Instituto de Estudos Sociais e Políticos (IESP)
Universidade do Estado do Rio de Janeiro (UERJ)

Este arquivo contém as etapas para a produção das bases e análises do artigo "The Gender Division of Labor in Brazilian Political Science Publications".
Autoria do artigo: Marcia Rangel Cândido, Luiz Augusto Campos, João Feres Júnior
 
ETAPAS GERAIS:

1) Raspagem de dados de Scielo.br --> "base_Scielo_CP_2005-2018.xlsx"
Os dados e abstracts das revistas abaixo foram raspados da plataforma de artigos acadêmicos SciELO.br
de acordo com os seguintes critérios
- Corpus: Revistas disponíveis no Scielo e consideradas pela CAPES como majoritariamente de CP
-- Brazilian Political Science Review
-- Contexto Internacional
-- Dados
-- Novos Estudos CEBRAP
-- Opinião Pública
-- Revista Brasileira de Ciência Política
-- Revista Brasileira de Política Internacional
-- Revista de Sociologia e Política
- Recorte temporal: 2005-2018
- Exclusões:
-- Entradas sem abstract em inglês (notas editoriais, traduções etc.)
-- Resumos diminutos, com no mínimo 300 caracteres

2) Imputação de gênero à variável "autores_givennames" do arquivo "base_Scielo_CP_2005-2018.xlsx" tomando como base o script do IBGE
Os casos não classificados pelo script do IBGE (na maioria, nomes estrangeiros), foram classificados a mão a partir da lista "sem_genero-edit m.xlsx"

3) Isolamento dos Resumos em um CSV --> "base_Scielo_CP_2005-2018_Resumos.csv"
Para rodar a modelagem de tópicos, isolamos em uma base específica os abstracts

4) Aplicação do modelo de "script_CamposModelagemTopicos" à "base_Scielo_CP_2005-2018_Resumos.csv".
Orientações detalhadas em https://servicodados.ibge.gov.br/api/docs/censos/nomes?versao=2

5) Junção dos outputs no arquivo "base_Scielo_CP_2005-2018_Topicos.xlsx"
Tomando como variável de identificação a ordem das colunas no Excel, colamos os tópicos imputados e contidos
no arquivo "output_DocsToTopics.csv" na base original "base_Scielo_CP_2005-2018.xlsx", originando o 
arquivo "base_Scielo_CP_2005-2018_Topicos.xlsx" (variáveis adicionadas: "topico_pred_num" e "topico_pred_prob"


6) Geração dos gráficos no arquivo "base_Scielo_CP_2005-2018_Topicos.xlsx" no arquivo "base_Scielo_CP_2005-2018_Topicos_Grafico.xlsx".

7) Explicação de como cada tabela e gráfico foi gerado no arquivo "base_Scielo_CP_2005-2018_Topicos_Grafico.xlsx" por aba:

- Database: base completa com os dados utilizados na geração das tabelas e arquivos.

- Variables: descrição sucinta de cada uma das variáveis contidas na planilha "Database".

- Table 1 artcles_year_journal: tabela com a "Distribution of articles in the corpus by year and journal (2005-2018)".
-- Cruzamento das variáveis "revista" (Coluna M) e "ano" (Coluna N) tomando a variável "pid" (Coluna A) como unidade de análise.

- Table 2 term_topics: quadro com "Identified topics, recurring terms, and assigned label". 
-- Essa saída foi gerada no arquivo "output_20termsToTopicos.csv" descrito acima.

- Graph 1 journal_topics: gráfico de barras horizontais com a "Percentage of texts in the corpus according to the assigned predominant topic"
-- Percentual de artigos contados pela variável "pid" (Coluna A) de acordo com o "topico_pred_nome" (Coluna V).

- Graph 2 female_authors: gráfico de linha com "Percentage distribution of articles with female authors by year of publication"
-- Percentual de artigos por gênero feminino - categoria "F" da variável "genero" (Coluna L) por "ano" (Coluna N). Unidade "pid" (Coluna A).

- Graph 3 topic_journal: gráfico de barras verticais com a "Percentage distribution of articles according to the assigned topic and journal"
-- Cruzamento das variáveis "revista" (Coluna M) e "topico_pred_nome" (Coluna V) tomando a variável "pid" (Coluna A) como unidade de análise.

- Graph 4 gender_topic: gráfico de barras horizontais contendo a "Distribution of women and men as first authors by topic"
-- Cruzamos "gênero" (Coluna L) e "topico_pred_nome" (Coluna V) tomando a variável "pid" (Coluna A) como unidade de análise.

- Graph 5 gender_journal:  gráfico de barras horizontais contendo a "Distribution of women and men as first authors by journal"
-- Cruzamos "gênero" (Coluna L) e "revista" (Coluna M) tomando a variável "pid" (Coluna A) como unidade de análise.

- Graph 6 female_topics_journal: gráfico de dispersão cruzando a "Percentage of articles authored by women by the percentage of published articles on the five subfields with greater female representation in journals"
-- No eixo vertical "% of female authors" encontra-se o dado já gerado na planilha "Graph 5 gender_journal". 
-- No eixo vertical "% of articles from the subfields with more women", filtrados na variável "topico_pred_nome" (Coluna V) apenas os seguintes tópicos:: law and justice, gender and feminism, collective action and social movements, public policies, and political participation.




DESCRIÇÃO DOS ARQUIVOS:

base_Scielo_CP_2005-2018.xlsx: base de dados original da raspagem do SciELO.br com informações sobre os artigos do recorte
base_Scielo_CP_2005-2018_Resumos.csv: resumos da base isolados
base_Scielo_CP_2005-2018_Topicos.xlsx: base de dados da raspagem do SciELO.br com informações sobre os artigos do recorte mais os tópicos imputados pela modelagem
base_Scielo_CP_2005-2018_Topicos_Grafico.xlsx base de dados da raspagem do SciELO.br com os tópicos imputados pela modelagem e os gráficos utilizados no artigo
sem_genero-edit m.xlsx: lista dos nomes sem imputação de gênero via script do IBGE
script_CamposModelagemTopicos.R: script para a modelagem de tópicos
output_20termsToTopicos.csv: saída do script para a modelagem de tópicos com os 20 termos mais recorrentes de cada tópico
output_DocsToTopics.csv: saída do script para a modelagem de tópicos com os tópicos imputados a cada documento
output_TopicProbs.csv: saída do script para a modelagem de tópicos com as probabilidades de cada documento ser de cada tópico
output_RplotKdeTopicos.pdf: gráfico de saída do script para a modelagem de tópicos com a estimação do número (k) de tópicos mais ajustado ao corpus