Capítulo 29 Ciência Aberta
Ao longo do livro, todos os bancos que usamos vieram de fontes abertas: o SINASC do DATASUS, o Pokemon e a tabela nutricional do McDonald’s, publicados por quem os produziu para que qualquer pessoa pudesse usar. Isso não é coincidência nem conveniência. É um movimento com nome: ciência aberta.
E ele tem consequência prática direta para você, que está começando a pesquisar: é ciência aberta que torna possível fazer um bom trabalho sem ter orçamento para coletar dados próprios.
29.1 O que é ciência aberta
A ideia central é simples: o conhecimento produzido com dinheiro público deve estar disponível para qualquer pessoa. Na prática, isso se desdobra em quatro frentes.
Acesso aberto é o artigo poder ser lido sem assinatura. Muita revista científica cobra caro pelo acesso, e sem vínculo com uma universidade rica você fica de fora. As revistas de acesso aberto derrubam essa barreira.
Dados abertos é o banco de dados por trás do artigo estar disponível. Isso permite que outra pessoa confira os resultados, e permite que alguém faça uma pergunta nova com os mesmos dados — que é exatamente o que fizemos neste livro.
Código aberto é o programa usado na análise poder ser inspecionado. O R é software livre: qualquer um pode ler o código de qualquer função, verificar o que ela faz e corrigi-la. Você não precisa acreditar que a t.test() está certa; pode conferir.
Reprodutibilidade é conseguir refazer a análise e chegar ao mesmo resultado. É por isso que usamos set.seed() em toda simulação deste livro: sem a semente, cada execução daria números diferentes, e você não teria como confirmar que o que está impresso aqui é o que o código realmente produz.
29.2 Por que isso importa para o seu trabalho
Coletar os próprios dados é uma habilidade central da pesquisa, e é o que muitos de vocês vão fazer no TCC: definir a população, calcular a amostra, submeter ao Comitê de Ética, aplicar o instrumento, acompanhar a coleta. Nada disso é dispensável, e este livro inteiro foi escrito para preparar você para essas etapas.
Os dados abertos são outro caminho, com forças próprias, e não um atalho para escapar da coleta.
A principal delas é a escala. Nenhum estudante consegue, sozinho, acompanhar todos os nascimentos de uma cidade em um ano. Foi exatamente isso que fizemos: o banco de Uberaba tem 3.602 registros reais, e nenhum deles precisou ser coletado por nós. Com esse tamanho, dá para investigar diferenças pequenas e comparar subgrupos — coisas que uma amostra de trinta questionários não permite.
A segunda é o tempo. Bancos como o SINASC existem desde os anos 1990, então você pode olhar dez anos de série histórica e perguntar como algo mudou, o que uma coleta feita agora jamais responderia.
A terceira é a de eventos raros. Se o desfecho que interessa acontece em um caso a cada mil, uma coleta de porte estudantil não vai encontrá-lo; um registro nacional, sim.
E há uma quarta, que costuma passar despercebida: usar dados que já existem não expõe novas pessoas a questionário, entrevista ou procedimento. Reaproveitar um dado bem coletado é, em si, uma escolha eticamente boa.
Boa parte da produção em epidemiologia é feita com dados secundários, justamente por essas razões. É um caminho legítimo, e muitas vezes o único possível para a pergunta que você quer fazer.
A contrapartida é real: com dado secundário, você trabalha com as variáveis que alguém já decidiu coletar, para uma finalidade que não era a sua. Se a sua pergunta depende de uma informação que não está lá, nenhuma análise vai resolver — e aí a coleta própria deixa de ser opção e passa a ser necessidade.
Usar dado aberto não dispensa cuidado ético nem citação. O banco tem autoria, tem uma finalidade original e tem limitações. Cite a fonte, leia a documentação e não force o dado a responder uma pergunta que ele não pode responder. E confirme com seu orientador se o seu projeto precisa passar pelo Comitê de Ética: o uso de dados públicos anonimizados costuma ser dispensado, mas essa avaliação não é sua.
