Pular para conteúdo

CAPES — pós-graduação (capes)

O capes-fetcher coleta dados abertos da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), fundação do Ministério da Educação, a partir do portal de dados abertos da instituição (CKAN). Hoje converte para o lake em Parquet particionado três conjuntos sobre a pós-graduação stricto sensu brasileira, todos extraídos da Plataforma Sucupira: o catálogo de teses e dissertações, os programas e os cursos.

Dataset O que é Origem Período Página
teses Catálogo de Teses e Dissertações: uma linha por trabalho de conclusão defendido em programa de pós-graduação Pacotes "Catálogo de Teses e Dissertações - Brasil" do portal de dados abertos 1987 a 2024 teses
programas Programas de pós-graduação stricto sensu por ano-base: instituição, área, conceito, situação Pacotes "Programas da Pós-Graduação Stricto Sensu" 2013 a 2024 programas
cursos Cursos (mestrado, doutorado e variantes profissionais) dos programas, por ano-base Pacotes "Cursos da Pós-Graduação Stricto Sensu" 2013 a 2024 (veja os cuidados de uso) cursos

Como a CAPES publica

  • O portal dadosabertos.capes.gov.br organiza os dados em pacotes por tema e por intervalo de anos (por exemplo, "[2021 a 2024] Catálogo de Teses e Dissertações - Brasil"). Cada pacote traz um CSV e um XLSX por ano-base, mais um PDF e uma página de metadados no catálogo metadados.capes.gov.br.
  • Os três conjuntos têm periodicidade anual, segundo o portal; o documento de metadados diz que a atualização ocorre, em geral, no primeiro semestre de cada ano, e que pode haver reenvio de anos anteriores quando o calendário de coleta é reaberto.
  • Licença declarada em todos os pacotes: Creative Commons Attribution (CC BY), http://www.opendefinition.org/licenses/cc-by.
  • Os dados vêm da coleta feita pelos programas na Plataforma Sucupira. Segundo a CAPES, só a última imagem homologada de cada programa vale para a avaliação, e programas podem retificar informações depois do envio.
  • Os CSVs são separados por ; e, nos arquivos conferidos, não estão em UTF-8; o conversor os lê em Windows-1252.

O fetcher guarda cada versão baixada com a data de coleta no nome do arquivo (<arquivo>@AAAAMMDD); o lake converte a versão mais recente de cada arquivo.

Como os conjuntos se relacionam

  • programas, cursos e teses compartilham o código do programa: cd_programa_ies (programas e cursos) é o mesmo código que codigo_programa em teses, com 13 caracteres, cujos 8 primeiros dígitos correspondem ao código da instituição na CAPES (cd_entidade_capes), segundo a documentação da CAPES. Numa amostra de 2024, os 126 programas presentes em teses constam todos em programas, e os 4.635 programas de cursos constam todos em programas.
  • Um programa tem um ou mais cursos (mestrado, doutorado); uma tese ou dissertação pertence a um programa.
  • Os pacotes da CAPES cobrem outros temas (bolsas, produção intelectual, docentes, periódicos, entre outros) que o fetcher cataloga, mas ainda não baixa nem converte.

Quebras que valem para mais de um conjunto

Desde Mudança Afeta
2013 Os dados passam a vir da Plataforma Sucupira; o layout dos arquivos muda (nomes de coluna em AN_BASE, CD_PROGRAMA etc.) teses, programas, cursos
2017 Os programas ganham a coluna NM_AREA_BASICA e perdem a coluna de clientela da Avaliação Quadrienal 2017; ANO_INICIO_PROGRAMA passa a AN_INICIO_PROGRAMA programas

Os nomes de coluna e os formatos de data variam entre esses grupos de anos; as páginas de cada dataset listam as colunas por período.