Tutorial Passo a Passo
Guia visual passo a passo de ponta a ponta no SciForesight: da criação do projeto e ingestão unificada (Scopus e Web of Science) até a categorização multidimensional com IA, análise bimodal e exportação de gráficos vetoriais em alta resolução.
Este tutorial percorre a jornada analítica completa no software desktop SciForesight, do projeto vazio à figura pronta para publicação: cada interação da interface, o monitoramento do pipeline local em DuckDB, a vinculação manual de referências com uma IA externa (sem gastar créditos de API) e a extração de categorias com inteligência artificial.
Technology_Scouting, com a interface do aplicativo em inglês. O nome de cada arquivo é o instante da cena no vídeo. A interface acompanha o idioma escolhido nas configurações, por isso cada rótulo de botão aparece aqui nos dois idiomas. As imagens são ilustrativas: servem para reconhecer a tela, não são o aplicativo em funcionamento.Os oito módulos
O percurso abaixo segue a ordem em que o aplicativo é realmente usado, a mesma do tutorial em vídeo. Cada módulo abre com o caminho na interface, o que é preciso ter antes de começar e como conferir que deu certo.
Módulo 1 · Abrir o aplicativo e criar o projeto
O SciForesight roda inteiro na sua máquina. Neste módulo você acompanha a verificação de instalação, cria o projeto e declara as dimensões que vão organizar toda a análise adiante.
Instalador concluído e licença disponível.
Projeto listado no gerenciador, com caminho e dimensões conferidos.
O SciForesight não sobe um servidor remoto: ao abrir, ele prepara o ambiente de análise na sua própria máquina e só libera a navegação quando cada verificação passa.
Clique no botão Criar Novo Projeto (Create New Project) para abrir o assistente de setup dinâmico.
A criação do projeto inicializa a estrutura de diretórios e o banco de dados analítico — um manifesto .yml, a pasta de dados brutos, a pasta de arquivos auxiliares e o banco DuckDB. Com o projeto ativo, a tela de técnicas mostra o que a sua licença libera.
Ao terminar o módulo: Você terá um projeto ativo, com pasta própria, dimensões definidas e os módulos analíticos visíveis.
Aprofunde em Instalação · Licença e ativação · Estrutura de projetos
Módulo 2 · Exportar os dados de Scopus e Web of Science
São dois conjuntos por base: publicações da busca principal e registros recuperados das obras citadas. Cada conjunto pode ter vários lotes. A consulta complementar da WoS é preparada no SciForesight.
Pergunta de pesquisa, filtros e acesso às bases definidos.
Quatro conjuntos conferidos: publicações e obras citadas de cada base.
Esta é a única etapa que acontece fora do SciForesight. Cada base contribui com dois conjuntos, e a distinção entre eles decide o que o pipeline consegue calcular depois:
- Source — as publicações que a sua busca principal retornou. São elas que formam o corpus.
- Reference — os registros das obras citadas por essas publicações. Sem eles não há acoplamento bibliográfico nem cocitação.
São quatro conjuntos no total — Source e Reference de cada base — e cada um pode chegar em vários lotes. A coluna de referências do Scopus, ou o campo CR da Web of Science, guarda a lista de citações em texto: é o ponto de partida para recuperar os registros citados, não um segundo arquivo já pronto. A consulta que recupera as referências da WoS é gerada dentro do próprio aplicativo, na tabela de arquivos do módulo 3.
O passo a passo visual das duas bases, tela por tela, está em Fontes suportadas, com as telas de exportação do Scopus e da Web of Science.
Ao terminar o módulo: Você saberá gerar e conferir os quatro conjuntos, distinguindo Source, Reference e arquivos de consulta.
Aprofunde em Fontes suportadas
Módulo 3 · Registrar o escopo e rodar o pipeline
Aqui os arquivos viram banco. Antes disso, o aplicativo registra o objetivo do estudo e a expressão de busca — é o que permite alguém refazer a análise depois, inclusive você.
Os quatro conjuntos exportados e um projeto ativo.
As três etapas do pipeline com o selo de executado e a contagem de vínculos no log.
