Loading...
Loading...
Contributors:
Dataset URI:
10.5281/zenodo.23480451Resumo. Criamos estes vetores semânticos (embeddings) para o entendimento semântico e a indexação automática com o DeCS do Arca, o Repositório Institucional da Fundação Oswaldo Cruz (Fiocruz). O mesmo conjunto pode ser reutilizado e reproduzido em outras pesquisas, porque foi gerado só a partir de fontes abertas de informação: os metadados públicos do Arca (título, palavras-chave do autor e resumo). A publicação de todo o acervo "entendido por máquina" permite construir outros indicadores e fazer inferências sobre a produção intelectual da Fiocruz, sem que cada grupo precise recalcular os vetores. Datas. Metadados coletados do Arca em 16 de outubro de 2026, que é a data do retrato do acervo. Vetores calculados em 17 e 18 de outubro de 2026. Lista de itens públicos conferida na busca anônima do Arca em 19 de outubro de 2026. Itens depositados ou editados depois de 16/10/2026 não estão refletidos nesta versão. Contexto. A Fundação Oswaldo Cruz (Fiocruz), criada em 1900 e vinculada ao Ministério da Saúde do Brasil, é uma das principais instituições de ciência e tecnologia em saúde da América Latina. Ela faz pesquisa e ensino, produz vacinas e medicamentos, mantém laboratórios de referência e apoia as políticas do SUS (Sistema Único de Saúde), o sistema público e universal de saúde do Brasil, criado pela Constituição de 1988 e gratuito para toda a população. Um repositório institucional é o sistema em que uma instituição reúne, preserva e dá acesso aberto à sua produção intelectual (artigos, teses, livros, relatórios etc.), com metadados padronizados e endereço permanente. O Arca é o repositório da Fiocruz, mantido pelo ICICT/Fiocruz em DSpace. Seus assuntos são indexados com o DeCS, o vocabulário da BIREME/OPAS/OMS usado na BVS e na LILACS. Por isso, estes vetores representam a produção científica de uma instituição central da saúde pública brasileira. Por que o Qwen3-Embedding-8B. É o melhor modelo aberto para o português no MTEB-BR (2026): 2º de 93, praticamente empatado com um modelo comercial pago, enquanto o multilingual-e5-large ficou em 19º. É fortemente multilíngue, o que importa porque cerca de 37% dos itens do Arca estão só em inglês e os demais em português, espanhol ou francês. Lê cada resumo inteiro (contexto de 16.384 tokens, sem cortes), aceita instrução (usamos uma voltada a assuntos de saúde e biomedicina) e tem pesos abertos (Apache 2.0). Rodou localmente com o llama.cpp (GGUF oficial Q8_0) numa GPU de 8 GB, sem enviar dados a serviços externos, e qualquer pessoa pode recalcular os vetores. No nosso projeto, melhorou a busca de metas de ODS em relação ao modelo 0.6B e não superou o e5 na escolha do galho do DeCS; o README relata os dois resultados. Conteúdo. 69.283 itens públicos do Arca × 4.096 dimensões (float16, normalizados), modelo Qwen3-Embedding-8B (GGUF Q8_0, llama.cpp). Retrato dos metadados de 16/10/2026. Arquivos: arca_qwen3-embedding-8b_float16.npy (vetores), itens.csv (handle, uuid, URL e SHA-256 do texto vetorizado), receita_texto.py (reconstrói o texto pela API pública do Arca e confere o hash), exemplo_uso.py (busca de itens parecidos) e README.md (método completo, recorte, limitações e como citar, em português e inglês). Recorte. Só itens visíveis na busca pública do Arca. O texto dos documentos não é redistribuído (só o SHA-256), e nenhum termo do DeCS (BIREME/OPAS/OMS) entra no texto vetorizado. Reprodutibilidade verificada: o texto reconstruído pela API tem o mesmo hash, e o vetor recalculado tem cosseno de 0,9998 com o publicado. Usos possíveis: busca semântica, agrupamento temático, mapas de assunto, detecção de duplicatas, recomendação, classificação (ODS, áreas do conhecimento, vocabulários controlados) e estudos bibliométricos e cientométricos da produção da Fiocruz. Abstract. We created these semantic embeddings for semantic understanding and automatic DeCS indexing of Arca, the institutional repository of the Oswaldo Cruz Foundation (Fiocruz, Brazil). The same set is reusable and reproducible, because it was generated only from open information sources: Arca's public metadata (title, author keywords and abstract). Publishing the whole collection "read by machine" enables new indicators and inferences about Fiocruz's intellectual output, without each group recomputing the vectors. Dates. Metadata harvested from Arca on 16 October 2026, the snapshot date. Vectors computed on 17–18 October 2026. Public-record list checked against Arca's anonymous search on 19 October 2026. Records deposited or edited after 2026-10-16 are not reflected in this version. Context. The Oswaldo Cruz Foundation (Fiocruz), founded in 1900 and linked to Brazil's Ministry of Health, is one of the leading health science and technology institutions in Latin America. It does research and teaching, produces vaccines and medicines, runs reference laboratories, and supports the policies of SUS (Sistema Único de Saúde, the Unified Health System), Brazil's public and universal health system, created by the 1988 Constitution and free of charge for the whole population. An institutional repository is the system in which an institution gathers, preserves and provides open access to its intellectual output (articles, theses, books, reports, etc.), with standardised metadata and persistent addresses. Arca is Fiocruz's repository, maintained by ICICT/Fiocruz on DSpace, with subjects indexed using DeCS, the BIREME/PAHO/WHO vocabulary used in the Virtual Health Library and LILACS. These vectors therefore represent the scientific output of a central institution of Brazilian public health. Why Qwen3-Embedding-8B. It is the best open model for Portuguese on MTEB-BR (2026): 2nd of 93, essentially tied with a paid commercial model, while multilingual-e5-large ranked 19th. It is strongly multilingual, which matters because about 37% of Arca records are only in English and the rest are in Portuguese, Spanish or French. It reads each abstract in full (16,384-token context, no truncation), is instruction-aware (we used a health and biomedical subjects instruction), and has open weights (Apache 2.0). It ran locally with llama.cpp (official GGUF Q8_0) on a single 8 GB GPU, so no data was sent to external services and anyone can recompute the vectors. In our project it improved SDG target retrieval over the 0.6B model, and did not beat e5 at choosing DeCS branches; the README reports both results. Contents. 69,283 public records × 4,096 dimensions (float16, L2-normalised), Qwen3-Embedding-8B (GGUF Q8_0, llama.cpp), metadata snapshot of 2026-10-16, with an index, a SHA-256 of each embedded text, a script that rebuilds the text from Arca's public API, a usage example and a bilingual README (method, scope, limitations, how to cite). No document text and no DeCS terms are included. Reproducibility checked: rebuilt texts match the published hashes, and re-embedding gives cosine 0.9998.
Keyword(s):
Arca; automatic subject indexing; ciência aberta; embeddings; Fiocruz.
MeSH Term(s):
Grants and Funding:
No Grants or Funding Data Available
Associated Publication(s):
No Associated Publication Data Available
Supplementary Data:
Related Dataset(s):
No Related Dataset Data Available
The National Library of Medicine (NLM) provides information about biomedical datasets. Inclusion on an NLM Web page does not imply endorsement of, or agreement with, the contents by NLM or the National Institutes of Health. Learn more: NLM Web Policies (nih.gov)