PPGCCM PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO FUNDAÇÃO UNIVERSIDADE FEDERAL DO ABC Telefone/Ramal: Não informado http://propg.ufabc.edu.br/ppgccm

Banca de DEFESA: ANTONIO DE ABREU BATISTA JUNIOR

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : ANTONIO DE ABREU BATISTA JUNIOR
DATA : 17/12/2021
HORA: 14:00
LOCAL: Remoto, via GoogleMeet https://meet.google.com/ckq-uymh-kbw
TÍTULO:

Predição na Ciência da Ciência: Explicativas de Modelos para Predições de Impacto Futuro de Cientistas Júnior


PÁGINAS: 120
RESUMO:

Indicadores bibliométricos têm sido utilizados amplamente por governos, agências de governos e outros atores (e.g., universidades e pelos próprios cientistas) para mensurar o desempenho de pesquisadores, com o objetivo de orientar decisões de aprovação em estágio probatório, e como critério para progressão de carreira, financiamento de pesquisa, seleção de membros de quadros editoriais entre outras aplicações. A racionalidade por trás do uso desses indicadores como ferramentas de suporte à decisão, nesses contextos, é a força preditiva que supostamente eles carregam. Para essas e outras aplicações, o potencial para impacto futuro de um avaliado é a preocupação central. Indicadores alternativos (i.e., o índice-h futuro estimado via modelos de aprendizado de máquina) capturando o potencial para impacto futuro de cientistas claramente têm uma vantagem sobre indicadores tradicionais. Entretanto, vieses de toda natureza (e.g., favorecimento de certos grupos privilegiados) encontrados nesses modelos e a ausência de explicativas para suas tomadas de decisões têm tornado o uso deles inadequados nesses contextos em que decisões fundamentadas são pré-requisitos. Esta tese foca em como resolver essa questão. Em uma tentativa de aumentar a confiabilidade de modelos, nós propomos novos modelos interpretáveis para predição do Q futuro (impacto futuro) de jovens cientistas, e comparamos as suas acurácias e as suas explicativas para suas decisões contra outros modelos de aprendizado de máquina (Redes neurais profundas) e analíticos (e.g., o modelo Q, o índice h). Nós encontramos que esses modelos preditivos (indicadores alternativos) são confiáveis. Entretanto, por um lado esses testes revelaram que houve propagação involuntária de vieses (e.g., favorecimento de pesquisadores júnior já em posição de destaque) por algoritmos de aprendizado de máquina. Por outro lado, eles mostraram que as explicativas de modelos para suas decisões poderiam ser avaliadas por julgadores humanos para aliviar essa questão. Como esperado, nossos experimentos mostram que mesmo com poucos dados, o desempenho futuro (ou impacto) de pesquisadores júnior pode em grande medida ser predito. Em geral, as explicativas de modelos dadas para suas decisões são razoáveis. No entanto, a decisão final deve sempre ser do julgador humano porque existe sempre um risco embutido em uma predição.
Adicionalmente, nós propomos o Q para periódicos, uma nova medida de impacto complementar às medidas de impacto de periódico. A sua principal vantagem sobre as demais medidas é ser uma medida não cumulativa, produzindo um ranking permanente.


MEMBROS DA BANCA:
Presidente - Interno ao Programa - 1934625 - JESUS PASCUAL MENA CHALCO
Membro Titular - Examinador(a) Externo ao Programa - 2364326 - ALEXANDRE DONIZETI ALVES
Membro Titular - Examinador(a) Externo à Instituição - FERNANDO ANTONIO BASILE COLUGNATI - UFJF
Membro Titular - Examinador(a) Externo à Instituição - FABIO MASCARENHAS E SILVA
Membro Titular - Examinador(a) Externo à Instituição - LUC QUONIAM
Membro Suplente - Examinador(a) Interno ao Programa - 1722875 - DAVID CORREA MARTINS JUNIOR
Membro Suplente - Examinador(a) Externo à Instituição - LEANDRO INNOCENTINI LOPES DE FARIA - UFSCAR
Membro Suplente - Examinador(a) Externo à Instituição - ESTEBAN FERNANDEZ TUESTA - USP
Notícia cadastrada em: 24/11/2021 09:19
SIGAA | UFABC - Núcleo de Tecnologia da Informação - ||||| | Copyright © 2006-2022 - UFRN - sigaa-1.ufabc.int.br.sigaa-1-prod