fred/ranking
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

chore: mover documentação para pasta docs e ignorar no git

Browse Source
This commit is contained in:
Frederico Castro
2025-12-15 11:17:32 -03:00
parent 4876d4d9f5
commit 0ea1b13eb1
4 changed files with 1 additions and 1139 deletions
Download Patch File Download Diff File Expand all files Collapse all files

1
.gitignore vendored
View File

@@ -1,4 +1,5 @@
.env .env
docs/
__pycache__/ __pycache__/
*.py[cod] *.py[cod]
*$py.class *$py.class

407
TIPOS_ATUACAO_ELASTICSEARCH.md
View File

@@ -1,407 +0,0 @@
# Tipos de Atuação Disponíveis no Elasticsearch (AtuaCAPES)
> Mapeamento completo dos tipos de atuação encontrados no índice `atuacapes` do Elasticsearch CAPES
## Visão Geral
Este documento lista todos os tipos de atuação (`atuacoes.tipo`) disponíveis no índice Elasticsearch do sistema AtuaCAPES, identificados através da análise do código implementado e da documentação do projeto.
---
## Tipos de Atuação Implementados
### Componente A - Coordenação CAPES
| Tipo | Descrição | Boost | Pontuação Base |
|------|-----------|-------|----------------|
| `Coordenação de Área de Avaliação` | Coordenadores ativos (CA, CAJ, CAJ-MP, CAM) | 10 | 200-100 pts |
| `Histórico de Coordenação de Área de Avaliação` | Coordenadores históricos (mandatos encerrados) | 5 | 200-100 pts |
**Subtipos identificados em `dadosCoordenacaoArea.tipo`:**
- `Coordenador de Área` (CA) - Base: 200 pts
- `Coordenador Adjunto` (CAJ) - Base: 150 pts
- `Coordenador Adjunto de Mestrado Profissionalizante` (CAJ-MP) - Base: 120 pts
- `Coordenador de Câmara Temática` (CAM) - Base: 100 pts
### Componente C - Consultoria
| Tipo | Descrição | Boost | Pontuação Base |
|------|-----------|-------|----------------|
| `Consultor` | Registro de consultoria ativa ou histórica | 2 | 150 pts (ativo) |
| `Histórico de Consultoria` | Consultorias encerradas | 1 | 100 pts (histórico) |
**Valores de `situacaoConsultoria`:**
- `Atividade Contínua` - Consultor Ativo
- `Ativo` - Consultor Ativo
- Outros valores ou com `inativacaoSituacao` preenchido = Histórico
### Componente D - Premiações
| Tipo | Descrição | Boost | Pontuação |
|------|-----------|-------|-----------|
| `Premiação Prêmio` | Prêmio recebido | 3 | 60-180 pts |
| `Avaliação Prêmio` | Participação em avaliação/comissão | 2 | 2-115 pts |
| `Inscrição Prêmio` | Inscrição em prêmio | 1 | 1-2 pts |
**Níveis de Premiação:**
#### Nível 1 - Grande Prêmio CAPES
- `dadosPremiacaoPremio.premiacao`: "Grande Prêmio"
- Pontuação: 150 + 50 = 200 pts (limitado a 180)
#### Nível 1 - Prêmio CAPES de Tese (PCT)
- `dadosPremiacaoPremio.premio`: "PCT"
- `dadosPremiacaoPremio.premiacao`: "Prêmio" (+25) ou "Menção Honrosa" (+15)
- Pontuação base: 100 pts (máx 150 pts)
#### Nível 2 - Institucionais
- Interfarma, Vale-CAPES, etc.
- Base: 30 pts
- Prêmio: +20 pts / Menção: +10 pts
- Máximo: 60 pts
#### Nível 3 - Autoinscrição
- CDTDN, Vínculos Familiares, etc.
- Base: 10 pts
- Prêmio: +5 pts / Menção: +3 pts
- Máximo: 20 pts
### Outros Tipos Identificados
| Tipo | Descrição | Uso no Ranking |
|------|-----------|----------------|
| `Evento` | Participação em eventos SAE | Sim - bônus consultoria |
**Campos relacionados a eventos:**
- `dadosEvento.consultorResponsavel`: "Sim" ou "Não"
- Eventos recentes (últimos 2 anos): bonus para consultoria ativa
- Responsável por evento: +5 pts por vez (máx 25)
---
## Estrutura de Dados por Componente
### Coordenação CAPES
```json
{
"tipo": "Coordenação de Área de Avaliação",
"inicio": "01/01/2020",
"fim": null,
"dadosCoordenacaoArea": {
"tipo": "Coordenador de Área",
"areaAvaliacao": {
"id": 123,
"nome": "CIÊNCIAS AMBIENTAIS"
},
"inicioVinculacao": "01/01/2020",
"fimVinculacao": null,
"colegio": [
{"nome": "Colégio de Ciências Exatas, Tecnológicas e Multidisciplinar"}
],
"portaria": "123/2020",
"ies": {
"nome": "Universidade Federal do Brasil",
"sigla": "UFB"
}
}
}
```
### Consultoria
```json
{
"tipo": "Consultor",
"inicio": "15/03/2018",
"fim": null,
"dadosConsultoria": {
"situacaoConsultoria": "Atividade Contínua",
"inicioSituacao": "15/03/2018",
"inativacaoSituacao": null,
"ies": {
"nome": "Universidade Federal do Brasil",
"sigla": "UFB"
},
"areaConhecimentoPos": [
{
"areaAvaliacao": {
"nome": "CIÊNCIAS AMBIENTAIS"
}
}
],
"areaPesquisa": [
{"descricao": "Mudanças Climáticas"}
]
}
}
```
### Premiações
```json
{
"tipo": "Premiação Prêmio",
"dadosPremiacaoPremio": {
"nomePremio": "Prêmio CAPES de Tese",
"premio": "PCT",
"premiacao": "Prêmio",
"ano": 2022,
"areaConhecimento": {
"areaAvaliacao": {
"nome": "CIÊNCIAS AMBIENTAIS"
}
},
"papelPessoa": "Autor"
}
}
```
### Participação em Prêmios
```json
{
"tipo": "Avaliação Prêmio",
"dadosParticipacaoPremio": {
"tipo": "Membro de Comissão",
"premio": "PCT",
"ano": 2023,
"comissao": {
"nome": "Comissão Julgadora",
"tipo": "Avaliação"
},
"areaAvaliacao": {
"nome": "CIÊNCIAS AMBIENTAIS"
}
}
}
```
### Eventos
```json
{
"tipo": "Evento",
"inicio": "10/05/2023",
"fim": "15/05/2023",
"dadosEvento": {
"consultorResponsavel": "Sim",
"nome": "Seminário de Avaliação",
"tipo": "Presencial"
}
}
```
---
## Query de Agregação - Descobrir Todos os Tipos
Para descobrir todos os tipos de atuação disponíveis no índice:
