🌌 EcoGrad — Ecologia do Conhecimento

Plataforma de cientometria, análise de redes sociais (SNA) e mineração de textos que mapeia a produção acadêmica da UFSC — teses, dissertações e trabalhos de conclusão — para revelar a estrutura latente do conhecimento: redes de colaboração, genealogia acadêmica, temas emergentes e o papel topológico de pesquisadores e conceitos.

Os dados vêm do Repositório Institucional da UFSC, que roda DSpace. O EcoGrad não produz dado novo: coleta, normaliza, indexa e reorganiza o que já está depositado lá, e todo trabalho preserva o link para a página original. O acervo atual tem 92.331 registros, 85.567 trabalhos distintos (a mesma obra pode estar catalogada em mais de uma coleção) e 254 coleções; 80.415 registros têm resumo utilizável.

Em produção: https://ecograd.netlify.app

---

📦 O que vive na raiz do repositório

A aplicação é a versão web, em ecograd-web/ — React 18 + Vite + TypeScript + Tailwind, com Netlify Functions. Rode com cd ecograd-web && npm install && npm run netlify:dev; detalhes no README da aplicação.

A raiz guarda o que alimenta e valida essa aplicação:

Arquivo	Papel
backend.py (+ app_config.py, gemini_utils.py)	Referência numérica do Python original, importada por npm run verify:parity
pipeline_ufsc.py	Enriquecimento da base: macrotemas (NMF + Gemini), normalização, consolidação
coleta/	Coleta semanal do Repositório Institucional, executada pelo GitHub Actions
base_*.json.gz, programas_ufsc.json, mapa_colecoes_tcc.json	Bases copiadas para ecograd-web/public/data/ no sync:data
base_ppgegc.json	Base de referência da comparação de paridade
ecograd-mcp/	Servidor MCP do acervo, publicado no npm — o índice como ferramenta de assistente

A versão web é uma migração de um app Streamlit. Toda a matemática de redes complexas, foresight e memética foi transcrita e verificada numericamente contra o backend.py original — veja Paridade. A interface Streamlit em si (Principal.py e pages/) foi removida do repositório em favor da versão web; ela continua acessível no histórico do git, até o commit cad47e3.

---

🎯 Visão geral

O projeto vai além da contagem de publicações. Usando teoria de sistemas complexos e grafos, mapeia a "ecologia do conhecimento" de ecossistemas acadêmicos para:

• avaliar a maturidade e a resiliência de linhas de pesquisa;
• identificar brokers (corretores de conhecimento) e hubs interdisciplinares;
• rastrear a genealogia acadêmica (alunos que se tornam formadores);
• prospectar temas emergentes antes que virem consenso;
• recomendar conexões por similaridade topológica.

---

🚀 Funcionalidades

Fluxo de telas

1. Tela inicial, com dois caminhos para o mesmo acervo:
   • Buscar — procura qualquer item do acervo inteiro (documento, pessoa, palavra-chave, macrotema, coleção) e carrega só o que você confirmar. Nada é baixado antes disso.
   • Conversar — o UFSCão respondendo sobre o acervo inteiro pelo índice, sem baixar coleção nenhuma.
2. Análise — as quatro seções abaixo, sobre o recorte carregado.

O painel lateral recolhe para uma faixa de ícones, e o estado fica salvo na sessão. O botão Sobre, na tela inicial, explica a procedência dos dados e como a plataforma funciona por baixo.

Exportar relatório

De qualquer página, Exportar relatório monta um arquivo com as seções do Dashboard e os dossiês visitados que você marcar. Tudo acontece no navegador; nada é enviado para servidor. Dois formatos:

• PDF — documento para ler e circular, com capa, tabelas e os gráficos desenhados. Os gráficos de abas que você nunca abriu são redesenhados fora da tela, e é isso que leva alguns segundos.
• JSON com dados completos — o mesmo conteúdo em estrutura endereçável (secoes, com indicadores e tabelas) e, além dele, os registros completos da análise em documentos: título, ano, nível, autoria, orientação, palavras-chave, macrotema, coleção, link, resumo, artefatos da ontologia e PDFs, com os mesmos nomes de campo da base de origem. Campos vazios não aparecem, como na base. Os resumos podem ser desmarcados quando o arquivo precisa ser menor — a tela estima o tamanho antes. Gráficos não atravessam: viram o nome da figura omitida, já que os dados que os sustentam estão nas tabelas.

