Recomendação automática de periódicos científicos por similaridade semântica em resumos de artigos

Denise Fukumi Tsunoda; Alex Sebastião Constâncio; Fábio Castro Gouveia; Henrique Denes Hilgenberg Fernandes

doi:10.22477/x.ebbc.1034

Autores

Denise Fukumi Tsunoda Universidade Federal do Paraná (UFPR) https://orcid.org/0000-0002-5663-4534
Alex Sebastião Constâncio Universidade Federal do Paraná (UFPR) https://orcid.org/0000-0001-8725-4481
Fábio Castro Gouveia Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict) https://orcid.org/0000-0002-0082-2392
Henrique Denes Hilgenberg Fernandes Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict) https://orcid.org/0000-0003-1537-8762

DOI:

https://doi.org/10.22477/x.ebbc.1034

Palavras-chave:

Comunicação Científica, Sistemas de Recomendação, Similaridade Semântica, Informação Científica

Resumo

Este estudo propõe um sistema de recomendação automática de periódicos científicos fundamentado em similaridade semântica. Utilizando embeddings e a base BRAPCI, a pesquisa processou 47 mil resumos para identificar títulos compatíveis com novos manuscritos. Os resultados demonstram que o periódico original de publicação figurou entre as dez principais sugestões em 56,8% dos casos, evidenciando a eficácia da captura de relações temáticas. A abordagem visa reduzir o risco de rejeições por incompatibilidade de escopo (desk rejection), oferecendo uma ferramenta escalável para auxiliar pesquisadores no processo de comunicação científica.

Biografia do Autor

Denise Fukumi Tsunoda, Universidade Federal do Paraná (UFPR)

Professora Titular da Universidade Federal do Paraná (UFPR), vinculada ao Departamento de Ciência e Gestão da Informação. Atua na graduação em Gestão da Informação e é docente permanente do Programa de Pós-Graduação em Gestão da Informação (PPGGI/UFPR). Idealizadora e fundadora do Mestrado Profissional em Ciência de Dados da UFPR, tendo sido responsável pela elaboração da APCN, aprovação junto à CAPES e implantação do curso, do qual é a atual coordenadora.Possui liderança consolidada em Pesquisa, Desenvolvimento e Inovação (PDI) com forte inserção no setor produtivo. Atualmente, coordena o Projeto HarmonIA (Portal Brasileiro para Curadoria em IA e Análise de Dados), realizado em parceria estratégica com o Instituto de Ciência e Tecnologia Itaú (ICTi), com foco em Inteligência Artificial Generativa e Processamento de Linguagem Natural (PLN). Também é coordenadora de projeto com fomento CAPES / PROCAD em parceria com a UFRN e a UFSC. No âmbito da extensão universitária, coordena o Laboratório de Excelência em Inteligência Artificial (LEXIA), projeto estratégico que viabiliza a curricularização da extensão e promove a integração entre discentes e docentes através da oferta de capacitações e prestação de serviços especializados à comunidade. Demonstra ampla capacidade de formação de recursos humanos, liderando equipe multidisciplinar com mais de 20 orientandos ativos, incluindo doutorado, mestrado, iniciação científica/tecnológica e extensão, com financiamento de agências públicas e da iniciativa privada.É Bolsista Produtividade da Fundação Araucária e atua como avaliadora do INEP (desde 2010) e consultora ad hoc. Com estágio pós-doutoral em Ciência da Informação pela UFSC (2023), Doutorado (2004) e Mestredo (1996) em Engenharia Elétrica e Informática Industrial pela UTFPR, e Bacharelado em Informática pela UFPR (1992). Suas áreas de pesquisa concentram-se em: Inteligência Artificial, Machine Learning, Deep Learning, Mineração de Dados/Textos e Computação Evolucionária, aplicadas à gestão da informação, inovação social e políticas públicas.

Alex Sebastião Constâncio, Universidade Federal do Paraná (UFPR)

Possui curso técnico em Processamento de Dados pela Escola Técnica Tupy (1988), graduação em Bacharelado em Informática pela Universidade Federal do Paraná (1992) e mestrado em Ciência, Gestão e Tecnologia da Informação pela Universidade Federal do Paraná (2017) e Doutorado em Gestão da Informação pela Universidade Federal do Paraná (2023). Atualmente é analista de tecnologia da informação da Universidade Federal do Paraná, atuando na área de engenharia de software e gestão e administração de banco de dados Oracle. Tem experiência na área de desenvolvimento de software em várias linguagens de programação (C, C++, Delphi, Java, C#) e sistemas de banco de dados (Oracle, Sybase, Microsoft SQL Server, Postgres SQL), tendo atuado nas áreas de software básico, desenvolvimento de frameworks, aplicações web, computação gráfica, compiladores e outras. Sua dissertação foi a proposta de um motor de busca semântico baseado em ontologias para recuperação jurisprudencial no Brasil. Já sua tese foi a proposta do primeiro Detector de Mentiras Multimodal baseado em Aprendizado de Máquina para a língua portuguesa. Suas pesquisas atuais incluem modelos generativos de visão computacional de processamento de linguagem natural.

