open Science
O último ano testemunhou uma explosão dessas ferramentas, talvez porque os próprios pesquisadores estejam utilizando cada vez mais IA para realizar suas revisões por pares. Um relatório recente da editora Frontiers revelou que mais de 50% dos 1600 pesquisadores entrevistados utilizam IA em suas revisões.
29% para gerar um resumo do artigo,
28% para detectar práticas fraudulentas (por exemplo, dados falsificados ou manipulação de imagens),
19% para avaliar a metodologia e o conteúdo,
59% escreveram cartas aos autores.
De forma geral, os pesquisadores relatam um aumento de 24% no uso de IA em suas revisões por pares no último ano.
BibFusion: um pacote Python para integrar, remover duplicatas e harmonizar registros bibliográficos exportados do Scopus e da Web of Science para análise bibliométrica / Iberoamerican Journal of Science Measurement and Communication
O BibFusion era capaz de importar arquivos CSV do Scopus e TXT do WoS, aplicando normalização sistemática (por exemplo, padronização ASCII/maiúsculas de títulos e chaves de referência, análise de afiliação com extração de país) e, opcionalmente, enriquecendo registros por meio de resolução baseada em DOI contra o OpenAlex para recuperar identificadores persistentes (por exemplo, IDs de trabalho do OpenAlex, ORCID quando disponível e IDs de autor do OpenAlex). A integração entre bancos de dados empregou uma cascata de deduplicação com DOI como primeiro critério, com uma alternativa conservadora (título–ano–primeiro autor) caso o DOI estivesse ausente. Os autores foram desambiguados por meio de uma hierarquia canônica de PersonID (ORCID → OpenAlexAuthorID → nome normalizado). As strings de citação foram limpas e remapeadas para garantir a preservação de links de citação consistentes, e as informações de periódicos/Scimago foram consolidadas usando regras de ISSN/EISSN.
Nós utilizamos cookies para garantir que você tenha a melhor experiência em nosso site. Se você continua a usar este site, assumimos que você está satisfeito.