Registrar o escopo e carregar os arquivos
A tela de Ingestão (Ingestion) abre pela definição de escopo, com dois campos que não são burocracia: o objetivo do estudo, em duas ou três frases — é o texto que a IA lê depois para contextualizar a síntese — e a expressão de busca exatamente como foi rodada na base, com os LIMIT-TO. O botão Visualizar Query (View Query) reabre a expressão para conferência, e Salvar Escopo (Save Scope) grava os dois no arquivo .yml do projeto — dá para reeditá-los depois sem afetar os dados já ingeridos. Sem esses dois campos, o estudo não é reproduzível.
O pipeline não adivinha o que cada arquivo é. Em cada linha da tabela você declara a plataforma de origem e o tipo de documento — e é essa classificação que decide como cada registro será lido.
Com os arquivos reconhecidos, o botão Executar Ingestão (Run Ingestion) é desbloqueado — e antes de gravar qualquer coisa o aplicativo pede confirmação.
Refinamento analítico e desambiguação de autores
A etapa Rodar Refinamento (Run Refinement) remove artigos duplicados entre as bases (unificando por DOI e similaridade de títulos) e executa a desambiguação de nomes de autores. O monitor de logs acompanha tudo em tempo real, bloco a bloco.
Vínculo de referências citadas (modo manual com IA externa)
Para construir redes de acoplamento bibliográfico e cocitação sem consumir a cota da sua chave de API, use a aba Vincular Referências → Manual (Link References → Manual).
Abra a IA de sua preferência, cole cada bloco do arquivo de prompts e guarde as respostas num único arquivo de texto. O nome é escolha sua; o que importa é o formato e, no cadastro, o tipo de documento.
Clique em Vincular Referências (Link References) para que o SciForesight alinhe as referências estruturadas e grave as conexões citante-citado no DuckDB.
Ao terminar o módulo: Você terá um banco DuckDB populado, com duplicatas removidas, autores desambiguados e citações vinculadas.
Aprofunde em Ingestão de dados · Saneamento e deduplicação · Desambiguação de entidades
Módulo 4 · Ler o corpus no painel bibliométrico
O painel abre com os indicadores globais e a curva anual. Ao clicar numa barra, o detalhe da publicação traz GCS, LCS e L-CNCI lado a lado — três leituras diferentes do mesmo artigo.
Pipeline concluído, com publicações refinadas no banco.
Indicadores globais preenchidos e curva anual coerente com o recorte da busca.
Acesse o menu lateral Dashboard para ver os indicadores bibliométricos consolidados e a dinâmica temporal da produção científica.
Clique numa barra do gráfico Principais Artigos (LCS) (Top Papers (LCS)) e o detalhe da publicação abre logo abaixo, com quatro leituras do mesmo artigo lado a lado:
- GCS — citações globais, contadas pela base de origem.
- LCS — citações recebidas de dentro do próprio corpus.
- Baseline — a média de citações locais esperada para aquele ano.
- L-CNCI — o LCS dividido pela baseline. Um LCS de 7 sobre uma baseline de 0,47 dá 15: o artigo é citado quinze vezes acima do esperado para a sua safra.
É a normalizada que muda o ranking: pela contagem bruta, o pódio tende a ser dos artigos mais antigos, que tiveram mais anos para acumular citações. Nenhum desses indicadores, isoladamente, mede a qualidade de um artigo — a leitura de cada um está em Conceitos fundamentais.
Ao terminar o módulo: Você saberá ler as três métricas de citação e por que a normalizada muda o ranking.
Aprofunde em Análise Bibliométrica
Módulo 5 · Explorar as redes e exportar a figura
As redes reconstroem a estrutura do campo: termos agrupados por comunidade, com o tamanho do nó proporcional ao grau. Os filtros têm mínimo e máximo — e é o teto que revela os sinais fracos.
Corpus refinado e, para acoplamento e cocitação, referências vinculadas.
Grafo legível na tela e arquivo exportado em PNG ou SVG.
No módulo Análise de Redes (Network Analysis) você explora a estrutura topológica do corpus por meio de grafos de coocorrência, coautoria e acoplamento bibliográfico.
Quando o grafo estiver legível, abra a pré-visualização de exportação para gerar a figura definitiva.
Ao terminar o módulo: Você conseguirá isolar hubs ou cauda periférica e exportar a figura pronta para publicação.
Aprofunde em Mapas e visualizações · Relatórios e exportação
Módulo 6 · Ativar a IA e categorizar o corpus
A camada de IA lê os abstracts, extrai evidências e organiza tudo em categorias e subcategorias derivadas do seu próprio corpus. Cada classificação vem com justificativa e publicação de origem.
