Informação com qualidade

Quem entra em bases de dados on-line sobre biodiversidade encontra milhões de registros sobre espécies de plantas e animais e as áreas que ocupam ou ocuparam no Brasil e em outros países. Depois da satisfação de encontrar matéria-prima abundante para fundamentar os trabalhos científicos, começam as inquietações: como extrair e filtrar os dados e, principalmente, como saber se são realmente confiáveis? Eventuais erros de nomes de espécies e de localização serão automaticamente indicados e eliminados? Essas questões são importantes porque dados incorretos ou incompletos frequentemente levam a análises inconsistentes.



Pesquisadores da Escola Politécnica da Universidade de São Paulo (Poli-USP) ingressaram no debate sobre o controle de qualidade das informações dos bancos de dados on-line, propondo novas estratégias para resolver problemas observados há uma década. Em 2006, ao ingressar em uma rede de pesquisa em biodiversidade formada por biólogos de 11 países das Américas, o engenheiro elétrico Antônio Mauro Saraiva, professor da Poli-USP, encontrou nomes científicos diferentes para as mesmas espécies, coordenadas geográficas erradas e escassez de detalhes sobre os organismos coletados. Essas informações abastecem bases de dados on-line, a partir das quais se produzem trabalhos científicos sobre distribuição ou abundância de espécies de animais e plantas. “Cinco ou 10 anos depois, os pesquisadores não compreendiam mais os códigos e abreviações que tinham usado nas coletas”, observou.

Em 2008, Saraiva começou a discutir com o cientista da computação Allan Koch Veiga como os critérios de organização e qualidade dos bancos de dados poderiam ser aprimorados e padronizados para resultar em informações corretas e completas. Veiga concluiu o doutorado em 2016, sob orientação de Saraiva. Atualmente fazendo um estágio de pós-doutorado na Poli, ele apresentou uma proposta conceitual elaborada pelo grupo coordenado por Saraiva no dia 3 de outubro em Ottawa, no Canadá, para unificar a terminologia e os critérios de avaliação da qualidade das informações dos acervos on-line de animais, microrganismos, plantas e fungos. A mais abrangente entre as cerca de 25 bases mundiais é a Plataforma Global de Informações sobre Biodiversidade (GBIF). Criada em 2001, reúne quase 850 milhões de registros de espécies, dos quais 6 milhões provêm do Brasil, um dos cerca de 60 países dessa rede.

“Como não existe uma base conceitual consensual, cada grupo de trabalho nessa área define a qualidade e a avalia de modo diferente, impossibilitando a comparação entre os resultados”, comenta Saraiva, que é coordenador do Núcleo de Apoio à Pesquisa em Biodiversidade e Computação da USP (BioComp). O que o grupo da Poli está propondo, em conjunto com especialistas do Canadá, Estados Unidos, Austrália e Dinamarca, é uma linguagem comum que facilite a gestão da qualidade de dados. Segundo Saraiva, um levantamento feito com base na proposta da Poli – realizado por pesquisadores de diversos países de um grupo de trabalho do Biodiversity Information Standards, uma associação científica internacional que desenvolve padrões de qualidade de dados – identificou 100 tipos de testes de verificação de qualidade nas bases de dados. Os testes consistem em programas ou subprogramas e indicam, por exemplo, se as coordenadas geográficas de uma coleta estão corretas. “Mesmo que os programas tenham o mesmo objetivo, não podemos comparar os resultados entre eles porque os critérios que adotam são diferentes”, diz ele. “Pretendemos enquadrar todos em um mesmo pano de fundo conceitual, deixando claro os modos de funcionamento de cada um.”

Esses conceitos nortearão a plataforma de qualidade de dados que o grupo da Poli deve desenvolver, a partir de 2018, para o Sistema de Informação sobre a Biodiversidade Brasileira (SiBBr). Lançada em 2014, essa base reúne cerca de 10 milhões de registros da ocorrência de 155 mil espécies de animais e plantas do país. “Apesar dos avanços, como a crescente oferta de softwares abertos que permitem a publicação de informações científicas, ainda falta uma política nacional de gerenciamento de dados que estabeleça as ações e os critérios de qualidade”, ressalta a bióloga Andrea Nunes, coordenadora-geral de biomas do Ministério da Ciência, Tecnologia, Inovações e Comunicações (MCTIC) e diretora nacional do SiBBr.