Os dois carregam coleções, período, versão da base, data de geração e as ressalvas sobre os limites do recorte. Elas não são desmarcáveis: um arquivo circula longe da tela que as explica.

1. 📊 Dashboard

KPIs da base, comparativo entre PPGs quando há mais de um, ficha oficial da CAPES (cruzada com a Plataforma Sucupira por fuzzy matching, que resolve programas renomeados) e uma síntese do perfil epistemológico escrita por IA.

Todo nome exibido é clicável — chips de destaque e as barras dos Top 10 — e leva direto ao dossiê da entidade no Motor de Busca.

Nas nuvens de palavras, em qualquer tela, clicar num termo abre um convite em vez de agir: o modal diz quantas coleções seriam baixadas e quanto pesam, oferece explorar o termo no recorte já carregado quando ele aparece nele, e avisa quando o termo só existe dentro de títulos e resumos — sem ser palavra-chave, macrotema, pessoa ou título — e portanto não tem o que abrir.

2. 🔍 Motor de Busca e Dossiê

Busca unificada por Documento, Autor, Orientador, Co-orientador, Palavra-chave e Macrotema. Cada entidade abre um dossiê com:

• Raio-X de Especialização — peculiaridade temática (NMF), densidade local na rede e raridade do vocabulário (IDF);
• Quociente Locacional (QL) — especialização relativa à média global da base;
• Evolução histórica — produção ano a ano, com opção cumulativa;
• Lexicometria — nuvem de palavras de conceitos, títulos ou resumos;
• Órbita de relacionamentos — ego-graph animado com player temporal;
• Itens semelhantes — recomendação topológica pelo Índice de Jaccard, calculada sobre a sobreposição do "DNA acadêmico" (vizinhança na rede).

3. 🔬 Análise Avançada

Uma página com quatro abas, agrupadas por pergunta de pesquisa. Só a aba aberta é montada, e os cálculos mais pesados têm botão próprio — eles seguem em segundo plano se você trocar de aba.

Temas e conceitos — o que existe na seleção.

• Análise Temática Estrutural — tabela por macrotema com volumes, anos de início, pico e última aparição, métricas SNA e o especialista de maior Quociente Locacional; mais os dois mapas de quadrantes (macrotemas e Top 40 palavras-chave), divididos pela média de betweenness e de grau.
• Propagação de termos — fecundidade, mortalidade infantil, longevidade e tempo de meia-vida dos memes, com o dispersograma de ano de nascimento × anos de sobrevivência.
• Mineração de artefatos — a IA lê os resumos e extrai teorias, métodos e ferramentas de fato utilizados, indo além das palavras-chave genéricas. O catálogo é exportável em CSV e pode ser recarregado depois, sem gastar cota da API.

Tempo e tendências — como o vocabulário mudou.

• Radar de Prospecção — cruza Momentum Temporal (aceleração do uso de um termo, normalizada por taxa relativa com suavização de Laplace) com Novidade Estrutural (Betweenness × IDF), separando os termos em quatro quadrantes: Tendências, Sinais Fracos, Mainstream e Base/Declínio. Segmentação por percentil fixo ou K-Means adaptativo de 4 clusters, e Bootstrap de 100 reamostragens para um betweenness robusto em bases pequenas. Funciona sobre Palavras-chave, Macrotemas ou Artefatos da Ontologia IA.
• Sankey Temporal de palavras-chave — três períodos ajustáveis, cada um numa barra de duas pontas, com os termos mais frequentes de cada um ligados quando a mesma pessoa — orientador ou autor — atravessa períodos vizinhos. É fluxo de vocabulário entre pessoas, não citação nem herança conceitual.
• Grid Search — varre 108 configurações, valida cada uma contra a história real da base (treino até T1, conferência em T2) e ranqueia por MCC, robusto a classes desbalanceadas.

