Pular para conteúdo

Catálogo de Teses e Dissertações

Resumo

Registro das teses, dissertações e outros trabalhos de conclusão dos cursos de pós-graduação stricto sensu do país, com a instituição e o programa, a área de conhecimento e de avaliação, o autor, o orientador, a data de defesa, o resumo e as palavras-chave. A CAPES o alimenta a partir da coleta dos programas na Plataforma Sucupira. Serve para estudar a produção acadêmica por instituição, área, região e ano.

Ficha técnica

Campo Valor
Dataset capes/teses
Órgão Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Página oficial https://dadosabertos.capes.gov.br/dataset/2021-a-2024-catalogo-de-teses-e-dissertacoes-brasil
Licença Creative Commons Attribution (CC BY), conforme os pacotes do catálogo no portal de dados abertos da CAPES: http://www.opendefinition.org/licenses/cc-by
Periodicidade anual, com atualização em geral no primeiro semestre de cada ano, segundo o metadado oficial
Cobertura 1987 a em-curso
Unidade (uma linha) um trabalho de conclusão (tese, dissertação ou outro) de um discente de pós-graduação stricto sensu
Granularidade espacial: instituição de ensino e programa (com região e UF da instituição); temporal: ano-base e data de defesa
Formato bruto CSV por ano-base, separador ponto e vírgula, texto em Windows-1252 (nenhum arquivo conferido é UTF-8), uma linha de cabeçalho; três layouts de colunas conforme o período
Estado no lake convertido
Partições ano
Chave —
Colunas 86
Unidades de medida numeropaginas: páginas; nr_paginas: páginas; volume: volumes; nr_volume: volumes
Dados pessoais autor (nome); documento_discente (CPF do discente, parcialmente mascarado pela fonte); id_pessoa_discente (identificador da pessoa na base da CAPES, vinculado ao CPF); orientador (nome); orientador_2 (nome); orientador_3 (nome); orientador_4 (nome); coorientador (nome); coorientador_2 (nome); coorientador_3 (nome); coorientador_4 (nome); documentoorientador_1 (CPF do orientador, parcialmente mascarado pela fonte); documentoorientador_2 (CPF do orientador, parcialmente mascarado pela fonte); documentoorientador_3 (CPF do orientador, parcialmente mascarado pela fonte); documentoorientador_4 (CPF do orientador, parcialmente mascarado pela fonte); documentocoorientador_1 (CPF do coorientador, parcialmente mascarado pela fonte); documentocoorientador_2 (CPF do coorientador, parcialmente mascarado pela fonte); documentocoorientador_3 (CPF do coorientador, parcialmente mascarado pela fonte); documentocoorientador_4 (CPF do coorientador, parcialmente mascarado pela fonte); id_pessoa_orientador (identificador da pessoa na base da CAPES, vinculado ao CPF); nm_tp_vinculo (tipo de vínculo empregatício atual do discente); dt_matricula (data de matrícula do discente)
Eras 1987-01: Layout A (41 colunas): nomes em CamelCase (AnoBase, TituloTese, Nivel), com CPF mascarado de discente e de orientadores; data no formato dd/mm/aaaa; 2013-01: Layout B (56 colunas lidas pelo conversor): nomes em maiúsculas com sublinhado (AN_BASE, NM_PRODUCAO), identificadores de produção, área de concentração, linha e projeto, e dados do discente e do orientador (vínculo, expectativa de atuação); datas dd/mm/aaaa hh🇲🇲ss; 2017-01: Layout C (59 colunas): acrescenta o código da instituição (CD_ENTIDADE_CAPES) e o vínculo do trabalho com produção intelectual; datas no formato ddMMMaaaa:hh:mm:ss, como 27MAR2024:00:00:00. Nos arquivos conferidos o layout C aparece de 2018 em diante; o ano de 2017 não consta no bruto
Revisado em 2026-11-09
Versão do fetcher 0.3.0