À medida que avançar, a plataforma de qualidade de dados deverá interagir com as bases que alimentam o SiBBr e estabelecer padrões comuns de funcionamento. “Um critério nem sempre adotado pelas bases de dados é que o ponto de partida da definição de qualidade é o uso que o pesquisador pretende dar à informação”, comenta Saraiva, que usa uma analogia para explicar melhor. “Tomates para molho ou para salada podem ter qualidade diferente; para molho os tomates podem ser bem maduros e um pouco amassados, enquanto para saladas precisam ser bem firmes, não muito maduros”, compara.

A meta do grupo da Poli é ajudar o pesquisador a definir os critérios de seleção de dados antes de começar uma busca, para não ter de filtrar depois o que interessa em meio a milhares de registros sobre uma espécie ou grupo de espécies, e, além disso, deixar esses critérios expostos, como um guia, para outros usuários. “Se um pesquisador quiser apenas uma lista de espécies de um país, não precisará da coordenada geográfica exata de cada localidade, mas essa informação será indispensável se quiser fazer um estudo sobre a distribuição geográfica de animais ou plantas em uma região”, diz Veiga.

Verificação de erros
A rede species, uma das bases nacionais de biodiversidade, permite a seleção de informações sobre a ocorrência e a distribuição de espécies de microrganismos, algas, fungos, plantas e animais. Desenvolvida a partir de 2001 com apoio da FAPESP, integrando 12 coleções biológicas do estado de São Paulo, a base se expandiu, principalmente com o Herbário Virtual da Flora e dos Fungos, um dos Institutos Nacionais de Ciência e Tecnologia (CNPq), e hoje reúne registros de 470 coleções do Brasil e de outros países. Essas coleções compartilham cerca de 9 milhões de registros de 125 mil espécies, das quais 2.756 ameaçadas de extinção.

Do total de registros, 68% possuem coordenadas geográficas exatas, no município indicado na coleta, 23% não têm informação sobre a localização da coleta e 8% apresentam dados imprecisos. As coordenadas de 1% do total de registros estão bloqueadas para verificação pelos curadores, os especialistas responsáveis pelos dados de cada coleção. “Se um dado for considerado sensível, como a coordenada geográfica de uma espécie ameaçada de alto valor comercial, a localização ou até o registro completo pode ser bloqueado. Cabe ao curador decidir o que deve ser compartilhado na rede”, diz a engenheira de alimentos Dora Canhos, diretora do Centro de Referência em Informação Ambiental (Cria), de Campinas, instituição responsável pelo desenvolvimento e manutenção da rede speciesLink. “Todo erro precisa ser corrigido na origem. Nenhum registro é alterado pelo Cria.” Uma vez incorporada à rede, a informação é compartilhada de forma livre e aberta a qualquer interessado.

Milhões de estrelas
“As equipes que trabalham com os dados dos herbários são insuficientes para limpar os dados, verificar a qualidade e atualizar os nomes científicos”, observa o tecnologista Luís Alexandre Estevão da Silva, coordenador do núcleo de computação científica e geoprocessamento do Instituto de Pesquisas Jardim Botânico do Rio de Janeiro. Por essa razão, a instituição criou e implantou programas de detecção automática com 81 filtros de verificação de qualidade capazes de relatar, por exemplo, que “a coordenada não coincide com o município informado”. “Temos muito a avançar, porque ainda há numerosas duplicatas e diferenças de classificação de plantas nos herbários”, diz Silva. Sua equipe desenvolveu e em 2005 implantou o Jabot, um sistema de gerenciamento de coleções científicas de herbários, liberado para outras instituições em 2016 e atualmente adotado por 28 herbários de universidades e centros de pesquisa brasileiros.

