Capítulo 7 — Síntese da tese e arquivo de reprodutibilidade

Mapa da aula

Aula 07 publicada. Mapa, exemplo, EX039.

flowchart TD
  N0["7.1 O argumento da tese"]
  N1["7.2 O arquivo de reprodutibilidade"]
  N2["7.3 Verificando as propriedades FAIR"]
  N3["7.4 Melhorando o arquivo"]
  N4["Laboratório — Pontuação FAIR de registros de conjunt"]
  N0 --> N1 --> N2 --> N3 --> N4
  N4 --> EX["Exemplo resolvido"]
  EX --> Q["Exercício EX039"]

Desenho lógico

flowchart LR
  N0["7.1 O argumento da tese"]
  N1["7.2 O arquivo de reprodutibilidade"]
  N2["7.3 Verificando as propriedades FAIR"]
  N3["7.4 Melhorando o arquivo"]
  N4["Laboratório — Pontuação FAIR de registros de conjunt"]
  N0 --> N1 --> N2 --> N3 --> N4 --> Q["EX039"]

[7.1 O argumento da tese]
    |
    v
[7.2 O arquivo de reprodutibilidade]
    |
    v
[7.3 Verificando as propriedades FAIR]
    |
    v
[7.4 Melhorando o arquivo]
    |
    v
[Laboratório — Pontuação FAIR de registros de conjunt]
    |
    v
[Exemplo resolvido] --> [Exercício EX039]

Objetivos de aprendizagem

Você vai (1) sintetizar os achados em uma tese coerente; (2) montar um arquivo de reprodutibilidade; (3) avaliar o arquivo à luz dos princípios FAIR.

7.1 O argumento da tese

A tese de Nadia sustenta que, no contexto estudado, as decisões de governança sobre pareamento e regras de qualidade moldam as estatísticas oficiais tanto quanto a coleta de dados, e que as decisões mais influentes receberam a menor atenção da governança. Cada capítulo sustenta uma etapa: a matriz de decisões, a replicação da linha de base, a simulação principal, a validação e a resposta à crítica. Ela escreve o argumento em uma página antes de revisar os capítulos, para que cada seção contribua para a afirmação e nada entre apenas porque foi um trabalho que ela fez.

7.2 O arquivo de reprodutibilidade

Nadia monta um arquivo com o gerador da réplica, os scripts de análise, as sementes fixas, as saídas esperadas, o diário de decisões, o protocolo de entrevistas e o quadro de codificação anonimizado. O material confidencial, incluindo quaisquer documentos internos de Westmark, fica de fora e é apenas descrito. Os princípios FAIR de Wilkinson e colegas estabelecem que dados e metadados devem ser localizáveis, acessíveis, interoperáveis e reutilizáveis (findable, accessible, interoperable, reusable), com identificadores persistentes, metadados ricos, vocabulários padronizados, licenças claras e proveniência. Ela trata os princípios como metas de projeto para o arquivo, e não como um certificado que ele tem ou não tem.

7.3 Verificando as propriedades FAIR

Para testar o arquivo diante dessas metas, Nadia avalia quatro registros sintéticos de conjuntos de dados com uma lista de verificação de oito itens. O laboratório informa que o registro do cadastro empresarial atende 8 de 8 itens, o registro de emprego vinculado 4 de 8, a pesquisa de comércio 4 de 8 e o extrato piloto 1 de 8, uma média de 0,53. Ao registro de emprego vinculado faltam identificador persistente, entrada em índice de busca, vocabulário padronizado e licença, o que dificultaria o reúso até para colegas dentro de Westmark. O extrato piloto atende apenas ao item de protocolo aberto, algo típico de arquivos produzidos às pressas para um teste e nunca descritos depois. Esses arquivos são os primeiros a se tornar inutilizáveis.