Origem e coleta

  • O fetcher baixa os arquivos CSV dos pacotes "Catálogo de Teses e Dissertações - Brasil" do portal de dados abertos da CAPES: 1987 a 2012, 2013 a 2016, 2017 a 2020 e 2021 a 2024. Cada pacote traz um CSV e um XLSX por ano-base; o fetcher usa o CSV.
  • No bruto, cada ano é teses_<AAAA>@<AAAAMMDD>.csv, em que o sufixo é a data da última modificação do arquivo na fonte (Last-Modified), ou, sem ela, a data do CKAN.
  • Conferido em 2026-11-09 pela listagem do bruto: 36 arquivos, de 1987 a 2024, sem os anos 2017 e 2021. Os pacotes da CAPES anunciam esses dois anos; o bruto conferido não os tem.
  • A conversão também aceita CSVs dentro de um ZIP. Documentação, provas e arquivos temporários não são convertidos: só entram arquivos CSV cujo nome contenha tese, dissertacao, btd ou dados_ (e não programa nem curso).

Conteúdo

  • Unidade de análise: um trabalho de conclusão. Os metadados oficiais descrevem o universo como "discentes de pós-graduação no Brasil" e a unidade como "produto".
  • Cobertura anunciada pela fonte: 1987 a 2024, em quatro pacotes (1987 a 2012, 2013 a 2016, 2017 a 2020, 2021 a 2024). O pacote mais recente tem metadado de 2025-12-01.
  • Volume anunciado pelo metadado oficial: 82.690 trabalhos em 2021, 84.085 em 2022, 91.463 em 2023 e 91.833 em 2024; 67.534 em 2013. Não foi feita contagem integral dos arquivos (amostra de 2026-11-09).
  • Eras (três layouts de colunas):
    • Layout A, 1987 a 2012: 41 colunas em CamelCase. Os campos de pessoa vêm com o CPF mascarado.
    • Layout B, 2013 a 2016: 56 colunas lidas, a partir da Plataforma Sucupira, com identificadores de produção, de área de concentração, linha de pesquisa e projeto.
    • Layout C, 2018 em diante nos arquivos conferidos (2017 anunciado pela fonte): 59 colunas; inclui codigo_ies, in_tcc_com_vinculo_producao e id_add_producao_vinculo_ct.
  • Os tipos de trabalho mudam: no layout A só há mestrado, doutorado e profissionalizante; a partir de 2013 existe o subtipo da produção (nm_subtipo_producao) e, em 2024, também aparecem formatos como material didático, produto ou processo, projeto técnico e artigo (amostra de 2024).

Variáveis

Descrições dos metadados oficiais da CAPES (versões 1987 a 2012, 2013 a 2016 e 2021 a 2024 do catálogo); onde a fonte não define a variável, a célula diz "não informado pela fonte". Todos os valores chegam ao lake como texto. A coluna "Período" usa os layouts A (1987 a 2012), B (2013 a 2016) e C (2017 em diante).