“Temos de adotar métodos para analisar a qualidade de dados enquanto são produzidos”, afirma a engenheira eletricista Cláudia Bauzer Medeiros, professora do Instituto de Computação da Universidade Estadual de Campinas (Unicamp) e coordenadora do programa eScience da FAPESP. “Ao utilizar dados produzidos por outros, é comum que os pesquisadores não verifiquem a confiabilidade da informação, mesmo sabendo que a validação dos resultados de uma pesquisa depende da qualidade dos dados.” Muitas vezes, ela acrescenta, “essa verificação é inviável, por falta de informação sobre a qualidade dos dados”.

Ainda que as estratégias de controle de qualidade de dados não estejam integradas e padronizadas, a preocupação com a consistência da matéria-prima da ciência – a informação – é crescente. E não apenas na biologia. O físico colombiano Alberto Molino Benito trabalha há dois anos com sua equipe no Instituto de Astronomia, Geofísica e Ciências Atmosféricas (IAG) da USP no desenvolvimento de programas para extrair informação numérica – de modo automático e com grande precisão – das imagens que começaram a ser captadas pelo telescópio Southern Photometric Local Universe Survey (S-Plus, ou levantamento por fotometria do universo local do hemisfério Sul), construído em Cerro Tololo, no Chile, sob a coordenação do próprio IAG.

“As informações servirão para gerar catálogos de estrelas, galáxias, quasares e asteroides, com suas posições, tamanho, luminosidade, distância da Terra e massa”, conta Benito. “Estamos terminando a calibração e validação dos programas para que os pesquisadores não tenham de se preocupar com a qualidade dos dados, quando começar a coleta automática de imagens, no início de 2018.” Com um espelho de 80 centímetros de diâmetro, o S-Plus deve concluir a observação do céu do hemisfério Sul em dois anos, reunindo informações sobre a distribuição espacial de milhões de estrelas e galáxias.

Artigo científico
VEIGA, A. K. et al. A conceptual framework for quality assessment and management of biodiversity data. PLoS ONE. v. 12, n. 6, e0178731. 2017.


Autor: Revista Pesquisa FAPERJ
Fonte: Revista Pesquisa FAPERJ
Sítio Online da Publicação: Revista Pesquisa FAPERJ
Data de Publicação: 10/01/2018
Publicação Original: http://revistapesquisa.fapesp.br/2018/01/16/informacao-com-qualidade/

Promessa de boicote

Cerca de 3 mil pesquisadores e estudantes de computação assinaram em maio um manifesto se comprometendo a não submeter artigos a um periódico que deve ser lançado no início de 2019 nem participar de seu processo de revisão por pares. A revista em questão é a Nature Machine Intelligence, do grupo Springer Nature, que pretende divulgar estudos sobre inteligência artificial, aprendizado de máquina e robótica. A promessa de boicote tem uma justificativa simples: a produção científica em ciência da computação, e particularmente em inteligência artificial, segue um modelo peculiar de publicação em que as descobertas são divulgadas e debatidas em conferências e, em seguida, arquivadas em repositórios de acesso aberto – o ArXiv é uma destinação frequente dos manuscritos. Esse paradigma se contrapõe ao sistema tradicional de comunicação científica, em que o acesso é disponível para quem se dispuser a pagar para ler, e também a um padrão mais moderno que ganhou espaço nos últimos tempos, no qual o acesso é aberto, mas o autor precisa pagar uma taxa para financiar a publicação.



“Não vemos papel algum, no futuro da pesquisa em aprendizado de máquinas, para revistas de acesso fechado ou que cobram taxas de autores”, informa o manifesto. “Em contraste, receberíamos de bom grado novas conferências e revistas com publicação a custo zero.” A declaração foi subscrita tanto por pesquisadores ligados a instituições de pesquisa, entre as quais a Universidade Harvard e o Massachusetts Institute of Technology (MIT), nos Estados Unidos, quanto por especialistas vinculados a empresas como Google, Microsoft, Facebook e IBM. A ausência de nomes da Apple foi sentida.

