|
Abstract:
|
Os avanços na Ciência e na Tecnologia (C&T) de uma nação cumprem papel decisivo no desenvolvimento de sua sociedade e na melhoria da qualidade de vida de sua população. Nas últimas décadas, o produto desses desenvolvimentos, aliado aos próprios avanços na área de Tecnologia da Informação (TI), permitiram a formação de grandes bases de dados em C&T. Nesse contexto, a área de TI viu o desenvolvimento da área de Extração de Conhecimento e de métodos de Mineração de Dados (MD), visando transformar massas de dados em conhecimento. O objetivo principal desta dissertação é demonstrar a viabilidade e a utilidade de técnicas de MD na elucidação de conhecimento a partir de informações constantes em bases de C&T. Para tal, aplicam-se técnicas de MD em processo de avaliação de grupos de pesquisa. Por meio de agrupamento não supervisionado (Rede Neural Kohonen), o trabalho classificou grupos de pesquisa em cinco classes, segundo critérios utilizados em algoritmo de avaliação parametrizado. O resultado aponta a coerência de classificação e, devido à natureza da técnica neural utilizada, permitiu a elucidação de regras exploratórias (Regras de Associação) que descrevem textualmente as características das classes encontradas pelo algoritmo neural. Como principal contribuição, a dissertação oferece meios tanto para trabalhos exploratórios de bases de C&T como amplia o conjunto de ferramentas atualmente disponível em processos de avaliação e gestão de C&T |