Estrutura da rede — como tudo se conecta.

• Espaço Topológico 3D — Grau × Betweenness × Closeness em WebGL (echarts-gl): arraste para girar, roda para aproximar, botão direito para deslocar. Cor pela comunidade do Louvain e escala dos eixos linear (a do modelo original) ou logarítmica.
• Furos Estruturais (Burt) — rede de orientadores e palavras-chave, com restrição, diversidade de vocabulário e intermediação.
• Ecologia Memética (SNA) — rede de coocorrência entre os memes, com grafo interativo e tabela de centralidade global exportável.
• Métricas de redes complexas do grafo global — densidade, eficiência, entropia, clustering, PageRank, eigenvector e restrição média — junto das métricas de ecologia profunda: assortatividade ($r$), coeficiente rich-club ($\Phi$), expoente $\gamma$ da lei de potência e correlação de Spearman ($\rho$) entre grau e intermediação.

Especialização e dados — comparar níveis e levar embora.

• Boxplot de Especialização (QL) — compara até cinco entidades entre Teses, Dissertações e Outros.
• Base de dados completa com métricas SNA — um registro por linha, exportável com contexto.
• Exportação da rede em GEXF, GraphML e JSON node-link, para Gephi ou Cytoscape.

4. 🐕 UFSCão · Consultor de IA

O UFSCão fala em duas superfícies, com a mesma persona, a mesma configuração e os mesmos limites:

Onde	Sobre o quê	Como recupera
Conversar, na tela inicial	o acervo inteiro	índice Postgres: SQL para quem/quanto/quando, busca textual e vetorial para tema
Botão flutuante, nas páginas	as coleções carregadas	dossiê montado por pergunta a partir do recorte em memória

A conversa iniciada na tela inicial acompanha você para o botão flutuante, visível e citada, com o recorte de cada resposta declarado — as duas telas respondem sobre corpora diferentes, e o prompt diz isso ao modelo em vez de misturar os números em silêncio.

BYOK. A chave de API é sua, fica no seu navegador e vai direto ao provedor escolhido (OpenAI, Anthropic, Google, Groq, OpenRouter ou qualquer serviço compatível com a API de chat da OpenAI). O EcoGrad não recebe nem guarda a conversa. Configure em Configurações ou dentro do próprio chat. A única chamada a modelo que o servidor faz é o embedding da pergunta, para a busca por significado.

O modelo só escreve. Toda contagem sai de SQL; a busca por similaridade escolhe o que ler, e nunca responde "quantos". Cada afirmação sobre um trabalho leva a citação [n] da obra que a sustenta, e cada [n] é um botão que abre a obra no Motor de Busca. Citação a fonte que não foi enviada é apontada na tela.

Duas profundidades de leitura. A resposta padrão lê uma amostra representativa de 15 a 20 obras, espalhada por coleção. Aprofundar lê todas as obras do tema com resumo utilizável, em lotes — mostrando chamadas, tokens e tempo estimados antes de gastar a sua chave.

Guardrails (src/lib/guardrails.ts) valem nas duas telas, num arquivo só para não divergirem:

• Injeção pelo acervo. Título, resumo e palavra-chave são texto que terceiros depositaram, sem revisão pensando em modelo de linguagem. Tudo isso chega ao contexto cercado por marcadores que o próprio conteúdo não consegue fechar, e o prompt manda tratar o que está lá dentro como dado — e declarar quando encontrar uma ordem em vez de conteúdo.
• Escopo, dano e pessoas reais. Pedido fora do acervo recebe recusa cordial; conteúdo que ataque, exponha ou sexualize alguém é recusado inclusive como hipótese ou ficção; sobre as pessoas do acervo vale só o que ele registra — sem juízo de mérito, sem inferir atributo pessoal a partir do nome ou do tema, sem contato ou vínculo atual.
• Barreiras estruturais, que é o que de fato impede estrago: o papel do banco só executa SELECT, com teto de tempo e de linhas; não existe tabela de escrita alcançável pela chave publicada; e a chave do modelo é do próprio usuário.