Entre os signatários, destacam-se nomes como os dos cientistas da computação Yann LeCunn, professor da Universidade de Nova York e diretor do braço de pesquisa em inteligência artificial do Facebook, e Yoshua Bengio, da Universidade de Montreal, no Canadá, pioneiros na pesquisa sobre redes neurais. “A comunidade de aprendizado de máquina tem feito um grande trabalho ao publicar pesquisas em acesso aberto; reverter essa tendência utilizando um modelo fechado não parece ser uma boa ideia”, disse, segundo a revista Forbes, Jeff Dean, diretor do Google AI, braço de pesquisa do Google sobre inteligência artificial, outro que assinou a declaração. Segundo dados da base Scopus compilados pela revista Science, o número de trabalhos científicos em inteligência artificial multiplicou-se por 10 entre 1996 e 2016, acima da média da ciência da computação, que cresceu seis vezes no mesmo período. O Brasil segue a mesma tendência: há pesquisadores publicando na área desde os anos 1990. Eles formaram uma força de pesquisa responsável por uma produção que mais que dobrou de tamanho entre 2010 e 2016 (ver gráfico).

O responsável pelo manifesto, o cientista da computação Thomas Dietterich, que é professor emérito da Universidade do Estado de Oregon, nos Estados Unidos, usou sua conta no Twitter para convidar colegas a chancelar a declaração. Recebeu em resposta um tweet da própria revista Nature Machine Intelligence, em um tom conciliador: “Consideramos que a Nature Machine Intelligence pode coexistir e fornecer um serviço – para os que estiverem interessados –, conectando diferentes campos, oferecendo um canal para trabalhos interdisciplinares e conduzindo um processo rigoroso de avaliação por pares”. A porta-voz da Springer Nature em Londres, Susie Winter, divulgou um comunicado defendendo o modelo: “Acreditamos que a maneira mais justa de produzir revistas altamente seletivas como essa e garantir sua sustentabilidade no longo prazo e para uma comunidade a mais ampla possível é distribuir os custos entre muitos leitores”.

A repercussão do manifesto foi grande, por mobilizar um campo emergente de pesquisa na defesa do acesso aberto e também por contrapor-se a um dos maiores grupos de comunicação científica do mundo. Mas não chegou a surpreender quem acompanha a evolução do conhecimento em inteligência artificial e o ambiente em que ele é produzido. Um round anterior desse embate foi travado em 2001, quando a cientista da computação Leslie Kaelbling, do MIT, lançou o periódico de acesso aberto Journal of Machine Learning Research (JMLR) como alternativa à prestigiosa revista Machine Learning, do Kluwer Academic Press, de acesso restrito. À época, boa parte do conselho editorial da Machine Learning renunciou e se transferiu para a JMLR.

A percepção de que o processo tradicional de publicação científica era demorado para um campo do conhecimento em efervescência levou os cientistas da computação a adotar um modelo em que conferências e repositórios de acesso aberto têm peso preponderante e a revisão por pares é aberta à contribuição de qualquer pesquisador e feita após a divulgação dos resultados. Esse modelo continua em evolução. Em 2013, o cientista da computação Andrew McCallum, da Universidade de Massachusetts, em Amherst, nos Estados Unidos, criou o site Open Review, por meio do qual autores podem publicar manuscritos apresentados em conferências e convidar colegas para comentá-los. Em pouco tempo, as principais conferências sobre inteligência artificial passaram a utilizar os serviços do site.

Rui Seabra Ferreira Júnior, presidente da Associação Brasileira de Editores Científicos, observa que os modelos de publicação científica passam por uma fase de transição e ainda não há clareza sobre o que deverão se tornar no futuro. “A revisão por pares existe há mais de 300 anos e não há evidência de que vá perder importância. Mas há alguns campos disciplinares mais teóricos, como algumas áreas da física e da ciência da computação, em que é possível um pesquisador apresentar conceitos novos em um repositório de acesso aberto e abri-los para discussão entre os colegas, cabendo a eles validá-los ou não”, afirma. “Já em áreas aplicadas, a revisão por pares é essencial. Veja o caso da biologia ou da medicina: seria necessário que os colegas reproduzissem os experimentos descritos em repositórios para poder validá-los, o que seria inviável.”

Autor: Revista Pesquisa FAPERJ
Fonte: Revista Pesquisa FAPERJ
Sítio Online da Publicação: Revista Pesquisa FAPERJ
Data de Publicação: 10/04/2018
Publicação Original: http://revistapesquisa.fapesp.br/2018/06/18/promessa-de-boicote/