Construction of a Battery Research Knowledge Graph using a Global Open Catalog

Este trabalho apresenta um pipeline para construir um grafo de conhecimento centrado em autores sobre pesquisa em baterias, utilizando o catálogo aberto OpenAlex e modelos de IA para extrair descritores semânticos que permitem identificar especialistas e comunidades em escala global, superando as limitações das análises baseadas apenas em citações ou coautoria.

O essencial

Imagine que o mundo da pesquisa sobre baterias é uma cidade gigante e caótica, cheia de milhões de livros, artigos e ideias espalhados por milhares de bibliotecas diferentes ao redor do mundo. Para quem quer construir uma bateria melhor ou encontrar um parceiro para um projeto, é como tentar achar uma agulha num palheiro, ou pior: tentar encontrar um amigo em uma multidão onde todos estão gritando coisas diferentes.

Este artigo descreve a construção de um "Mapa do Tesouro Inteligente" para essa cidade. Vamos explicar como eles fizeram isso usando analogias simples:

1. O Problema: A Biblioteca Bagunçada

Os cientistas publicam tantos artigos que é impossível ler tudo. Antigamente, se você quisesse encontrar alguém que trabalha com "baterias de íon de lítio", teria que ler títulos e resumos manualmente ou confiar apenas em quem cita quem (quem conhece quem). Mas isso é limitado. É como tentar entender o que um cientista faz apenas olhando para a lista de amigos dele, em vez de ouvir o que ele realmente diz.

2. A Solução: O "Detective de Ideias" (OpenAlex + IA)

Os autores criaram um sistema automatizado que funciona como um detetive superpoderoso.

• O Cadastro Geral (OpenAlex): Eles usaram um banco de dados gigante e gratuito chamado OpenAlex, que é como um catálogo universal de todos os livros e autores do mundo acadêmico.
• O Tradutor de Gírias (KeyBERT + ChatGPT): O catálogo tem categorias grandes (como "Física" ou "Energia"), mas isso é muito genérico. Para entender o verdadeiro trabalho de um cientista, o sistema usou Inteligência Artificial (especificamente o ChatGPT) para ler os títulos e resumos dos artigos e extrair as palavras-chave específicas.
  • Analogia: Se um cientista escreve sobre "baterias", o catálogo diz apenas "Energia". O nosso detetive IA lê o texto e diz: "Ah, ele não só fala de energia, ele é especialista em 'cátodos de níquel' e 'eletrólitos sólidos'".

3. Criando a "Carteira de Identidade" de Cada Cientista

Para cada pesquisador, o sistema criou um perfil digital único, que é como uma "carteira de identidade" ou um "mapa de gostos".

• Como funciona: O sistema pega todos os artigos de um autor e transforma em uma lista de pesos.
  • O que conta mais? Se o autor foi o primeiro a escrever o artigo (o líder do projeto), suas ideias contam mais do que se ele apenas ajudou.
  • O que é recente? Trabalhos mais novos contam mais do que trabalhos de 20 anos atrás (porque a ciência avança rápido).
• O Resultado: Cada cientista vira um vetor (uma lista de números) que resume exatamente o que ele estuda, sem precisar ler um único artigo.

4. O Mapa de Conexões (A "Festa de Conhecidos")

Com essas "carteiras de identidade" prontas, o sistema pode comparar cientistas.

• Semelhança: Se o "mapa de gostos" do Dr. Silva é muito parecido com o da Dra. Santos, o sistema diz: "Eles devem se conhecer! Ambos amam baterias de sódio".
• Visualização: Eles criaram uma interface na internet onde você pode ver isso como um mapa de conexões.
  • Analogia: Imagine uma festa onde cada pessoa é um ponto. Se duas pessoas têm interesses parecidos, uma linha azul aparece entre elas. Se você clicar em uma linha, o sistema mostra exatamente quais interesses eles compartilham (ex: "ambos gostam de 'segurança de baterias'").
  • Isso ajuda a encontrar parceiros para colaboração ou revisores para artigos, mesmo que eles nunca se tenham encontrado antes.

5. O Grande Mapa Interoperável (RDF e Wikidata)

Finalmente, eles transformaram esse mapa em um formato padrão (chamado RDF) e o conectaram ao Wikidata (a "Wikipedia" dos dados estruturados).

• Analogia: É como pegar o seu mapa de conexões e imprimi-lo em um papel que qualquer outro sistema de navegação do mundo consegue ler. Isso significa que, no futuro, esse mapa de baterias pode ser misturado com mapas de medicina, engenharia ou qualquer outra área, criando um conhecimento global interligado.

Resumo da Ópera

Os autores criaram um sistema de radar que lê milhões de artigos, entende o que cada cientista realmente estuda (usando IA para pegar os detalhes finos), e desenha um mapa visual que mostra quem é parecido com quem.

Por que isso é legal?
Em vez de você ter que vasculhar bibliotecas inteiras para encontrar um especialista em baterias, você só precisa olhar para o mapa, clicar no seu interesse e o sistema te mostra: "Ei, aqui estão 10 pessoas que pensam exatamente como você e estão prontas para colaborar". É como ter um GPS para a colaboração científica.

Resumo técnico

Título: Construção de um Grafo de Conhecimento de Pesquisa em Baterias usando um Catálogo Aberto Global

1. Problema e Motivação

A pesquisa em baterias é um campo altamente interdisciplinar e em rápido crescimento, envolvendo ciência dos materiais, eletroquímica, segurança e manufatura. A explosão de publicações científicas e a fragmentação do conhecimento entre diversas instituições tornam difícil:

• Rastrear expertise relevante.
• Identificar potenciais colaboradores além das fronteiras institucionais.
• Mapear conceitos e terminologias específicas de forma estruturada.