---

🗃️ O índice do acervo

Responder "como a UFSC trata tal tema?" sem baixar nada exige um lugar onde o acervo inteiro já esteja indexado. Esse lugar é um Postgres (Supabase) com o texto dos resumos em FTS e um vetor por obra em pgvector. Ele é derivado e reconstruível: os .json.gz da raiz continuam sendo a fonte, e indice_meta guarda o sha256 das bases que o geraram — a aplicação compara com o manifesto publicado e se recusa a responder sobre uma base que não é mais a da tela.

Camada	O que faz
buscar_texto, tesauro, consulta_expandida	recuperação léxica, com expansão de vocabulário tirada do próprio acervo
documento_embedding (pgvector, HNSW)	busca por significado, para o tema escrito com outro vocabulário
panorama_tematico	panorama exato do tema em SQL mais uma amostra representativa, com cota por coleção
obras_do_tema, resumos_das_obras	a lista inteira do tema e os resumos em páginas, para o "Aprofundar"
consulta.* + consultar()	views comentadas e execução somente leitura, que é como o modelo escreve SQL (NL2SQL)
pessoa, pessoa_fusao, perfis, rede_metrica	pessoas unificadas automaticamente, perfis e métricas de rede pré-calculadas

Contagem nunca sai de similaridade. O vetor escolhe o que ler; quem conta é SQL. Obra achada só por significado vai ao modelo marcada como aproximação e fora de qualquer total.

cd ecograd-web
npm run indice:derivar          # gera os arquivos do índice a partir das bases
npm run indice:carregar         # carrega por COPY (porta 5432)
npm run indice:carregar:https   # ou por HTTPS, onde a 5432 está bloqueada
npm run indice:embeddings       # vetores das obras (custo único, ~US$ 8)

indice/schema.sql é a definição canônica: aplicá-lo num Postgres vazio e rodar os comandos acima reconstrói o índice do zero. Não há migração incremental de propósito — divergência silenciosa entre base e índice é o modo de falha que o projeto quer evitar, e reconstruir custa minutos.

Usar o índice de fora

O índice já é uma API pública: o PostgREST do Supabase expõe cada função com grant … to anon em /rest/v1/rpc/<função>, e a chave publicável é pública por desenho — é a mesma que o navegador recebe ao abrir o site. Não há serviço próprio no meio, nem custo além do banco que já existe.

• docs/API.md — endereço, chave, cada endpoint com argumentos e retorno, as views consultáveis por SQL e os limites de uso.
• ecograd-mcp/ — os mesmos endpoints como servidor MCP, para usar o acervo dentro de um assistente: claude mcp add ecograd -- npx -y ecograd-mcp. Roda na máquina de quem usa, por stdio, sem nada para hospedar.

Atualização automática

Duas rotinas no GitHub Actions mantêm tudo em dia, e a segunda depende da primeira:

Rotina	Quando	O que faz
coleta-ufsc.yml	segundas, 03:00 (Brasília)	coleta os depósitos novos do repositório e commita um lote em coletas/
indice-supabase.yml	logo após a coleta, mais rede de segurança nos dias 1 e 15	deriva o índice das bases mais os lotes, carrega no Supabase, enriquece e calcula os vetores das obras novas

A segunda roda por workflow_run, e não num horário próprio: o índice tem que ser derivado das mesmas bases que o site publicou, e amarrar pelo relógio deixaria as duas metades fora de fase na semana em que a coleta demorasse. Sem lote novo não há commit, o workflow_run não dispara, e o índice fica como está — que é o correto, porque nada mudou.

