AI-Assisted Curation of Conference Scholarship: Compiling, Structuring, and Analyzing Two Decades of Presentations at the Society for Social Work and Research

Este estudo desenvolveu um banco de dados abrangente com 23.793 apresentações do Congresso Anual da Sociedade de Pesquisa em Serviço Social (SSWR) de 2005 a 2026, utilizando inteligência artificial e revisão humana para analisar o crescimento da participação, o aumento da colaboração internacional e a predominância contínua de métodos quantitativos na disciplina.

O essencial

Imagine que a pesquisa científica é como uma grande feira de ideias. Antes de um cientista escrever um livro definitivo (um artigo científico publicado), ele vai a essa feira para mostrar seus esboços, testar suas ideias com amigos e ouvir sugestões. No mundo do Serviço Social, essa feira principal é a conferência anual da SSWR (Sociedade de Pesquisa em Serviço Social).

Por anos, essa feira foi um "livro de ouro" que ninguém conseguia ler de verdade. As informações estavam escritas em papel solto, em formatos diferentes, sem organização. Era como ter uma biblioteca gigante onde os livros estavam espalhados no chão, misturados, e ninguém sabia quantos havia, quem os escreveu ou sobre o que falavam.

Este artigo é a história de como três pesquisadores (Brian, Bryan e Zia) decidiram organizar essa bagunça usando a tecnologia moderna.

Aqui está o resumo da história, explicado de forma simples:

1. O Grande Desafio: A "Pilha de Papel"

Durante 20 anos (de 2005 a 2026), milhares de pesquisadores apresentaram seus trabalhos. Mas esses dados estavam "trancados" em textos desorganizados na internet. Era impossível contar quantas pessoas participavam, quais métodos usavam ou de quais países vinham, porque não existia uma planilha organizada.

2. A Solução: O "Robô Bibliotecário" Inteligente

Em vez de contratar uma equipe de milhares de pessoas para ler cada um dos 23.000 resumos manualmente (o que levaria anos), os autores usaram uma Inteligência Artificial (IA).

• A Analogia: Pense na IA como um robô bibliotecário super-rápido e esperto. Ele não precisa de um servidor gigante e caro na nuvem; ele roda no computador deles, como um aplicativo comum.
• O que ele fez: O robô leu todos os textos, separou os nomes dos autores, descobriu de quais universidades eles eram, identificou se o estudo era baseado em números (quantitativo) ou em histórias (qualitativo) e organizou tudo em uma base de dados perfeita.
• O toque humano: Eles não confiaram cegamente no robô. Eles fizeram uma "revisão de qualidade", como um professor corrigindo um trabalho do aluno, para garantir que o robô não estava alucinando dados.

3. O Que Eles Descobriram? (Os Segredos da Feira)

Depois de organizar tudo, a "foto" da pesquisa em Serviço Social ficou muito clara. Aqui estão as principais descobertas:

• A Feira Cresceu Muito: Em 2005, havia cerca de 423 apresentações. Em 2026, saltou para quase 2.000! É como se a feira tivesse dobrado de tamanho a cada década.
• Trabalho em Equipe: Antigamente, as pessoas apresentavam sozinhas. Hoje, é raro ver alguém sozinho. A média subiu de 2 para mais de 3 autores por apresentação. É como se as pessoas tivessem parado de construir casas sozinhas e agora estivessem formando grandes equipes de construção.
• Mais Diversidade de Métodos: Antigamente, quase tudo era baseado em estatísticas e números (como um relatório financeiro). Hoje, há muito mais espaço para histórias, entrevistas e estudos de caso (o lado humano). A pesquisa está ficando mais equilibrada.
• O Mundo Chegou: Em 2005, quase todos os participantes eram dos EUA. Hoje, há uma participação muito maior de outros países, como Coreia do Sul, Israel e Canadá. A feira ficou mais global.
• Quem está lá? A feira é movida por estudantes de doutorado e professores iniciantes. Eles são o "motor" da pesquisa, mostrando que a próxima geração está muito ativa.

