O problema da revisão tradicional

Quando o número de artigos explode, ler tudo “na mão” não escala — e vira pouco transparente e difícil de reproduzir.

bibliometrix (2017)

O “porém” do começo

O bibliometrix é poderoso — mas exigia escrever código em R.

biblioshiny: bibliometrix para não-programadores

O modelo SAAS

O Biblioshiny é organizado em torno do fluxo SAAS — uma reformulação do framework SALSA (Grant & Booth, 2009):

Onde o projeto está hoje

• Integração via API (OpenAlex, PubMed) — baixa os dados direto, sem exportar arquivo
• Análise de texto completo: função das citações, extração de palavras-chave (TF-IDF, RAKE, YAKE), estrutura IMRaD
• Biblio AI: assistente de IA integrado para ajudar a interpretar os resultados
• Livro de referência (2026): Science Mapping Analysis — A Primer with Biblioshiny (McGraw-Hill)

E por que este slide é um .qmd

Esta apresentação foi feita em Quarto — Markdown + código que renderiza sozinho.

format:
  revealjs:
    theme: simple
execute:
  echo: true

Setup

# Instalação (uma vez por sessão no Posit Cloud)
install.packages(c("bibliometrix", "bibliometrixData"))

library(bibliometrix)

# Corpus de exemplo já incluído (sem precisar baixar nada)
data(management, package = "bibliometrixData")
M <- management

dim(M)                       # documentos x campos
range(M$PY, na.rm = TRUE)    # intervalo de anos

Importar o SEU corpus

# Exportações de Scopus, WoS, OpenAlex, Lens, Dimensions, PubMed...
M <- convert2df(
  file     = "scopus.bib",
  dbsource = "scopus",
  format   = "bibtex"
)

Uma função (convert2df) padroniza sete bases diferentes num único data frame de classe bibliometrixDB.

Visão geral descritiva

results <- biblioAnalysis(M, sep = ";")
S <- summary(results, k = 10, pause = FALSE, verbose = FALSE)

S$MainInformationDF   # documentos, autores, período, crescimento anual, citações...

👉 Demonstração ao vivo no notebook — saem dezenas de indicadores de uma vez só.

Evolução temporal

plot(results, k = 10, pause = FALSE)   # produção anual, países, autores...

O ritmo de crescimento revela se o campo está em ascensão, maturidade ou declínio.

Periódicos e a Lei de Bradford

bradford(M)$table     # zona "Core" = núcleo de periódicos

A Lei de Bradford identifica o pequeno núcleo de revistas que concentra a maioria dos artigos — onde ler e onde submeter.

Autores e a Lei de Lotka

L <- lotka(M)         # versão atual recebe M (classe bibliometrixDB)
L$AuthorProd          # nº de autores por nº de artigos
L$Beta                # ~2 => segue o padrão clássico de concentração

Lotka: poucos autores publicam muito; muitos publicam pouco.

Impacto: índices h, g e m

autores <- gsub(",", " ", names(results$Authors)[1:10])
Hindex(M, field = "author", elements = autores, sep = ";")$H

• h: equilíbrio entre volume e impacto
• g: dá peso aos muito citados
• m: corrige o h pelo tempo de carreira

Documentos mais citados

citations(M, field = "article", sep = ";")$Cited

As referências mais citadas costumam ser os clássicos que sustentam o campo.

E ainda há muito mais

• Estrutura conceitual: rede de coocorrência de palavras, mapa temático, evolução temática
• Estrutura intelectual: rede de cocitação, historiógrafo (genealogia das ideias)
• Estrutura social: redes de colaboração e mapa de países
• Three-Field Plot (Sankey): Autores → Palavras-chave → Fontes

threeFieldsPlot(M, fields = c("AU", "DE", "SO"), n = c(20, 20, 20))

Tudo isso… sem escrever código

library(bibliometrix)
biblioshiny()        # sobe a interface web no navegador

Dados e visão geral

Fontes, autores e documentos

Estruturas e IA

A ponte: menu → função

Sua vez

1. Abra o projeto compartilhado no Posit Cloud (link no chat da turma)
2. Rode o notebook atividade_biblioshiny.Rmd — célula por célula
3. Brinque com o corpus de exemplo (management) — ou importe o seu
4. Rode biblioshiny() e confira um indicador que você calculou no código
5. Use o cheat sheet como mapa de bolso