O último passo é indice:conferir, que falha o job se o carimbo não bater com as contagens, se o enriquecimento não tiver entrado, se a cobertura de vetor cair abaixo de 90% ou se panorama_tematico e obras_do_tema discordarem. Numa rotina automática, falhar alto é melhor do que servir meio acervo em silêncio.

Segredos necessários no repositório: SUPABASE_DB_URL (pooler em modo sessão, porta 5432) e GEMINI_API_KEY.

Por que os embeddings não custam US$ 8 por semana. documento_embedding referencia documento com on delete cascade, e a recarga do índice levaria os 85 mil vetores junto — obrigando a recalcular tudo a cada execução. Duas coisas evitam isso: a carga preserva os vetores dentro da própria transação, devolvendo os que ainda têm obra correspondente; e indice:embeddings --incremental lê do banco o que já foi pago, em vez do cache local, que num runner começa sempre vazio. Só obra nova ou com resumo alterado vai ao modelo.

Runner e qualidade do resumo. Em runner hospedado do GitHub, a coleta fica fora da RedeUFSC: o DSpace pede verificação anti-robô e ela cai no Oasisbr/IBICT, sem resumo. Como o resumo é o que alimenta a busca textual e os vetores, colher pelo DSpace exige um runner self-hosted na rede da UFSC (ou com VPN), apontado pela variável de repositório COLETA_RUNNER.

Decisões e medição

O índice e o UFSCão foram construídos por etapas com porta de medição, e o plano mudou duas vezes porque a medição desmentiu a aposta inicial. Os ADRs registram isso, e o mais recente vale sobre os anteriores:

Documento	O que decide
ADR 001	o plano original do chat semântico, em cinco etapas
ADR 002	recorte por item, e não por coleção inteira
ADR 003	a lacuna era de indexação, não de semântica: indexar o resumo levou a revocação de 46% para 79%, sem vetor nenhum
ADR 004	o UFSCão sobre o acervo inteiro, em quatro fases (A0 a C)
Aferição	as 25 perguntas, os gabaritos e todo número medido

Recuperação medida contra a triagem humana assinada, em k = 25 (revocação / precisão):

Método	"empreendedorismo feminino"	"mulheres empreendedoras"	Sobreposição
Busca por rótulo (o app antes do índice)	46% / 100%	—	—
Texto (buscar_texto)	79% / 76%	63% / 83%	64%
Vetor	79% / 95%	79% / 100%	96%
Híbrido (RRF) — o que vai à tela	83% / 87%	75% / 82%	80%

Limite declarado: há um único tema com gabarito humano assinado. Uma amostra cega de 8 temas sorteados está congelada em docs/evidencias/afericao/, aguardando triagem — é ela que dirá se os números acima generalizam.

npm run afericao               # roda o conjunto de aferição contra os gabaritos
npm run afericao:vetor         # compara texto, vetor e híbrido
npm run afericao:amostra-cega  # sorteia temas para medir generalização

---

🏗️ Arquitetura

netlify.toml                  # na raiz, com base = "ecograd-web"
docs/                         # ADRs e aferição: o porquê de cada decisão, com os números
ecograd-web/
├── indice/schema.sql         # definição canônica do índice Postgres
├── netlify/functions/        # DeepSeek (síntese, ontologia), Gemini (embedding), proxy CAPES, Neo4j
├── scripts/                  # derivação e carga do índice, aferição, paridade
├── src/lib/                  # motores analíticos, prompts e guardrails, em TypeScript puro
├── src/workers/              # ingestão e redes complexas fora da main thread
└── src/components/           # UI React

Front-end — React 18, Vite, Tailwind, Zustand (estado), TanStack Query (cache), Radix UI, ECharts (gráficos e nuvem de palavras) e react-force-graph (grafos).

Motores analíticos — kernels próprios sobre estrutura CSR: Brandes (BFS e Dijkstra, com amostragem de pivôs), closeness com correção Wasserman-Faust, clustering simples e ponderado, PageRank, autovetor, constraint de Burt, rich-club, assortatividade e Louvain (graphology).

