Um Estudo Bibliométrico sobre a pesquisa em Inteligência Artificial no Brasil

Luciana Castro Groenner; Leandro  Innocentini Lopes de Faria; Rodrigo César Perissini; Luciana de Souza Gracioso

doi:10.36311/1981-1640.2022.v16.e02147

Autores

Sra. Luciana Groenner UFSCar
Sr. Leandro Faria Universidade Federal de São Carlos
Sr. Rodrigo Perissini Universidade Federal de São Carlos
Sra. Luciana Gracioso Universidade Federal de São Carlos

DOI:

https://doi.org/10.36311/1981-1640.2022.v16.e02147

Palavras-chave:

Inteligência Artificial, Aprendizado de Máquinas, Bibliometria, Indicadores de Tecnologia

Resumo

A produção de fontes de dados tem aumentado nos últimos anos e operacionalizar o seu tratamento, recuperação e uso torna-se um desafio e um diferencial estratégico para os países que detém este domínio. O conhecimento sobre a Inteligência Artificial (IA) tem sido crucial para o processamento e uso dos dados, sendo considerado decisivo para o desenvolvimento econômico e social. Este trabalho teve como objetivo fazer um levantamento sobre a pesquisa em IA no Brasil. Foi elaborada uma expressão de busca abrangente e foram obtidos artigos relacionados no período 2011-2020 na base Web of Science. A partir de métodos bibliométricos, os registros encontrados foram analisados nos softwares VantagePoint, VOSViewer e Excel. Foi realizada uma análise a respeito da participação da pesquisa brasileira em relação ao mundo, das principais instituições de pesquisa em IA no país, dos principais temas de pesquisa e dos autores mais atuantes. Foram construídas redes de coocorrência de palavras-chave, de colaboração entre instituições e entre autores. Constatou-se que o Brasil possui uma participação periférica em relação a publicações, mas em crescimento e que as instituições públicas possuem um papel fundamental nesta produção apesar de discrepâncias regionais, o que poderia auxiliar no desenvolvimento de políticas públicas de inclusão tecnológica.

Downloads

Não há dados estatísticos.

Métricas

Carregando Métricas ...

Biografia do Autor

Sra. Luciana Groenner, UFSCar

Possui graduação em Administração pela Universidade Federal de Viçosa (2003) e mestrado em Extensão Rural pela Universidade Federal de Viçosa (2006). Doutoranda no Programa de Pós-Graduação em Ciência, Tecnologia e Sociedade da UFSCar, desde março de 2020. É servidora, do quadro permanente da Universidade Federal de Lavras, no cargo de Administradora desde 2009.

Sr. Leandro Faria, Universidade Federal de São Carlos

Professor Adjunto da Universidade Federal de São Carlos (UFSCar) desde 2002, vinculado ao Departamento de Ciência da Informação. Professor do Programa de Pós-Graduação em Ciência, Tecnologia e Sociedade da UFSCar. Professor do Programa de Pós-Graduação em Ciência da Informação da UFSCar. Coordenador executivo do Núcleo de Informação Tecnológica em Materiais da UFSCar. Atuação em Ciência da Informação, Prospecção Tecnológica, Inteligência Competitiva, Bibliometria e Indicadores de C&T. Engenheiro de Materiais pela UFSCar (1994). Doutor em Ciência e Engenharia dos Materiais pela Universidade Federal de São Carlos (2001) e em Ciência da Informação e Comunicação pela Universite dAix-Marseille III (2001).

Sr. Rodrigo Perissini, Universidade Federal de São Carlos

Possui graduação em Ciências da Computação pela Universidade Estadual Paulista Júlio de Mesquita Filho(2015). Atualmente é Técnico de Tecnologia da Informação da Universidade Federal de São Carlos e mestrando na UFSCar.

Sra. Luciana Gracioso, Universidade Federal de São Carlos

Pós-doutorado em Ciência da Informação pela Universidade de Coimbra (2019). Doutora em Ciência da Informação pelo Instituto Brasileiro de Informação em Ciência e Tecnologia e Universidade Federal Fluminense (2008). Professora Associada III no Departamento de Ciência da informação da UFSCar. Chefe do Departamento de Ciência da Informação (2019-). Foi Coordenadora do Programa de Pós-graduação em Ciência da informação - PPGCI (2016 - 2017) e Coordenadora de Curso de Graduação (2009-2014). Atua como docente permanente no PPGCI e no Programa de Pós Graduação em Ciência, Tecnologia e Sociedade (PPGCTS).

