Update README.md

README.md

@@ -73,4 +73,118 @@ tags:
 pretty_name: PHAENIX-1
 size_categories:
 - 1M<n<10M
----
+task_categories:
+- text-generation
+- fill-mask
+- summarization
+- translation
+- text-classification
+---
+
+# PHAENIX-1
+
+### Resumo
+
+> Um volume significativo do conhecimento acadêmico global, particularmente a literatura cinza como teses e dissertações, é sistematicamente excluído dos conjuntos de dados que alimentam a IA moderna e a ciência da ciência. Essa omissão introduz vieses linguísticos e culturais profundos, resultando em uma compreensão distorcida da produção científica global. Para preencher essa lacuna crítica, apresentamos o **PHAENIX-1**, um conjunto de dados em escala nacional de trabalhos acadêmicos brasileiros.
+>
+> O conjunto compreende **902.186 teses e dissertações** defendidas entre 2013 e 2025, coletadas e estruturadas a partir do catálogo oficial da CAPES. O PHAENIX-1 fornece um corpus de alta qualidade, especificidade e grande escala de conhecimento científico descorrelacionado, representando um recurso vital para o desenvolvimento de modelos de IA em língua portuguesa fundamentados em texto factual e acadêmico. Além disso, permite uma meta-análise sem precedentes e imparcial de um ecossistema de pesquisa nacional. Ao disponibilizar esse corpus anteriormente inacessível, o PHAENIX-1 visa resgatar um corpo significativo de conhecimento do Sul Global, promovendo uma IA mais equitativa e uma ciência da ciência mais abrangente.
+
+- **Curadoria de:** Andrew Maranhão Ventura D'addario
+- **Financiado por:** Ministério da Saúde do Brasil (MS/DECIT), Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) [processo nº 400757/2024-9] e a Fundação Gates.
+- **Idioma(s) (NLP):** Português (pt-BR) e Inglês (en)
+- **Licença:** Creative Commons Attribution 4.0 Generic License (`cc-by-4.0`)
+- **Artigo:** [Link do Paper (MetaArXiv)](https://osf.io/preprints/metaarxiv/y47v8_v1)
+
+### Estatísticas do Dataset
+
+O PHAENIX-1 reflete a produção oficial da pós-graduação brasileira ao longo de mais de uma década. A distribuição dos documentos por grau acadêmico é a seguinte:
+
+| Grau Acadêmico | Tipo de Documento | Quantidade |
+|:---|:---|---:|
+| Mestrado | Dissertação | 669.322 |
+| Doutorado | Tese | 232.864 |
+| **Total** | | **902.186** |
+
+### Estrutura do Conjunto de Dados
+
+O conjunto de dados é estruturado para facilitar tanto o treinamento de modelos de linguagem quanto análises de ciência da ciência.
+
+**Dicionário de Dados:**
+
+Cada registro contém metadados ricos e os textos dos resumos. Os principais campos incluem:
+
+- `id`: Identificador único do registro.
+- `titulo`: Título da obra.
+- `autor`: Nome do autor da tese ou dissertação.
+- `dataDefesa`: Data da defesa (período de 01/01/2013 a 31/03/2025).
+- `grauAcademico`: Nível da titulação (`Mestrado` ou `Doutorado`).
+- `instituicao`: Universidade ou instituição de ensino superior onde o trabalho foi defendido.
+- `nomePrograma`: Nome do programa de pós-graduação.
+- `Resumo`: O texto completo do resumo em Português.
+- `Abstract`: O texto completo do resumo em Inglês.
+- `PalavrasChave` / `Keywords`: Termos descritores fornecidos pelo autor.
+- `AreaConcentracao` / `LinhaPesquisa`: Classificação temática e área de estudo do trabalho.
+
+**Composição do Conjunto de Dados:**
+
+O dataset cobre um período contínuo de mais de 12 anos de produção científica nacional, capturando tendências de pesquisa, redes de orientação e o impacto de políticas públicas na ciência brasileira, sem os filtros de seleção da publicação comercial internacional.
+
+## Processo de Criação
+
+### Justificativa
+
+A maior parte do registro acadêmico global não reside em revistas internacionais, mas sim na literatura cinza produzida por instituições acadêmicas. As teses e dissertações representam o culminar de anos de pesquisa dedicada, contendo estudos aprofundados e resultados negativos frequentemente ausentes em artigos de periódicos.