Web Workers — a ingestão descomprime .json.gz de 62 MB e filtra a seleção; o worker de rede roda SNA, bootstrap, grid search e a rede memética. Sem isso a página congelaria por minutos.

Backend serverless — Netlify Functions em TypeScript. As chaves secretas vivem só no runtime das funções, nunca no bundle. O neo4j-query não aceita Cypher do cliente: só o nome de uma consulta pré-registrada e parâmetros, que viajam como binds do driver. O embedding-consulta é a única chamada a modelo que o servidor faz por conta própria — o vetor da pergunta, para a busca por significado — e é cercada: só aceita a própria origem, texto curto e 30 chamadas por minuto por IP.

O que o EcoGrad não faz — não guarda conversa, não recebe a sua chave de API, não registra quem perguntou o quê. A conversa do UFSCão vai do seu navegador direto ao provedor que você escolheu; o que fica no EcoGrad é só o que você vê na sessão, e some ao fechar a aba.

Aproximações em redes grandes

O backend.py já aproximava o betweenness acima de 1500 nós; o mesmo princípio foi estendido às demais métricas O(n·m), porque a rede completa da UFSC passa de 100 mil nós. Abaixo dos limiares o resultado é idêntico ao NetworkX. A tabela completa está no README da aplicação.

---

✅ Paridade numérica com o backend Python

cd ecograd-web && npm run verify:parity

O harness roda os dois motores sobre a mesma base e compara os resultados. Cobertura:

Bloco	O que é comparado
Topologia	degree, betweenness, closeness e clustering — diferença relativa máxima 2e-16
Métricas complexas	densidade, eficiência global, entropia, PageRank, autovetor, Burt
Rede de coocorrência	rich-club por grau (153 valores), clustering ponderado, assortatividade, γ
Maturidade	assortatividade, rich-club, γ por regressão log-log e por estimador MLE
Radar de Foresight	os 43 termos, com Momentum e Novidade — diferença exatamente zero
Backtest	as 89 linhas, distribuição por quadrante e os oito vereditos
Memética	memes, mortalidade, sobreviventes, longevidade, meia-vida
QL e Jaccard	valores idênticos

Duas diferenças conhecidas, ambas sem efeito sobre os números: Louvain é estocástico (a comparação é por modularidade) e empates de contagem na memética têm ordem arbitrária no pandas, que usa quicksort instável — o TypeScript desempata por nome, o que torna o Top-N reprodutível.

O harness já pagou por si: foi ele que expôs o autovetor iterando A·x em vez do x + A·x do NetworkX, e a varredura do rich-club ordenando as arestas pelo maior grau em vez do menor — erro que produzia coeficientes acima de 1.

---

🛠️ Instalação

Aplicação web

cd ecograd-web && npm install

Crie ecograd-web/.env a partir de .env.example e rode tudo (front-end + funções) em http://localhost:8888:

npm run netlify:dev

Para trabalhar só na interface, sem as funções, use npm run dev. As bases da raiz são copiadas para public/data/ automaticamente. Detalhes, comandos e notas de deploy no README da aplicação.

Variáveis de ambiente

Variável	Onde vale	Para quê
VITE_INDICE_URL, VITE_INDICE_CHAVE	build	endereço e chave publicável do índice. O Vite as grava no JS que vai ao navegador
DEEPSEEK_API_KEY	runtime das funções	síntese, ontologia e a cortesia do UFSCão
GEMINI_API_KEY	runtime das funções	o embedding da pergunta (o índice foi vetorizado com o gemini-embedding-2)
SUPABASE_DB_URL ou SUPABASE_SERVICE_ROLE_KEY	só na carga, na sua máquina	reconstruir o índice. Nunca precisam existir no ambiente de build

As duas VITE_* são públicas por desenho — o prefixo significa gravar o valor no bundle, e a chave é a publicável (anon), com RLS somente leitura e nenhuma tabela de escrita alcançável. Por isso o netlify.toml traz SECRETS_SCAN_OMIT_KEYS para as duas: sem isso o scanner de segredos da Netlify reprova o build ao encontrá-las no próprio bundle que acabou de gerar. O scanner segue ligado para todo o resto.