Referências

Abadi, Hamidreza Habibollahi Najaf, et al. “Artificial intelligence-related research funding by the U.S. national science foundation and the national natural science foundation of China”. IEEE Access, vol. 8, 2020, pp. 183448–183459, doi:10.1109/ACCESS.2020.3029231. Acessado 14 jun. 2021.

Ahmad, Shakil, et al. “A Bibliometric review of Arab world research from 1980-2020”. Science and Technology Libraries, vol. 40, no. 2, Routledge, 2021, pp. 133–53, doi:10.1080/0194262X.2020.1855615. Acessado 17 dez. 2021.

Albuquerque, Pedro Henrique, et al. Na era das máquinas, o emprego é de quem? Estimação da probabilidade de automação de ocupações no Brasil. 2019, https://www.econstor.eu/handle/10419/211408. Acessado 25 maio 2021.

Aristodemou, Leonidas, e Tietze, Frank. “The state-of-the-art on Intellectual Property Analytics (IPA): A literature review on artificial intelligence, machine learning and deep learning methods for analysing intellectual property (IP) data”. World Patent Information, vol. 55, 2018, pp. 37–51, doi:10.1016/j.wpi.2018.07.002. Acessado 22 fev. 2021.

Bengio, Yoshua, et al. “Greedy layer-wise training of deep networks”. Advances in Neural Information Processing Systems, 2007, pp. 153–60, doi:10.7551/mitpress/7503.003.0024. Acessado 16 mar. 2021.

Bezdek, James C. “Computational intelligence: What’s in a name?”. IEEE Systems, Man, and Cybernetics Magazine, vol. 2, no. 2, 2016, pp. 4–14, doi:10.1109/MSMC.2016.2558778. Acessado 21 mar. 2021.

Boser, Bernhard E., et al. “A training algorithm for optimal margin classifiers”. Proceedings of the 5° annual workshop on Computational learning theory - COLT ’92: Pittsburgh, ACM Press, 1992, pp. 144–52, doi:10.1145/130385.130401. Acessado 28 jan. 2021.

Braga, Antônio Pádua, et al. Redes Neurais Artificiais - Teoria e Prática. Editora LTC, 2000.

Breiman, Leo, et al. Classification on regression Trees. Wadsworth International Group, 1984.

Breiman, Leo. “Stacked regressions”. Machine Learning, vol. 24, no. 1, 1996, pp. 49–64.

Chanchetti, Lucas Faccioni, et al. “A scientometric review of research in hydrogen storage materials”. International Journal of Hydrogen Energy, vol. 45, no. 8, 2020, pp. 5356–66, doi:10.1016/j.ijhydene.2019.06.093. Acessado 11 maio 2021.

Chen, C. L. Philip, e Zhang, Chun Yang. “Data-intensive applications, challenges, techniques and technologies: A survey on Big Data”. Information Sciences, vol. 275, 2014, pp. 314–47, doi:10.1016/j.ins.2014.01.015. Acessado 18 jan. 2021.

Cybenko, George. “Approximation by Superpositions of a Sigmoidal Function”. Mathematics of Control, Signals and Systems, vol. 2, 1989, pp. 303–14, doi:10.1007/BF02551274. Acessado 22 jun. 2021.

Davyt, Amílcar, e Velho, Léa. “A avaliação da ciência e a revisão por pares: passado e presente. Como será o futuro?” História, Ciências, Saúde-Manguinhos, vol. 7, no. 1, 2000, pp. 93–116, doi:10.1590/S0104-59702000000200005. Acessado 11 mar. 2021.

Ekbia, Hamid R. “Fifty years of research in artificial intelligence”. Annual Review of Information Science and Technology, vol. 44, no. 1, 2010, pp. 201–42, doi:10.1002/aris.2010.1440440112. Acessado 29 jan. 2021.

Faria, Leandro Innocentini Lopes, et al. “Análise da produção científica a partir de publicações em periódicos especializados”. Indicadores de Ciência, Tecnologia e Inovação em São Paulo 2010. Edited by Ricardo Renzo Brentani e Carlos Henrique de Brito Cruz. FAPESP, 2010, pp. 4.1-4.71, https://fapesp.br/indicadores2010. Acessado 16 jun. 2021.