29.3 Onde encontrar dados abertos
29.3.1 No Brasil
| Fonte | O que tem | Endereço |
|---|---|---|
| DATASUS | Nascimentos, óbitos, internações, notificações de agravos | https://datasus.saude.gov.br/transferencia-de-arquivos |
| IBGE / SIDRA | Censo, pesquisas domiciliares, indicadores sociais | https://sidra.ibge.gov.br |
| Portal Brasileiro de Dados Abertos | Dados de todos os órgãos do governo federal | https://dados.gov.br |
| Base dos Dados | Bases públicas já tratadas e padronizadas | https://basedosdados.org |
| SciELO Data | Dados depositados por autores de artigos da SciELO | https://data.scielo.org |
O DATASUS merece destaque para quem é da área da saúde, e por isso tem um capítulo só dele logo a seguir.
29.3.2 Repositórios internacionais
| Repositório | Perfil | Endereço |
|---|---|---|
| Zenodo | Generalista, mantido pelo CERN; dá DOI a qualquer depósito | https://zenodo.org |
| Figshare | Generalista, muito usado para material suplementar de artigos | https://figshare.com |
| OSF | Projetos inteiros: dados, código, registro e pré-print no mesmo lugar | https://osf.io |
| Harvard Dataverse | Grande acervo, forte em ciências sociais | https://dataverse.harvard.edu |
| PhysioNet | Sinais fisiológicos e dados clínicos | https://physionet.org |
| re3data | Não guarda dados: é um catálogo de repositórios, para você achar o certo | https://www.re3data.org |
29.4 Onde encontrar artigos abertos
A SciELO (https://scielo.org) reúne a produção científica da América Latina, em acesso aberto e em português. Deve ser sua primeira parada.
O DOAJ (https://doaj.org), Directory of Open Access Journals, cataloga revistas de acesso aberto do mundo todo e serve para checar se uma revista é confiável antes de submeter.
O PubMed Central (https://pmc.ncbi.nlm.nih.gov) é o acervo aberto da área biomédica.
E o Portal de Periódicos da CAPES (https://www.periodicos.capes.gov.br) dá acesso, pela sua conta institucional, a revistas que de outra forma seriam pagas. Vale aprender a usar: é um recurso que você tem por ser estudante de universidade pública e que costuma passar despercebido.
29.4.1 Pré-prints
Um pré-print é o artigo publicado pelos autores antes da revisão por pares. Sai rápido, às vezes um ano antes da versão final, mas ainda não foi avaliado por outros pesquisadores — trate com cautela e diga na sua citação que é um pré-print.
Os principais são o SciELO Preprints (https://preprints.scielo.org), em português, o medRxiv (https://www.medrxiv.org) para saúde e o PsyArXiv (https://psyarxiv.com) para psicologia.
29.5 Registro de estudos
Antes de começar uma pesquisa, é boa prática registrá-la publicamente, dizendo o que você vai medir e como vai analisar. Isso impede uma prática comum e problemática: testar várias hipóteses e depois relatar só a que deu significativa.
No Brasil, o registro de ensaios clínicos é feito no ReBEC (https://ensaiosclinicos.gov.br). Internacionalmente, no ClinicalTrials.gov (https://clinicaltrials.gov). Para estudos que não são ensaios clínicos, o OSF permite registrar o plano de análise.
29.6 Como tornar a sua pesquisa aberta
Você também pode contribuir, e isso pesa a favor do seu trabalho.
Deposite os seus dados em um repositório que dê DOI, como o Zenodo ou o OSF, e cite esse DOI no artigo. Se os dados forem sensíveis, deposite ao menos o dicionário de variáveis e o código.
Publique o seu código. O script que gerou os seus resultados é parte do método. Este livro faz isso: os scripts que produziram os bancos usados aqui estão publicados junto com ele.
Escolha uma licença. Sem licença explícita, ninguém sabe o que pode fazer com o seu material. As licenças Creative Commons (https://creativecommons.org/licenses/) resolvem isso em uma linha.
Cite os dados que usar como você citaria um artigo, com autor, ano, título, repositório e DOI. Dado é produção intelectual, e quem o disponibilizou merece o crédito.
Repare que este livro é, ele mesmo, um exercício de ciência aberta: está em acesso aberto, foi escrito com software livre, o código de todas as análises está à vista em cada capítulo, e os bancos usados estão disponíveis para download.