Coluna no lake Na fonte Tipo Descrição Unidade / códigos Período
ano ano-base (de AnoBase ou AN_BASE) inteiro (partição) Ano-base da coleta; é a partição do dataset. Linha sem ano válido vai para a partição de quarentena (ano=__HIVE_DEFAULT_PARTITION__) ano de 4 dígitos todos
ano_base AnoBase (A); AN_BASE (B, C) texto Ano-base da coleta dos dados ano de 4 dígitos todos
codigo_programa CodigoPrograma (A); CD_PROGRAMA (B, C) texto Código do programa de pós-graduação na CAPES, gerado a partir do código da instituição; único por programa 13 caracteres, como 33005010005P4 todos
regiao Regiao texto Nome da região da instituição NORTE, NORDESTE, SUDESTE, SUL, CENTRO-OESTE A
uf Uf texto Sigla da unidade da federação da instituição sigla de 2 letras A
sigla_ies SiglaIes (A); SG_ENTIDADE_ENSINO (B, C) texto Sigla da instituição de ensino superior do programa — todos
nome_ies NomeIes (A); NM_ENTIDADE_ENSINO (B, C) texto Nome da instituição de ensino superior do programa — todos
nome_programa NomePrograma (A); NM_PROGRAMA (B, C) texto Nome do programa de pós-graduação, informado pela instituição e aprovado pelo Ministério da Educação — todos
grandeareacodigo GrandeAreaCodigo texto Código da grande área de conhecimento do programa código numérico de 8 dígitos A
grandeareadescricao GrandeAreaDescricao texto Nome da grande área de conhecimento do programa — A
areaconhecimentocodigo AreaConhecimentoCodigo texto Código da área de conhecimento do programa código numérico de 8 dígitos A
area_conhecimento AreaConhecimento (A); NM_AREA_CONHECIMENTO (B, C) texto Nome da área de conhecimento do programa — todos
area_avaliacao AreaAvaliacao (A); NM_AREA_AVALIACAO (B, C) texto Nome da área de avaliação do programa, na data do envio e homologação — todos
documento_discente DocumentoDiscente texto CPF do discente, "tarjado" (parcialmente mascarado) pela fonte formato 999*****999; em 1987, 4.492 de 4.496 linhas da amostra têm o valor 999*****999 A
autor Autor (A); NM_DISCENTE (B, C) texto Nome do autor do trabalho (discente) — todos
titulo TituloTese (A); NM_PRODUCAO (B, C) texto Título da tese ou dissertação — todos
grau_academico Nivel (A); NM_GRAU_ACADEMICO (B, C) texto Nível do programa (A) ou grau acadêmico do discente em 31 de dezembro do ano-base (B, C) A: Mestrado, Doutorado, Profissionalizante; B, C: MESTRADO, DOUTORADO, MESTRADO PROFISSIONAL, DOUTORADO PROFISSIONAL todos
data_defesa DataDefesa (A); DT_TITULACAO (B, C) texto Data de defesa, que o metadado oficial define como a data da titulação do autor A: dd/mm/aaaa; B: dd/mm/aaaa hh:mm:ss; C: 27MAR2024:00:00:00 todos
palavras_chave PalavrasChave (A); DS_PALAVRA_CHAVE (B, C) texto Palavras-chave da tese ou dissertação separador varia: espaços repetidos (1987), vírgula (2004, 2013), ponto e vírgula (2020, 2024), conforme as amostras todos
volume Volume texto Número de volumes impressos, encadernados e depositados na biblioteca depositária volumes A
numeropaginas NumeroPaginas texto Número de páginas da produção páginas A
bibliotecadepositaria BibliotecaDepositaria texto Descrição da biblioteca depositária — A
idioma Idioma texto Idioma da produção Português, Inglês, Outro (amostra de 2004) A
resumo ResumoTese (A); DS_RESUMO (B, C) texto Resumo da tese ou dissertação, em português nos layouts B e C — todos
linhapesquisa LinhaPesquisa texto Descrição da linha de pesquisa — A
urltextocompleto URLTextoCompleto texto URL do texto completo da produção URL; vazio na maioria das linhas das amostras de 1987 e 2004 A
documentoorientador_1 DocumentoOrientador_1 texto CPF tarjado do orientador 1 formato (004*****897) A
orientador Orientador_1 (A); NM_ORIENTADOR (B, C) texto Nome do orientador (o primeiro, em A) — todos