Fukushima, Kunihiko. “Neocognitron: A hierarchical neural network capable of visual pattern recognition”. Neural Networks, vol. 1, no. 2, 1988, pp. 119–30, doi:10.1016/0893-6080(88)90014-7. Acessado 12 abr. 2021.

Gil, Yolanda, e Selman, Bart. A 20-Year Community Roadmap for Artificial Intelligence Research In The Us. 2019, https://arxiv.org/abs/1908.02624. Acessado 8 jul. 2021.

Goralski, Margaret A., e Tan, Tay Keong. “Artificial intelligence and sustainable development”. International Journal of Management Education, vol. 18, no. 1, 2020, doi:10.1016/j.ijme.2019.100330. Acessado 26 fev. 2021.

Gracioso, Luciana de Souza, et al. “Indexação automática de imagens na web: tendências e desafios no contexto Deep Learning”. Revista Ibero-Americana de Ciência da Informação, vol. 11, no. 2, 2018, pp. 541–61, doi:10.26512/rici.v11.n2.2018.8342. Acessado 19 abr. 2021.

Hayashi, Maria Cristina Piumbato Innocentini. “Afinidades eletivas entre a cientometria e os estudos sociais da ciência”. Filosofia e Educação, vol. 5, no. 2, 2013, pp. 57–88, doi:10.20396/rfe.v5i2.8635395. Acessado 30 mar. 2021.

Haykin, Simon. Neural networks: a comprehensive foundation. Prentice-Hall, 2008.

He, Kaiming, et al. “Deep residual learning for image recognition”. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016, pp. 770–78, doi:10.1109/CVPR.2016.90. Acessado 25 maio 2021.

Hebb, Donald O. The organization of behavior: A neuropsychological theory. Wiley, 1949.

Hinton, Geoffrey E., et al. “A fast-learning algorithm for deep belief nets”. Neural Computation, vol. 18, no. 7, 2006, pp. 1527–54, doi:10.1162/neco.2006.18.7.1527. Acessado 12 jul. 2021.

Ho, Tin Kam. “The random subspace method for constructing decision forests”. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 20, no. 8, 1998, pp. 832–44, doi:10.1109/34.709601. Acessado 31 maio 2021.

Hopfield, John J. “Neural networks and physical systems with emergent collective computational abilities”. Proceedings of the National Academy of Sciences of the United States of America, vol. 79, no. 8, 1982, pp. 2554–58, doi:10.1073/pnas.79.8.2554. Acessado 10 jun. 2021.

Hornik, Kurt, et al. “Multilayer feedforward networks are universal approximators”. Neural Networks, vol. 2, no. 5, 1989, pp. 359–66, doi:10.1016/0893-6080(89)90020-8. Acessado 27 jan. 2021.

LeCun, Yann, et al. “Backpropagation applied to handwritten zip code recognition”. Neural Computation, vol. 1, no. 4, 1989, pp. 541–51, doi:10.1162/neco.1989.1.4.541. Acessado 10 fev. 2021.

LeCun, Yann, et al. “Deep learning”. Nature, vol. 521, no. 7553, 2015, pp. 436–44, doi:10.1038/nature14539. Acessado 19 abr. 2021.

Lee, Changyong, et al. “Early identification of emerging technologies: A machine learning approach using multiple patent indicators”. Technological Forecasting and Social Change, vol. 127, 2018, pp. 291–303, doi:10.1016/j.techfore.2017.10.002. Acessado 28 maio 2021.

Massucci, Francesco Alessandro, e Docampo, Domingo. “Measuring the academic reputation through citation networks via PageRank”. Journal of Informetrics, vol. 13, no. 1, 2019, pp. 185–201, doi:10.1016/j.joi.2018.12.001. Acessado 31 mar. 2021.

McCulloch, Warren S., e Pitts, Walter. “A logical calculus of the ideas immanent in nervous activity”. The Bulletin of Mathematical Biophysics, vol. 5, no. 4, 1943, pp. 115–33, doi:10.1007/BF02478259. Acessado 13 jan 2021.

Minsky, Marvin, e Papert, Seymour A. Perceptron: an introduction to computational geometry. MIT Press, 1969.

Mitchell, Tom M. Machine Learning. McGraw-Hill, 1997.