7.4 Melhorando o arquivo

Nadia aplica as lições ao próprio arquivo. Obtém um identificador persistente pelo repositório da universidade, escreve metadados que descrevem as variáveis com códigos padronizados, escolhe uma licença aberta para o código e os dados sintéticos e documenta a proveniência desde o gerador até cada figura. As condições de acesso informam que microdados confidenciais não estão incluídos e explicam como pesquisadores podem solicitá-los separadamente a Westmark. O Prof. Eriksen testa o arquivo pedindo a um aluno novo que regenere duas figuras; o aluno consegue, sem ajuda, em uma tarde. Nenhuma etapa exigiu a ajuda de Nadia.

Laboratório — Pontuação FAIR de registros de conjuntos de dados

"""Score synthetic dataset metadata records against a simple FAIR checklist (stdlib only)."""
checks = ["persistent_id", "rich_metadata", "searchable_index", "open_protocol", "access_conditions",
          "standard_vocabulary", "licence", "provenance"]
sets = {
    "business_register_2025": {"persistent_id", "rich_metadata", "searchable_index", "open_protocol", "licence", "provenance", "standard_vocabulary", "access_conditions"},
    "linked_employment_2024": {"rich_metadata", "open_protocol", "access_conditions", "provenance"},
    "trade_survey_2023":      {"persistent_id", "searchable_index", "open_protocol", "licence"},
    "pilot_linkage_extract":  {"open_protocol"},
}
for name, have in sets.items():
    miss = [c for c in checks if c not in have]
    print(f"{name:24s} {len(have)}/{len(checks)}  missing: {', '.join(miss) if miss else '-'}")
avg = sum(len(h) for h in sets.values()) / (len(sets) * len(checks))
print(f"mean checklist score {avg:.2f}")

Execute com python3 lab_fair.py. Saída verificada:

business_register_2025   8/8  missing: -
linked_employment_2024   4/8  missing: persistent_id, searchable_index, standard_vocabulary, licence
trade_survey_2023        4/8  missing: rich_metadata, access_conditions, standard_vocabulary, provenance
pilot_linkage_extract    1/8  missing: persistent_id, rich_metadata, searchable_index, access_conditions, standard_vocabulary, licence, provenance
mean checklist score 0.53

Exemplo resolvido

Nadia escreve o argumento da tese em uma página, monta um arquivo que exclui material confidencial, avalia quatro registros sintéticos de 8 de 8 a 1 de 8 (média de 0,53) e melhora o próprio arquivo até que um aluno novo regenere figuras sem ajuda.

Caso sintético. Os registros de conjuntos de dados são sintéticos; Wilkinson et al. (2016) é real.

Erros e limites

Uma lista de verificação simplifica os princípios FAIR; alguns itens exigem julgamento, não apenas marcações.

Exercícios

• EX039 — Afirmação da tese. Qual é a afirmação central da tese?
  Mostrar critérios de avaliação

  Rubrica: 3 = decisões de governança moldam estatísticas; as mais influentes recebem menos atenção;; 2 = menciona atenção;; 1 = vago;; 0 = nenhuma.
• EX040 — Letras FAIR. O que significam as letras de FAIR?
  Mostrar critérios de avaliação

  Rubrica: 3 = localizável, acessível, interoperável, reutilizável;; 2 = todas;; 1 = duas;; 0 = nenhuma.
• EX041 — Registro vinculado. Que pontuação obteve o registro de emprego vinculado?
  Mostrar critérios de avaliação

  Rubrica: 3 = 4 de 8;; 2 = parcialmente correto;; 1 = errado;; 0 = nenhuma.
• EX042 — Média. Qual foi a pontuação média da lista?
  Mostrar critérios de avaliação

  Rubrica: 3 = 0,53;; 2 = parcialmente correto;; 1 = errado;; 0 = nenhuma.
• EX043 — Conteúdo excluído. O que Nadia exclui do arquivo?
  Mostrar critérios de avaliação

  Rubrica: 3 = material confidencial de Westmark;; 2 = parcialmente correto;; 1 = vago;; 0 = nenhuma.
• EX044 — Teste do arquivo. Como o Prof. Eriksen testou o arquivo?
  Mostrar critérios de avaliação

  Rubrica: 3 = um aluno novo regenerou duas figuras;; 2 = parcialmente correto;; 1 = vago;; 0 = nenhuma.