Chave de API do provedor escolhido e abstracts disponíveis no corpus.
Taxonomia preenchida, com evidências e publicação de origem em cada classificação.
Antes de qualquer chamada, a chave e os modelos são cadastrados em Configurações (Settings). A chave é sua: o aplicativo não intermedia cobrança nem embute crédito.
No módulo Categorização IA (AI Categorization), os controles definem como a IA lê o corpus: agrupamento de quase-duplicatas, método de taxonomia, teto de subcategorias e método de classificação.
Clique no botão Extrair Categorias com IA (Extract Categories with AI) para disparar o pipeline: extração de evidências dos abstracts, construção da taxonomia e classificação em lote, tudo acompanhado pelo mesmo monitor de logs da ingestão.
Nada disso é caixa-preta: cada classificação carrega a evidência que a sustenta e a publicação de onde ela saiu.
Ao terminar o módulo: Você terá uma taxonomia auditável do seu corpus, com custo controlado e cada evidência rastreável.
Aprofunde em Serviços de IA (LLM)
Módulo 7 · Cruzar as dimensões na tela de síntese
A síntese cruza duas dimensões da taxonomia e oferece sete visualizações do mesmo dado. Cada uma responde a uma pergunta diferente — e os vazios da matriz costumam ser o achado.
Pelo menos duas dimensões classificadas pela IA.
Matriz preenchida e leitura anotada das concentrações e dos vazios.
No menu Síntese (Synthesis) você cruza duas dimensões da taxonomia para identificar lacunas de pesquisa, padrões emergentes e convergências metodológicas. São sete leituras do mesmo cruzamento, cada uma respondendo a uma pergunta diferente.
Ao terminar o módulo: Você saberá localizar concentrações, vazios e gargalos entre as dimensões do seu projeto.
Aprofunde em Síntese entre dimensões
Módulo 8 · Montar redes bimodais e ler hubs e autoridades
As redes bimodais cruzam duas classes de entidade — categoria de IA e palavra-chave, por exemplo. O algoritmo HITS separa quem articula, os hubs, de quem concentra autoridade.
Duas classes de entidade disponíveis no banco — por exemplo categoria de IA e palavra-chave.
Matriz salva no DuckDB e grafo bipartido aberto na tela.
A tela Redes Bimodais (Bimodal Networks) permite modelar matrizes bipartidas entre duas classes distintas de entidades — categoria de IA e palavra-chave, autor e termo, instituição e tecnologia — calculando centralidades HITS (hubs e autoridades) e projeções de um modo diretamente no DuckDB.
Ao terminar o módulo: Você terá uma matriz bipartida salva no banco e saberá interpretar hubs e autoridades no grafo.
Aprofunde em Análise Bimodal
Resumo das melhores práticas
| Etapa | Prática recomendada | Benefício |
|---|---|---|
| Criação de projeto | Escolha nomes concisos e dimensione as tags do framework analítico com base nos objetivos da pesquisa. | Estruturação limpa do banco DuckDB e consistência nas consultas. |
| Ingestão de fontes | Carregue tanto os metadados das publicações quanto os arquivos de referências citadas de Scopus e WoS. | Permite calcular métricas bibliométricas e redes de cocitação na mesma passagem. |
| Vínculo manual | Use um modelo rápido e barato para converter as citações brutas em tuplas nomeadas, bloco a bloco. | Nenhum consumo da cota da chave e controle total sobre a acurácia dos dados. |
| IA multidimensional | Habilite o agrupamento local de quase-duplicatas e confira a estimativa de chamadas antes de disparar a corrida. | Redução de tempo de execução e de consumo de tokens sem perda de precisão. |
| Exportação gráfica | Exporte mapas e grafos em SVG para publicação em artigos, relatórios e teses. | Qualidade vetorial em qualquer ampliação e rótulos legíveis na impressão. |
Próximos passos
- Ingestão de dados — detalhes avançados sobre mapeamento e esquemas suportados.
- Análise Bimodal — fundamentação matemática de matrizes bipartidas e centralidades HITS.
- Serviços de IA (LLM) — customização de prompts, taxonomias e modelos.
Execute análises bibliométricas, grafos bimodais e inteligência artificial no Windows com controle, governança e soberania de dados.