Resumo

Neste artigo, pretendemos analisar a pesquisa científica recente sobre Gestão do Conhecimento (GC) usando uma abordagem automatizada de agrupamento de tópicos e comparar com o agrupamento encontrado em revisões de literatura de GC feitas manualmente.

Nossos resultados mostram que é possível extrair e agrupar tópicos de pesquisa de um corpus de artigos científicos em Gestão do Conhecimento usando Processamento de Linguagem Natural (PLN) de última geração.

Usamos um novo algoritmo de Processamento de Linguagem Natural (PLN) chamado BERTopic (que gera agrupamentos profundos de tópicos interpretáveis) para determinar a composição interna da pesquisa existente em Gestão do Conhecimento.

Os resultados apontam para 58 tópicos organizados em quatro agrupamentos bem estabelecidos - três dos quais correspondem aproximadamente a domínios conceituais e um grande cluster de aplicações de domínio metodológico-substantivo.

Considerando o estado da arte em PLN para extração e agrupamento de tópicos teóricos (e BERTopic como método principal), acreditamos que os resultados obtidos são promissores, considerando as vantagens de reprodutibilidade, transparência, código aberto, automação e baixo viés.

Estamos confiantes nas estratégias baseadas em PLN para servir como uma abordagem complementar aos procedimentos tradicionais na avaliação de aspectos estratégicas.

In this paper, we intend to analyze the recent scientific research on Knowledge Management (KM) using an automated topic clustering approach to compare with the clustering found in current human-made KM literature reviews.

Our results show that it is possible to extract and cluster research topics from a corpus of scientific papers in Knowledge Management using state-of-the-art Natural Language Processing (NLP).

We have used a novel Natural Language Processing (NLP) algorithm called BERTopic (that generates deep clusters of interpretable topics) to ascertain the inner composition of the extant Knowledge Management research.

Results point to 58 topics organized in four well-established clusters - three of which roughly correspond to conceptual domains and one large cluster of methodological-substantive domain applications.

Considering the state of the art in NLP for theory topic extraction and clustering (and BERTopic as a main method), we believe that while the results obtained are promising, considering the advantages of reproducibility, transparency, open source code, automation and low bias.

We are confident in NLP-based strategies to serve as a complementary approach to traditional procedures in evaluating strategic aspects.