Fábio Castro Gouveia, Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict)

Fábio Castro Gouveia é Tecnologista em Saúde Pública da Fiocruz cedido para exercer a Função comissionada executiva de Chefe da Divisão de Acompanhamento Institucional - DINST do Instituto Brasileiro de Informação em Ciência e Tecnologia IBICT. Líder do Grupo de Pesquisa Ciência, Dados, Redes e Métricas (Scimetrics) e Bolsista de Produtividade 1D do CNPq, Gouveia é Biólogo, com doutorado em Química Biológica (Educação, Gestão e Difusão de Biociências). Fez um pós-doutorado curto como Visiting Fellow da Katolieke Universiteit Leuven (Bélgica) através do edital de bolsas de 2009 do Coimbra Group Scholarships Programme para professores e pesquisadores jovens de universidades latino-americanas. Em 2020, Gouveia e Elaine Rabello foram os vencedores do Altmetric Research Award for Promising Altmetrics Research. É coordenador e docente permanente do Programa de Pós-Graduação em Ciência da Informação do IBICT. Gouveia desenvolve pesquisas na área de Ciência da Informação, com ênfase em Estudos Métricos da Informação (Cientometria, Webometria, Altmetria e Indicadores de Ciência, Tecnologia e Inovação), Métodos Digitais, STS, Data Science, Inteligência Artificial e Tecnologia Blockchain, e na área de Divulgação Científica e Comunicação em Saúde, com ênfase em estudos sobre internet e mídias sociais.

Henrique Denes Hilgenberg Fernandes, Instituto Brasileiro de Informação em Ciência e Tecnologia (Ibict)

Doutor em Ciência da Informação pela Universidade de Brasília, Mestre e Bacharel em Informática pela Universidade Federal do Paraná. Atualmente é Coordenador de Planejamento, Acompanhamento e Avaliação do Instituto Brasileiro de Informação em Ciência e Tecnologia - IBICT, líder do grupo de pesquisa "Estudos em Informação, Tecnologia e Sociedade" e docente permanente do Programa de Pós-graduação em Ciência de Dados da Universidade Federal do Paraná (PPGCD/UFPR). Membro eleito do IFLA Library Theory and Research Professional Section Standing Committee. Atua nas áreas da Ciência da Informação com particular interesse em Comunicação Científica, Bibiometria, Cientometria e Altmetria.

Referências

DANISH, Syed Muhammad Hasan; HASNAIN, Syed; ASHRAF, Hamza; RUKAIYA, Rukaiya. Comparative Analysis of BERT and TF-IDF for Textual Semantic Similarity Assessment. In: 2024 26th International Multi-Topic Conference (INMIC). IEEE, 2024. p. 1-6.

GABRIEL JÚNIOR, René Faustino. BRAPCI – Base de Dados Referencial de Artigos de Periódicos em Ciência da Informação. [S. l.: s. n.], 2026. Disponível em: https://brapci.inf.br/home. Acesso em: 05 mar. 2026.

KARPUKHIN, Vladimir; OĞUZ, Barlas; MIN, Sewon; LEWIS, Patrick; WU, Ledell; EDUNOV, Sergey; CHEN, Danqi; YIH, Wen-tau. Dense passage retrieval for open-domain question answering. In: PROCEEDINGS OF THE 2020 CONFERENCE ON EMPIRICAL METHODS IN NATURAL LANGUAGE PROCESSING (EMNLP). 2020. p. 6769–6781. Disponível em: https://arxiv.org/abs/2004.04906. Acesso em: 27 abr. 2026.

REIMERS, Nils; GUREVYCH, Iryna. Sentence-BERT: Sentence embeddings using Siamese BERT-networks. In: PROCEEDINGS OF THE 2019 CONFERENCE ON EMPIRICAL METHODS IN NATURAL LANGUAGE PROCESSING. Hong Kong: ACL, 2019. p. 3982–3992. Disponível em: https://arxiv.org/abs/1908.10084. Acesso em: 27 abr. 2026.

RICCI, Francesco; ROKACH, Lior; SHAPIRA, Bracha (ORGS.). Recommender Systems Handbook. New York, NY: Springer US, 2022.

ROY, Deepjyoti; DUTTA, Mala. A systematic review and research perspective on recommender systems. Journal of Big Data, v. 9, n. 1, p. 59, 2022. Disponível em: https://dl.acm.org/doi/10.1145/564376.564421. Acesso em: 27 abr. 2026.

SCHÄFER, Patrick et al. Fast and Exact Similarity Search in Less than a Blink of an Eye. In: Hong Kong, Hong Kong: IEEE, 19 maio 2025. Disponível em: https://ieeexplore.ieee.org/document/11112946/. Acesso em: 5 mar. 2026

TRUMBORE, Susan; CARR, Mary‐Elena; MIKALOFF‐FLETCHER, Sara. Criteria for rejection of papers without review. Global Biogeochemical Cycles, v. 29, n. 8, p. 1123–1123, ago. 2015. Disponível em: https://doi.org/10.1002/2015GB005234. Acesso em: 01 jun. 2026.

ZANGERLE, Eva; BAUER, Christine. Evaluating recommender systems: survey and framework. ACM computing surveys, v. 55, n. 8, p. 1-38, 2022. Disponível em: https://dl.acm.org/doi/pdf/10.1145/3556536 . Acesso em: 27 abr. 2026.

ZHAO, Zihuai; FAN, Wenqi; LI, Jiatong; LIU, Yunqing; MEI, Xiaowei; WANG, Yiqi; WEN, Zhen; WANG, Fei; ZHAO, Xiangyu; TANG, Jiliang; LI, Qing. Recommender systems in the era of large language models (llms). IEEE Transactions on Knowledge and Data Engineering, v. 36, n. 11, p. 6889-6907, 2024.