Por serem de build, mudá-las exige recompilar — republicar o mesmo artefato não adianta.

Verificação

npm run test:all       # suíte completa
npm run typecheck      # tsc --noEmit
npm run build          # sync de dados + typecheck + build de produção
npm run verify:parity  # paridade numérica com o backend Python

Referência Python (paridade e pipeline)

A interface Streamlit foi removida; o que ficou na raiz é a referência numérica usada pela comparação de paridade e o pipeline de enriquecimento da base.

pip install -r requirements.txt

As credenciais são lidas de variáveis de ambiente (ou de .streamlit/secrets.toml, que app_config.py ainda aceita):

GEMINI_API_KEY=...
NEO4J_URI=...
NEO4J_USERNAME=...
NEO4J_PASSWORD=...

---

📋 Estado da migração

A migração do app Streamlit (cujo último estado vive no histórico do git, até o commit cad47e3) está concluída, com uma exceção declarada.

Módulo original	Onde estava	Onde está agora	Status
Espaço Topológico 3D (Grau × Betweenness × Closeness)	Exploração Global	Análise Avançada · Estrutura da rede	✅ portado
Mapa Temático (quadrantes de Callon / Bibliometrix)	Principal	Análise Avançada · Temas e conceitos	✅ portado
Sankey Temporal de palavras-chave	Fluxos	Análise Avançada · Tempo e tendências	✅ portado
Boxplot de Especialização (QL por nível)	Exploração Global	Análise Avançada · Especialização e dados	✅ portado
Furos Estruturais de Burt (seção dedicada)	Exploração Global	Análise Avançada · Estrutura da rede	✅ portado
Exportação da rede (GEXF / GraphML / JSON)	Exploração Global	Análise Avançada · Especialização e dados	✅ portado
Tabela geral da base com métricas SNA	Principal	Análise Avançada · Especialização e dados	✅ portado
Métricas de redes complexas do grafo global	Exploração Global	Análise Avançada · Estrutura da rede	✅ portado
Órbita via Neo4j (Cypher)	Motor de Busca	—	⛔ fora de escopo, por decisão de projeto

Três diferenças deliberadas em relação ao original, todas declaradas na própria interface:

• O espaço 3D é WebGL, pelo echarts-gl, com a mesma órbita livre do scatter_3d original. A tela do WebGL é uma superfície própria e o download de imagem não a alcança: ali a vista em tabela é o caminho para levar os dados embora, e também o caminho pelo teclado. Ele oferece escala logarítmica além da linear do original, porque as três métricas têm cauda longa e a linear empilha a maioria dos nós num canto do cubo; o nome do eixo declara quando a escala está em uso.
• As três telas de análise viraram abas de uma só. Exploração Global, Foresight e Memética ocupavam páginas separadas por origem no Streamlit; hoje são quatro abas da Análise Avançada, agrupadas por pergunta de pesquisa. A propagação dos termos ficou junto da análise temática, e a rede memética junto do espaço topológico, porque é assim que elas são lidas. Os endereços #/exploracao, #/foresight e #/memetica continuam abrindo, cada um na aba que guarda o conteúdo que prometia.
• Os nomes dos quadrantes do Mapa Temático são os do modelo original, mas os eixos são betweenness e grau no grafo global — não centralidade e densidade calculadas dentro de clusters temáticos, como em Callon. A interface diz isso onde o mapa aparece.

A órbita via Neo4j é a única funcionalidade que não será portada: a função existe no histórico, mas o EcoGrad usa o grafo em memória e o JSON como fonte, sem banco de grafos. Ver docs/ARMAZENAMENTO-E-VERSIONAMENTO.md.

---

📄 Licença

Ver LICENSE.

Desenvolvido por Gustavo Simas — github.com/GSimas