4. Por Que Isso é Importante?

Antes deste estudo, era como tentar entender a história de um país olhando apenas para algumas fotos aleatórias. Agora, temos um mapa completo.

• Para os Pesquisadores: Eles podem ver tendências. Se todo mundo está estudando "envelhecimento", talvez seja hora de focar mais nisso.
• Para a Sociedade: Mostra que a pesquisa em Serviço Social está crescendo, ficando mais colaborativa e mais aberta ao mundo.
• Para o Futuro: Eles criaram uma "infraestrutura" (uma ferramenta durável) que outros pesquisadores podem usar para fazer mais descobertas no futuro, sem precisar começar do zero.

Resumo Final

Os autores pegaram uma montanha de informações bagunçadas, usaram um "robô inteligente" (IA) para organizá-las e descobriram que a comunidade de pesquisa em Serviço Social está crescendo, trabalhando mais em equipe e se tornando mais diversa. Eles transformaram uma pilha de papéis soltos em um tesouro de dados que ajuda a entender para onde a ciência está indo.

Resumo técnico

Resumo Técnico: Curadoria Assistida por IA de Bolsas de Conferência (2005–2026)

Título Original: AI-Assisted Curation of Conference Scholarship: Compiling, Structuring, and Analyzing Two Decades of Presentations at the Society for Social Work and Research (2005–2026)
Autores: Perron, B. E., Victor, B. G., & Qi, Z.

1. O Problema

As conferências científicas, como a Conferência Anual da Sociedade de Pesquisa em Serviço Social (SSWR), representam a primeira articulação pública de novas ideias e metodologias antes da publicação formal em periódicos. No entanto, para a área de Serviço Social, existe uma lacuna significativa na análise sistemática dessas apresentações.

• Dados Não Estruturados: Os resumos das apresentações estão dispersos em arquivos digitais não estruturados (sistema Confex), sem metadados padronizados para análise em larga escala.
• Limitações Analíticas: Diferente de outras ciências onde os anais são indexados, a falta de estrutura impede a realização de estudos bibliométricos longitudinais sobre tendências metodológicas, colaboração e participação institucional.
• Barreiras Computacionais: A curadoria manual de dezenas de milhares de resumos é inviável. Soluções baseadas em Grandes Modelos de Linguagem (LLMs) tradicionais exigem infraestrutura computacional massiva, custos elevados e dependência de APIs proprietárias, levantando preocupações sobre sustentabilidade e privacidade de dados.

2. Metodologia

O estudo desenvolveu um pipeline automatizado para transformar dados não estruturados em uma infraestrutura de pesquisa estruturada, utilizando uma abordagem híbrida de web scraping e Modelos de Linguagem Pequenos (SLMs).

• Fonte de Dados: Metadados de 22 anos de conferências (2005–2026) extraídos do sistema Confex da SSWR.
• Coleta de Dados (Web Scraping):
  • Uso de scripts personalizados em Python (bibliotecas Crawl4AI, BeautifulSoup4, lxml) para raspar títulos, resumos e informações de autores.
  • Lógica de parsing específica por ano para lidar com mudanças na estrutura HTML ao longo de duas décadas.
• Processamento com IA (Small Language Models - SLMs):
  • Modelo: Utilização do modelo gpt-oss:20b (20 bilhões de parâmetros), hospedado localmente via llama.cpp.
  • Vantagens: Execução local sem dependência de nuvem (privacidade), baixo consumo energético e custo reduzido em comparação a modelos fronteira.
  • Tarefas de Extração:
    • Afiliações: Extração estruturada de nomes, graus acadêmicos, cargos e instituições de strings de texto heterogêneas.
    • Classificação Metodológica: Categorização dos resumos em 5 grupos: Quantitativo, Qualitativo, Métodos Mistos, Revisão e Teórico/Outros.
    • Validação: O modelo alcançou um acordo quase perfeito com revisores humanos (Kappa de Cohen = 0,83) na classificação metodológica.
• Normalização e Resolução de Entidades:
  • Autores: Uso de algoritmos de similaridade de strings (RapidFuzz) e grafos (NetworkX) para deduplicação de nomes, identificando 20.779 pesquisadores únicos a partir de 69.924 registros.
  • Instituições e Países: Mapeamento de variantes de nomes de instituições e normalização de códigos de países/regiões.
• Revisão Humana: Etapas iterativas de controle de qualidade em cada fase do pipeline (raspagem, extração, resolução de entidades e classificação).