documentoorientador_2 DocumentoOrientador_2 texto CPF tarjado do orientador 2 — A
orientador_2 Orientador_2 texto Nome do orientador 2 — A
documentoorientador_3 DocumentoOrientador_3 texto CPF tarjado do orientador 3 — A
orientador_3 Orientador_3 texto Nome do orientador 3 — A
documentoorientador_4 DocumentoOrientador_4 texto CPF tarjado do orientador 4 — A
orientador_4 Orientador_4 texto Nome do orientador 4 — A
documentocoorientador_1 DocumentoCoOrientador_1 texto CPF tarjado do coorientador 1 — A
coorientador CoOrientador_1 texto Nome do coorientador 1 — A
documentocoorientador_2 DocumentoCoOrientador_2 texto CPF tarjado do coorientador 2 — A
coorientador_2 CoOrientador_2 texto Nome do coorientador 2 — A
documentocoorientador_3 DocumentoCoOrientador_3 texto CPF tarjado do coorientador 3 — A
coorientador_3 CoOrientador_3 texto Nome do coorientador 3 — A
documentocoorientador_4 DocumentoCoOrientador_4 texto CPF tarjado do coorientador 4 — A
coorientador_4 CoOrientador_4 texto Nome do coorientador 4 — A
id_add_producao_intelectual ID_ADD_PRODUCAO_INTELECTUAL texto Identificação da tese ou dissertação no ano-base e no programa na base da CAPES identificador numérico B, C
id_producao_intelectual ID_PRODUCAO_INTELECTUAL texto Identificador da tese ou dissertação na base da CAPES identificador numérico B, C
id_subtipo_producao ID_SUBTIPO_PRODUCAO texto Identificador do subtipo da produção. Segundo a fonte, segue o grau acadêmico: tese para doutorado; dissertação para mestrado e mestrado profissional; no mestrado profissional há outras modalidades de trabalho de conclusão identificador numérico B, C
nm_subtipo_producao NM_SUBTIPO_PRODUCAO texto Nome do subtipo da produção 2013: DISSERTAÇÃO, TESE; 2024: 17 valores, entre eles MATERIAL DIDÁTICO E INSTRUCIONAL, PROJETO TÉCNICO, ARTIGO (amostras) B, C
id_area_concentracao ID_AREA_CONCENTRACAO texto Identificador da área de concentração do programa a que a produção está vinculada identificador numérico B, C
nm_area_concentracao NM_AREA_CONCENTRACAO texto Nome da área de concentração do programa a que a produção está vinculada pode vir NÃO INFORMADO B, C
id_linha_pesquisa ID_LINHA_PESQUISA texto Identificador da linha de pesquisa do programa a que a produção está vinculada identificador numérico B, C
nm_linha_pesquisa NM_LINHA_PESQUISA texto Nome da linha de pesquisa do programa a que a produção está vinculada — B, C
id_projeto ID_PROJETO texto Identificador do projeto de pesquisa do programa a que a produção está vinculada identificador numérico B, C
nm_projeto NM_PROJETO texto Nome do projeto de pesquisa do programa a que a produção está vinculada — B, C
dh_inicio_area_conc DH_INICIO_AREA_CONC texto Data e hora do início da área de concentração do programa B: vazio na amostra de 2013; C: 01AUG2017:00:00:00 B, C
dh_fim_area_conc DH_FIM_AREA_CONC texto Data e hora do fim da área de concentração do programa idem B, C
dh_inicio_linha DH_INICIO_LINHA texto Data e hora do início da linha de pesquisa do programa B: 01/01/2012 00:00:00; C: 10JAN2021:00:00:00 B, C
dh_fim_linha DH_FIM_LINHA texto Data e hora do fim da linha de pesquisa do programa idem B, C
ds_keyword DS_KEYWORD texto Palavras-chave (keywords) da produção, em geral em inglês — B, C
in_trabalho_mesma_area IN_TRABALHO_MESMA_AREA texto Segundo a fonte, indica se a expectativa de atuação profissional do concluinte é na mesma área da formação 0, 1 B, C
nm_tp_vinculo NM_TP_VINCULO texto Tipo de vínculo empregatício atual do discente NÃO INFORMADO, SERVIDOR PÚBLICO, CLT, COLABORADOR, BOLSA DE FIXAÇÃO, APOSENTADO (amostra de 2013) B, C
in_orient_participou_banca IN_ORIENT_PARTICIPOU_BANCA texto Indica se o orientador participou da banca 0, 1 B, C