Trabalhos anteriores focaram em mapas conceituais baseados em documentos ou entidades, mas falharam em fornecer descobertas no nível do autor. A maioria das análises existentes limita-se a repositórios institucionais ou baseia-se apenas em estruturas de citação e coautoria, ignorando a semântica do domínio (o conteúdo real da pesquisa).

2. Metodologia

Os autores propõem um pipeline automatizado para construir um grafo de conhecimento centrado no autor, utilizando o OpenAlex (um catálogo bibliográfico aberto de grande escala) como base. O processo divide-se nas seguintes etapas:

• Preparação do Conjunto de Dados:

  • Extração de 189.581 trabalhos relacionados a baterias do OpenAlex (filtrados pelo conceito "Battery (electricity)").
  • Limpeza de dados: remoção de publicações anteriores a 1990, conceitos genéricos e pontuações de confiança zero.
  • Foco inicial nos 10.000 autores mais produtivos para demonstração de conceito.

• Extração de Chaves (Keyphrases) e Enriquecimento Semântico:

  • Os conceitos do OpenAlex são considerados muito grosseiros para o domínio específico.
  • Para capturar terminologia fina, extraíram-se keyphrases de títulos e resumos usando KeyBERT.
  • Seleção de Modelo: Foi realizada uma avaliação comparativa (100 artigos) entre SentenceTransformers, variantes BERT treinadas em domínio de baterias e um LLM (ChatGPT gpt-3.5-turbo). O ChatGPT obteve a melhor pontuação de similaridade (0.6781) e foi selecionado como backend.
  • Limite de extração: até 2 keyphrases por título e 10 por resumo.

• Construção de Vetores de Descritores de Pesquisa (Author Descriptors):

  • Para cada autor, cria-se um vetor ponderado que agrega todos os seus descritores (conceitos OpenAlex + keyphrases).
  • Fatores de Ponderação:
    1. Origem: Diferenciação entre conceitos OpenAlex e keyphrases.
    2. Posição de Autoria: Trabalhos onde o autor é o primeiro autor recebem maior peso (refletindo foco primário) em comparação a coautores.
    3. Recência Temporal: Os dados são divididos em três períodos (1990-2000, 2001-2010, 2011-2023). Períodos mais antigos recebem fatores de decaimento para enfatizar a expertise atual.

• Cálculo de Similaridade e Visualização:

  • Cálculo da similaridade entre autores baseada na proximidade de seus vetores de descritores.
  • Geração de Nuvens de Palavras para perfis individuais de pesquisa.
  • Criação de um Mapa de Similaridade Interativo (interface baseada em navegador) que visualiza conexões diretas (compartilhamento de descritores) e indiretas (via coautores).

• Serialização e Interoperabilidade:

  • O grafo é serializado em RDF (Resource Description Framework).
  • Integração com identificadores do Wikidata para desambiguação de afiliações institucionais e conexão com outros dados abertos ligados (Linked Open Data).

3. Principais Contribuições

• Abordagem Centrada no Autor: Diferente de mapas baseados em documentos, este sistema permite recuperação de similaridade quantitativa, identificação de especialistas e descoberta de colaborações em nível de pesquisador.
• Hibridização de Semântica: Combina conceitos de alto nível (OpenAlex) com terminologia de domínio de alta granularidade (extraída via LLM), superando a limitação de usar apenas uma fonte.
• Escala Transinstitucional: Opera em escala global, cruzando fronteiras institucionais, ao contrário de análises restritas a repositórios locais.
• Interoperabilidade Padrão: A serialização em RDF e o uso de URIs/Wikidata tornam o grafo extensível e integrável a outros sistemas de conhecimento, não ficando limitado ao domínio de baterias.

4. Resultados

• O pipeline processou com sucesso um corpus de quase 190 mil trabalhos, gerando vetores para centenas de milhares de autores.
• A interface demonstrou capacidade de identificar pesquisadores com temas de pesquisa sobrepostos (ex: eletroquímica, baterias de íon-lítio) que não necessariamente colaboraram no passado, mas compartilham descritores semânticos.
• A visualização permitiu distinguir conexões de primeiro nível (pesquisa compartilhada direta) de conexões de segundo nível (potenciais colaborações através de redes de coautoria).
• A validação do modelo de LLM (ChatGPT) mostrou superioridade na extração de keyphrases relevantes em comparação com modelos BERT tradicionais e SentenceTransformers.

5. Significância e Impacto

Este trabalho preenche uma lacuna crítica na Informática de Materiais e na gestão do conhecimento científico. Ao transformar dados bibliográficos brutos em um grafo de conhecimento semântico e centrado no autor, o sistema facilita:

• Descoberta de Colaboradores: Ajuda pesquisadores a encontrar parceiros ideais baseados em conteúdo real, não apenas em histórico de citações.
• Recomendação de Revisores: Permite identificar especialistas precisos para revisão de artigos.
• Análise de Tendências: Oferece uma visão dinâmica da evolução da expertise em baterias ao longo do tempo.
• Infraestrutura de Dados: Estabelece um modelo reutilizável que pode ser aplicado a outros domínios científicos, promovendo a padronização e a interoperabilidade de dados de pesquisa global.

O artigo conclui sugerindo o uso futuro de LLMs de pesos abertos para maior transparência e refinamento na fusão de keyphrases semanticamente sobrepostas para melhorar a legibilidade das visualizações.