3. Principais Contribuições

1. Infraestrutura de Dados: Criação do primeiro banco de dados abrangente e estruturado contendo 23.793 apresentações e 69.924 registros de autores da SSWR (2005–2026).
2. Metodologia de Curadoria Escalável: Demonstração de que SLMs hospedados localmente podem realizar tarefas complexas de extração e classificação de metadados acadêmicos com alta precisão, democratizando o acesso à análise de texto em larga escala para áreas com recursos limitados.
3. Análise Longitudinal: Fornecimento de uma base empírica para testar hipóteses sobre a evolução da pesquisa em serviço social, incluindo a relação entre teoria, método e produção de conhecimento.

4. Resultados Chave

• Crescimento da Conferência: O número de apresentações cresceu de 423 (2005) para 1.935 (2026), uma taxa de crescimento anual composta (CAGR) de 7,5%. O pico de crescimento ocorreu em 2015 (+46% em um ano).
• Tendências Metodológicas:
  • Métodos quantitativos predominam (61,1%), mas sua proporção diminuiu de ~71% para 51% ao longo do período.
  • Métodos qualitativos cresceram significativamente, de 15% para 30%.
  • Métodos mistos e revisões sistemáticas mostraram crescimento modesto, mas consistente.
• Colaboração e Autoria:
  • Aumento no tamanho das equipes: A média de autores por apresentação subiu de 2,22 (2005) para 3,31 (2026).
  • Apresentações com 4 ou mais autores aumentaram de 16% para 38%.
• Participação Global:
  • Participação internacional (afiliações fora dos EUA) cresceu de 4,5% para 13,7%.
  • Os EUA dominam com 89,1% das afiliações, seguidos por Canadá (3,7%) e Coreia do Sul (2,1%).
• Perfil dos Autores:
  • Professores Assistentes (19,6%) e Estudantes de Doutorado (19,0%) são os maiores contribuintes.
  • Há uma tendência de declínio na participação de professores assistentes como autores principais nos últimos anos, com aumento relativo de professores associados.

5. Significância e Implicações

• Para a Disciplina: O estudo revela uma transição metodológica em direção ao pluralismo (maior aceitação de abordagens qualitativas) e uma consolidação da ciência colaborativa no campo do Serviço Social.
• Sustentabilidade e Ética: A abordagem baseada em SLMs locais oferece um modelo viável e ético para processamento de dados acadêmicos, reduzindo a pegada de carbono e os custos associados ao uso de modelos de IA massivos.
• Desafios Futuros: O crescimento da conferência traz desafios de densidade e acesso. A análise aponta para uma possível fragilidade na participação internacional recente (2026), possivelmente devido a tensões geopolíticas e barreiras de viagem, sugerindo a necessidade de estratégias para manter a SSWR como um espaço verdadeiramente transnacional.
• Acesso Aberto: Os autores planejam liberar o banco de dados publicamente, permitindo que pesquisadores realizem novas análises sobre prioridades de pesquisa, desenvolvimento disciplinar e equidade na produção de conhecimento.

Em suma, este trabalho não apenas mapeia duas décadas de produção científica em Serviço Social, mas também estabelece um novo paradigma metodológico para a curadoria de dados de conferências utilizando inteligência artificial acessível e eficiente.