ds_biblioteca_depositaria DS_BIBLIOTECA_DEPOSITARIA texto Biblioteca depositária da tese ou dissertação pode vir NÃO INFORMADO B, C
id_tp_expectativa_atuacao ID_TP_EXPECTATIVA_ATUACAO texto Identificador do tipo de expectativa de atuação identificador numérico B, C
nm_expectativa_atuacao NM_EXPECTATIVA_ATUACAO texto Nome da expectativa de atuação do discente ENSINO E PESQUISA, EMPRESAS, PESQUISA, PROFISSIONAL AUTÔNOMO, OUTROS, NÃO INFORMADO (amostra de 2013) B, C
id_pessoa_discente ID_PESSOA_DISCENTE texto Identifica o discente como pessoa na base da CAPES, em relação ao cadastro de pessoa física da Receita Federal; único independentemente do vínculo, grau e programa identificador numérico B, C
dt_matricula DT_MATRICULA texto Data de matrícula do discente no programa B: 01/03/2010 00:00:00; C: 18APR2022:00:00:00 B, C
id_grau_academico ID_GRAU_ACADEMICO texto Identificador do grau acadêmico do discente em 31 de dezembro do ano-base identificador numérico B, C
ds_categoria_orientador DS_CATEGORIA_ORIENTADOR texto Categoria do orientador no programa DOCENTE, PARTICIPANTE EXTERNO, NÃO INFORMADO (amostra de 2013) B, C
nm_categoria_docente NM_CATEGORIA_DOCENTE texto Categoria do docente, quando o orientador é docente do programa; do contrário, segundo a fonte, fica NÃO INFORMADO PERMANENTE, COLABORADOR, VISITANTE, NÃO INFORMADO B, C
nm_regiao NM_REGIAO texto Nome da região da instituição NORTE, NORDESTE, SUDESTE, SUL, CENTRO-OESTE B, C
sg_uf_ies SG_UF_IES texto Sigla da unidade da federação da instituição sigla de 2 letras B, C
nm_uf_ies NM_UF_IES texto Nome da unidade da federação da instituição — B, C
cd_grande_area_conhecimento CD_GRANDE_AREA_CONHECIMENTO texto Código da grande área de conhecimento do programa código de 8 dígitos B, C
grande_area NM_GRANDE_AREA_CONHECIMENTO texto Nome da grande área de conhecimento do programa — B, C
cd_area_conhecimento CD_AREA_CONHECIMENTO texto Código da área de conhecimento do programa código de 8 dígitos B, C
cd_subarea_conhecimento CD_SUBAREA_CONHECIMENTO texto Código da subárea de conhecimento do programa código de 8 dígitos; NA quando não se aplica B, C
nm_subarea_conhecimento NM_SUBAREA_CONHECIMENTO texto Nome da subárea de conhecimento do programa NÃO SE APLICA quando não se aplica B, C
cd_especialidade CD_ESPECIALIDADE texto Código da especialidade de conhecimento do programa NA quando não se aplica B, C
nm_especialidade NM_ESPECIALIDADE texto Nome da especialidade de conhecimento do programa NÃO SE APLICA quando não se aplica B, C
nr_volume NR_VOLUME texto Número de volumes impressos, encadernados e depositados na biblioteca depositária volumes B, C
nr_paginas NR_PAGINAS texto Número de páginas da produção páginas; o valor 0 aparece com frequência (veja os cuidados de uso) B, C
nm_idioma NM_IDIOMA texto Idioma da produção PORTUGUES, INGLES, ESPANHOL e outros, sem acento B, C
abstract DS_ABSTRACT texto Abstract da produção, em inglês — B, C
url_texto_completo DS_URL_TEXTO_COMPLETO texto URL do texto completo da produção; nas amostras de 2013 a 2024 todas as linhas trazem um endereço de consulta na Plataforma Sucupira URL B, C
id_pessoa_orientador ID_PESSOA_ORIENTADOR texto Identifica o orientador vinculado à produção como pessoa na base da CAPES, em relação ao cadastro de pessoa física da Receita Federal identificador numérico B, C
codigo_ies CD_ENTIDADE_CAPES texto Código da instituição de ensino superior na CAPES 8 dígitos C
in_tcc_com_vinculo_producao IN_TCC_COM_VINCULO_PRODUCAO texto Indica se o trabalho de conclusão tem vínculo com alguma produção intelectual SIM; vazio quando não há vínculo (amostra de 2024) C
id_add_producao_vinculo_ct ID_ADD_PRODUCAO_VINCULO_CT texto Identificadores das produções intelectuais vinculadas ao trabalho, concatenados lista de identificadores C