Moeskops, Pim, et al. “Automatic segmentation of MR brain images with a convolutional neural network”. IEEE Transactions on Medical Imaging, vol. 35, no. 5, 2016, pp. 1252–61, doi:10.1109/TMI.2016.2548501. Acessado 10 ago. 2021.

Niu, Jiqiang, et al. “Global research on artificial intelligence from 1990-2014: Spatially-explicit bibliometric analysis”. ISPRS International Journal of Geo-Information, vol. 5, no. 5, 2016, pp. 1–19, doi:10.3390/ijgi5050066. Acessado 15 jul. 2021.

Perrone, Michael P., e Cooper, Leon L. “When networks disagree: ensemble methods for hybrid neural network”. Neural Networks for Speech and Image Processing. Edited by R. J. Mammone. Chapman Hall, 1993, pp. 126–42.

Pranckutė, Raminta. “Web of Science (WoS) and Scopus: the titans of bibliographic information in today’s academic world”. Publications, vol. 9, no. 1, 2021, pp. 12, doi:10.3390/publications9010012. Acessado 13 set. 2021.

Rosenblatt, Frank. “The perceptron: A probabilistic model for information storage and organization in the brain”. Psychological Review, 1958, doi:10.1037/h0042519. Acessado 10 maio 2021.

Rumelhart, David E., et al. “Learning representations by back-propagating errors”. Nature, vol. 323, no. 9, 1986, pp. 533–36, doi:10.1038/323533a0. Acessado 24 mar. 2021.

Russell, Stuart J., e Norvig, Peter. Inteligência artificial. Elsevier, 2004.

Samuel, Arthur L. “Some studies in machine learning using the game of checkers”. IBM Journal of Research and Development, 1959, doi: 10.1147/rd.33.0210. Acessado 26 jul. 2021.

Srivastava, Sunil Kumar. “Artificial intelligence: way forward for India”. Journal of Information Systems and Technology Management, vol. 15, 2018, pp. 1–23, doi:10.4301/s1807-1775201815004. Acessado 12 abr. 2021.

Sun, Bo, e Dong, Zhixue. “Comparative study on the academic field of artificial intelligence in China and other countries”. Wireless Personal Communications, vol. 102, no. 2, 2018, pp. 1879–90, doi:10.1007/s11277-018-5243-2. Acessado 20 jan. 2021.

Tan, Jen Hong, et al. “Segmentation of optic disc, fovea and retinal vasculature using a single convolutional neural network”. Journal of Computational Science, vol. 20, 2017, pp. 70–79, doi:10.1016/j.jocs.2017.02.006. Acessado 23 mar. 2021.

Trajtenberg, Manuel. "AI as the next GPT: A political-economy perspective". National Bureau of Economic Research, no. 24245, 2018, doi:10.3386/w24245. Acessado 22 abr. 2021.

United Kingdom Intellectual Property Office. Artificial Intelligence: A Worldwide Overview of AI Patents and Patenting by the UK AI Sector. Intellectual Property Office, 2019, https://assets. publishing.service.gov.uk/government/uploads/system/uploads/ attachment_data/file/817610/Artificial_Intelligence_- _A_worldwide_overview_of_AI_patents.pdf. Acessado 31 mar. 2021.

Wolpert, David H. “Stacked generalization”. Neural Networks, vol. 5, no. 2, 1992, pp. 241–59, doi:10.1016/S0893-6080(05)80023-1. Acessado 13 ago. 2021.

World Intellectual Property Organization. WIPO Technology Trends 2019 - Artificial Intelligence. Intellectual Property Office, 2019, https://www.wipo.int/publications/en/details.jsp?id=4386. Acessado 25 maio 2021.

Young, Tom, et al. “Recent trends in deep learning based natural language processing”. IEEE Computational Intelligence Magazine, vol. 13, no. 3, 2018, pp. 55–75, doi:10.1109/MCI.2018.2840738. Acessado 13 abr. 2021.

Zhou, Zhi Hua. “Machine learning: Recent progress in China and beyond”. National Science Review, vol. 5, no. 1, 2018, pp. 20, doi:10.1093/nsr/nwx132. Acessado 19 jul. 2021.

Zhu, Junwen, e Liu, Weishu. “A tale of two databases: the use of Web of Science and Scopus in academic papers”. Scientometrics, vol. 123, no. 1, 2020, pp. 321–35, doi:10.1007/s11192-020-03387-8. Acessado 30 ago. 2021.