+O desenvolvimento do PHAENIX-1 foi motivado pela necessidade de corrigir a visão distorcida da ciência global apresentada por datasets focados apenas em inglês e em publicações indexadas. Este corpus oferece conhecimento descorrelacionado do discurso mainstream, impulsionado por relevância local e desafios nacionais (como agricultura tropical e saúde pública), servindo como ferramenta fundamental para mitigar o viés de linguagem na IA.
+
+### Origem
+
+Os dados foram extraídos do **Catálogo de Teses e Dissertações da CAPES** (Coordenação de Aperfeiçoamento de Pessoal de Nível Superior), o repositório centralizado nacional que agrega metadados e links para trabalhos defendidos em universidades brasileiras.
+
+### Coleta e Processamento
+
+Um pipeline meticuloso foi executado para garantir a integridade do conjunto de dados:
+
+1.  **Extração:** Os dados foram coletados diretamente do catálogo público da CAPES entre julho e outubro de 2025, utilizando estratégias robustas para lidar com o grande volume de requisições.
+2.  **Limpeza e Filtragem:**
+    *   **Desduplicação:** Registros duplicados foram identificados e removidos com base no texto do resumo.
+    *   **Filtro de Conteúdo:** Registros com resumos contendo menos de 20 palavras foram excluídos para assegurar densidade informacional mínima.
+    *   **Validação:** Foi confirmado que todos os registros contêm tanto o `Resumo` em português quanto o `Abstract` em inglês, além da classificação correta do grau acadêmico.
+
+### Informações Pessoais e Sensíveis
+
+O conjunto de dados consiste inteiramente em metadados de trabalhos acadêmicos disponíveis publicamente. Embora contenha nomes de autores e orientadores, estas são informações de autoria pública, essenciais para a atribuição correta e para análises de redes de pesquisa.
+
+## Vieses, Riscos e Limitações
+
+-   **Viés Geográfico:** O conjunto de dados é explicitamente projetado para o contexto acadêmico brasileiro. O conteúdo reflete as prioridades de pesquisa do país, o que é uma vantagem para representatividade local, mas pode não ser generalizável para outros ecossistemas de pesquisa.
+-   **Conteúdo Textual:** O dataset foca nos metadados estruturados e nos resumos bilíngues. Ele não contém o texto completo dos documentos (PDFs), embora forneça insumos suficientes para modelagem de linguagem densa, classificação e tradução.
+
+## Recomendações
+
+O PHAENIX-1 é um recurso estratégico para:
+1.  **Treinamento de IA:** Construir LLMs em português mais verídicos e menos enviesados culturalmente.
+2.  **Ciência da Ciência:** Realizar análises em larga escala sobre tendências de pesquisa, redes de orientação e impacto de financiamento, livres do viés de seleção da publicação internacional.
+3.  **Tradução:** Utilizar os pares alinhados de resumos em português e inglês como um dataset paralelo de alta qualidade técnica.
+
+## Agradecimentos
+Este trabalho é dedicado à memória do patrimônio acadêmico perdido no incêndio que devastou laboratórios e salas de aula da Universidade Estadual Paulista (Unesp) em 31 de agosto de 2022. Esse evento trágico demonstra a profunda vulnerabilidade do conhecimento físico e serviu como inspiração direta para a criação do PHAENIX-1, reforçando a missão de preservar e garantir o acesso à inestimável produção científica do Brasil.
+
+## Citação
+
+**Vancouver:**
+
+D'addario AMV. PHAENIX-1: A Nation-Scale Dataset of Brazilian Theses and Dissertations for Language Modeling and Scientific Metaresearch. MetaArXiv [Preprint]. 2025. Available from: https://osf.io/preprints/metaarxiv/y47v8_v1
+
+**BibTeX:**
+
+```bibtex
+@article{daddario2025phaenix1,
+  title={PHAENIX-1: A Nation-Scale Dataset of Brazilian Theses and Dissertations for Language Modeling and Scientific Metaresearch},
+  author={D'addario, Andrew Maranhão Ventura},
+  journal={MetaArXiv},
+  year={2025},
+  publisher={OSF},
+  url={https://osf.io/preprints/metaarxiv/y47v8_v1},
+  note={Dataset available at https://huggingface.co/datasets/larxel/phaenix-1}
+}
+```