No lake

  • Dataset capes/teses, particionado por ano, um conjunto de Parquet por arquivo de origem.
  • Todas as colunas são texto, inclusive códigos (sem perda de zeros à esquerda) e datas. O esquema não depende do conteúdo lido.
  • O CSV é lido em UTF-8 e, se não for UTF-8 válido, em Windows-1252; bytes indefinidos viram o caractere de controle de mesmo código, sem perda.
  • Nomes de coluna em minúsculas sem acento; um dicionário de sinônimos leva nomes dos três layouts para nomes comuns (por exemplo TituloTese, NM_PRODUCAO e DS_TITULO viram titulo; Nivel e NM_GRAU_ACADEMICO viram grau_academico; CD_ENTIDADE_CAPES vira codigo_ies). Nomes sem sinônimo ficam só normalizados: por isso há colunas coladas (grandeareadescricao, numeropaginas, linhapesquisa) no layout A e nm_*/cd_* nos layouts B e C.
  • Quando duas colunas de um arquivo apontam para o mesmo nome comum, só uma recebe o nome comum; a outra mantém o nome normalizado. Os campos DS_RESUMO (português) e DS_ABSTRACT (inglês) dos layouts B e C são colunas separadas: resumo e abstract. No layout A (1987 a 2012) só há resumo (de ResumoTese) e não há abstract.
  • A partição ano vem da coluna do ano-base de cada linha (primeiro número de 4 dígitos entre 1900 e 2100); linha sem ano válido vai para a partição de quarentena, sem ano inventado.
  • Colunas que existem só em alguns layouts aparecem nulas nos Parquet dos demais anos. O esquema de referência (teses.schema.json) reúne 86 colunas, gerado de uma conversão de amostras dos três layouts (1987, 2004, 2013, 2020 e 2024); a chave não é declarada: ver cuidados de uso.