```json
{
"size": 0,
"aggs": {
"tipos": {
"nested": {"path": "atuacoes"},
"aggs": {
"tipos_unicos": {
"terms": {
"field": "atuacoes.tipo.keyword",
"size": 100
}
}
}
}
}
}
```
---
## Mapeamento de Tipos vs. Componentes de Pontuação
| Componente | Tipos Relacionados | Pontuação Máxima |
|------------|-------------------|------------------|
| **A - Coordenação CAPES** | `Coordenação de Área de Avaliação`<br>`Histórico de Coordenação de Área de Avaliação` | 450 pts (CA) |
| **B - Coordenação PPG** | *Não existe no ES - usar Oracle* | 180 pts |
| **C - Consultoria** | `Consultor`<br>`Histórico de Consultoria`<br>`Evento` (bônus) | 230 pts |
| **D - Premiações** | `Premiação Prêmio`<br>`Avaliação Prêmio`<br>`Inscrição Prêmio` | 180 pts |
---
## Campos Faltantes / Limitações
### Não Disponíveis no Elasticsearch
1. **Coordenação de Programa (PPG)**
- Não existe tipo `atuacoes.tipo` para coordenação de programa
- Fonte alternativa: Oracle `SUCUPIRA_PAINEL.VM_COORDENADOR`
2. **Nota do PPG**
- Não disponível em `dadosGestaoPrograma`
- Fonte alternativa: Oracle `VM_PROGRAMA_SUCUPIRA.DS_CONCEITO`
3. **Dados detalhados de Câmara Temática**
- Inferido pelo campo `dadosCoordenacaoArea.tipo` ou `nome`
- Pode haver imprecisão na classificação
4. **Situação "Falecido"**
- Existe `dadosPessoais.anoObito` mas não `situacaoConsultoria="Falecido"`
---
## Implementação no Código
### Arquivo: `backend/src/infrastructure/elasticsearch/client.py`
Query principal com boost por tipo:
```python
async def buscar_candidatos_ranking(self, size: int = 1000) -> List[Dict[str, Any]]:
query = {
"size": size,
"query": {
"bool": {
"should": [
# Coordenação CAPES
{
"nested": {
"path": "atuacoes",
"query": {
"bool": {
"should": [
{"term": {"atuacoes.tipo": {"value": "Coordenação de Área de Avaliação", "boost": 10}}},
{"term": {"atuacoes.tipo": {"value": "Histórico de Coordenação de Área de Avaliação", "boost": 5}}}
]
}
},
"score_mode": "sum"
}
},
# Consultoria
{
"nested": {
"path": "atuacoes",
"query": {
"bool": {
"should": [
{"term": {"atuacoes.tipo": {"value": "Consultor", "boost": 2}}},
{"term": {"atuacoes.tipo": {"value": "Histórico de Consultoria", "boost": 1}}}
]
}
},
"score_mode": "sum"
}
},
# Premiações
{
"nested": {
"path": "atuacoes",
"query": {
"bool": {
"should": [
{"term": {"atuacoes.tipo": {"value": "Premiação Prêmio", "boost": 3}}},
{"term": {"atuacoes.tipo": {"value": "Avaliação Prêmio", "boost": 2}}},
{"term": {"atuacoes.tipo": {"value": "Inscrição Prêmio", "boost": 1}}}
]
}
},
"score_mode": "sum"
}
}
],
"minimum_should_match": 1
}
},
"_source": ["id", "dadosPessoais", "atuacoes"],
"sort": [{"_score": "desc"}]
}
```
### Arquivo: `backend/src/infrastructure/repositories/consultor_repository_impl.py`
Extração de tipos:
```python
# Consultoria
consultorias = [
a for a in atuacoes
if a.get("tipo") in ["Consultor", "Histórico de Consultoria"]
]
# Coordenação CAPES
coordenacoes = [
a for a in atuacoes
if a.get("tipo") in [
"Coordenação de Área de Avaliação",
"Histórico de Coordenação de Área de Avaliação",
]
]
# Eventos (bônus consultoria)
eventos_sae = [
a for a in atuacoes
if a.get("tipo") == "Evento"
]
# Premiações (todos os tipos são processados genericamente)
premiacoes = [
a for a in atuacoes
if a.get("dadosPremiacaoPremio") or
a.get("dadosParticipacaoPremio") or
a.get("dadosParticipacaoInscricaoPremio")
]
```
---
## Estatísticas
### Estimativas de Volume (baseado em documentação)
| Tipo | Quantidade Estimada |
|------|---------------------|
| Coordenadores de área (ativos) | ~200 |
| Coordenadores históricos | ~322 |
| Consultores | ~52.551 |
| Premiações | ~63.799 |
| **Total de registros com atuações** | **~90.482** |
### Boost Aplicado
O boost é usado para priorizar candidatos no score inicial do Elasticsearch:
| Tipo | Boost | Justificativa |
|------|-------|---------------|
| Coordenação de Área (ativa) | 10 | Máxima prioridade (200-450 pts) |
| Coordenação de Área (histórica) | 5 | Alta prioridade histórica |
| Premiação Prêmio | 3 | Mérito significativo |
| Consultor | 2 | Base importante |
| Avaliação Prêmio | 2 | Participação ativa |
| Histórico de Consultoria | 1 | Relevância histórica |
| Inscrição Prêmio | 1 | Participação básica |
---
## Notas de Implementação
1. **Paginação**: Query principal retorna top 1000 candidatos ordenados por score ES
2. **Recálculo**: Python recalcula pontuação completa e reordena por pontuação real
3. **Cache**: Resultados cacheados por 5 minutos (TTL=300s)
4. **Performance**: Primeira requisição ~1m34s, cacheadas ~0.27s
5. **Timeout**: 120s para queries ES
---
## Referências
- **Documentação**: `/home/fred/projetos/ranking/.claude/rules/ranking-queries-elasticsearch.md`
- **Critérios**: `/home/fred/projetos/ranking/.claude/rules/ranking-consultores-capes.md`
- **Implementação ES**: `/home/fred/projetos/ranking/backend/src/infrastructure/elasticsearch/client.py`
- **Extração**: `/home/fred/projetos/ranking/backend/src/infrastructure/repositories/consultor_repository_impl.py`
---
**Última atualização**: 2025-12-13
**Índice Elasticsearch**: `atuacapes` (servidor: `elastic-atuacapes.hom.capes.gov.br:9200`)

