A deep learning model for identifying academic publications aligned with the sustainable development goals

• Autor(a) principal: Dias, Alexandre Henrique Soares
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/handle/123456789/55191
• topic: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; Sustainable development; Multilabel classification; Deep learning; Natural language; Scientometrics

Em 2015, as Nações Unidas estabeleceram os 17 Objetivos de Desenvolvimento Sustentável (ODS) para promover a responsabilidade ambiental, o avanço econômico e a equidade social. Dentro desse contexto, a pesquisa científica desempenha um papel fundamental na abordagem dos desafios abrangidos pelos ODS. Este trabalho apresenta o desenvolvimento e a implementação de um classificador multirrótulo para identificar artigos científicos alinhados com os ODS, estabelecidos pelas Nações Unidas. Reconhecendo as complexidades e desafios inerentes aos ODS, o trabalho visa auxiliar instituições governamentais, educacionais e privadas na tomada de decisões informadas relacionadas à implementação dos ODS. O classificador proposto foi treinado e avaliado em um conjunto de dados de aproximadamente um milhão de amostras da base de dados Scopus, consistindo em títulos de publicações científicas e rótulos dos ODS. Foram exploradas três arquiteturas distintas de aprendizado profundo: Redes Neurais Recorrentes, BERT e Distilled BERT. Consideração especial foi dada ao tratamento do desequilíbrio de classes, e uma nova métrica multiobjetivo, F-Green, foi introduzida para avaliar tanto o desempenho do modelo quanto a sua pegada de carbono. Entre as arquiteturas de modelo experimentadas, a arquitetura Distilled BERT mostrou-se a melhor opção em equilíbrio entre desempenho e impacto ambiental. Uma aplicação web de prova de conceito foi desenvolvida para demonstrar a funcionalidade do modelo, permitindo que os usuários classifiquem títulos acadêmicos hipotéticos de acordo com os ODS relevantes. O trabalho destaca a importância de alinhar a produção científica com os objetivos de sustentabilidade e fornece uma ferramenta prática para apoiar a tomada de decisões na academia e além.