Cuidados de uso

  • Três layouts com nomes diferentes para o mesmo conceito. Região é regiao (1987 a 2012) e nm_regiao (2013 em diante); UF é uf e sg_uf_ies; grande área é grandeareadescricao e grande_area; páginas são numeropaginas e nr_paginas. Para uma série longa, una as colunas com coalesce. Evidência: esquemas das amostras de 1987, 2013 e 2024 (conferido em 2026-11-09, versão 0.3.0).
  • resumo e abstract. Nos layouts B e C (2013 em diante), resumo é o resumo em português (DS_RESUMO) e abstract o abstract em inglês (DS_ABSTRACT). No layout A (1987 a 2012) só existe resumo (de ResumoTese), sem abstract. A coluna ds_resumo não existe mais. Um lake convertido antes desta separação tem resumo com o abstract em inglês e ds_resumo com o português; apague capes/teses do lake e converta de novo.
  • Datas em três formatos de texto. dd/mm/aaaa, dd/mm/aaaa hh:mm:ss e 27MAR2024:00:00:00 (mês abreviado em inglês). Converta por era antes de comparar.
  • Valores ausentes aparecem de formas diferentes. Vazio (nulo no lake), NÃO INFORMADO, NA e NÃO SE APLICA convivem; nr_paginas/numeropaginas valem 0 em 534 de 2.162 linhas na amostra de 2024 e em 285 de 4.496 na de 1987, o que provavelmente significa páginas não informadas (hipótese, a fonte não define).
  • CPF e nomes. documento_discente e documentoorientador_* são o CPF mascarado pela fonte, mas ainda são dados pessoais; em 1987, quase todas as linhas da amostra trazem o mesmo valor 999*****999. autor, orientador e coorientador são nomes de pessoas; trate o dado conforme a legislação de proteção de dados.
  • Sem chave única entre eras. O layout A não tem identificador de trabalho. Nos layouts B e C, id_add_producao_intelectual é único por linha nas amostras de 2013, 2020 e 2024, e o metadado oficial a lista como chave junto com o ano-base e o programa.
  • Anos faltantes no bruto. O bruto conferido não tem 2017 nem 2021. Qualquer série anual por ano de defesa terá buracos nesses dois anos até que sejam coletados.
  • Reenvios. Segundo a fonte, os programas podem retificar dados depois do envio, e o metadado de 2021 a 2024 afirma que os anos de 2021 e 2022 foram atualizados com a reabertura do calendário; a versão coletada de cada ano pode mudar.

Exemplos

Como as colunas mudam entre os layouts, leia cada ano separadamente e una com how="diagonal". Trabalhos por ano, grande área e grau acadêmico em 2018 a 2024 (layout C, que traz grande_area):

from pathlib import Path

import polars as pl

raiz = Path("lake/capes/teses")
teses = pl.concat(
    [
        pl.scan_parquet(d / "*.parquet").with_columns(ano=pl.lit(int(d.name[4:])))
        for d in sorted(raiz.glob("ano=[0-9]*"))
    ],
    how="diagonal",
)
resumo = (
    teses.filter(pl.col("ano").is_between(2018, 2024))
    .group_by("ano", "grande_area", "grau_academico")
    .agg(pl.len().alias("trabalhos"))
    .sort("ano", "grande_area", "grau_academico")
    .collect()
)

Trabalhos por ano e região da instituição, unindo as duas grafias da região (regiao no layout A, nm_regiao nos layouts B e C):

por_regiao = (
    teses.with_columns(pl.coalesce("regiao", "nm_regiao").alias("regiao_ies"))
    .group_by("ano", "regiao_ies")
    .agg(pl.len().alias("trabalhos"))
    .sort("ano", "regiao_ies")
    .collect()
)

Lembre que o bruto conferido não tem os anos 2017 e 2021.

Referências

  • Pacote 2021 a 2024: https://dadosabertos.capes.gov.br/dataset/2021-a-2024-catalogo-de-teses-e-dissertacoes-brasil
  • Pacote 2017 a 2020: https://dadosabertos.capes.gov.br/dataset/2017-2020-catalogo-de-teses-e-dissertacoes-da-capes
  • Pacote 2013 a 2016: https://dadosabertos.capes.gov.br/dataset/catalogo-de-teses-e-dissertacoes-de-2013-a-2016
  • Pacote 1987 a 2012: https://dadosabertos.capes.gov.br/dataset/1987-a-2012-catalogo-de-teses-e-dissertacoes-brasil
  • Metadados (dicionário de variáveis): https://metadados.capes.gov.br/index.php/catalog/336 (2021 a 2024), https://metadados.capes.gov.br/index.php/catalog/288 (2017 a 2020), https://metadados.capes.gov.br/index.php/catalog/115 (2013 a 2016) e https://metadados.capes.gov.br/index.php/catalog/181 (1987 a 2012)
  • Catálogo de Teses e Dissertações da CAPES: https://catalogodeteses.capes.gov.br