291
TOP_10_RANKING_CAPES.md
View File

@@ -1,291 +0,0 @@
# TOP 10 CONSULTORES - RANKING CAPES
**Data da Consulta:** 13/12/2025
**Base de Dados:** Elasticsearch AtuaCAPES (índice: atuacapes)
**Total de Candidatos Analisados:** 100
**Critérios:** Sistema de Ranking Integrado CAPES v1.0
---
## Resumo Executivo
O ranking foi calculado com base em 4 componentes principais:
- **Componente A:** Coordenação CAPES (máx 450 pts) - CA, CAJ, CAJ-MP, CAM
- **Componente B:** Coordenação de Programa PPG (máx 180 pts) - *Não disponível nesta consulta*
- **Componente C:** Consultoria (máx 230 pts)
- **Componente D:** Premiações (máx 180 pts)
**Pontuação Máxima Teórica:** 1.040 pontos
**Pontuação Máxima Observada:** 685 pontos (65,9% do máximo)
---
## Top 10 Consultores
### 1º LUGAR - EDSON APARECIDO MITISHITA
**ID:** 519524
**Pontuação Total:** 685 pontos
**Breakdown de Pontuação:**
- **Componente A (Coordenação CAPES):** 340 pts
- Base: 200 (Coordenador de Área)
- Tempo: 90 (9 anos completos)
- Áreas Adicionais: 0
- Bônus Atualidade: 30 (coordenação ativa)
- Retorno: 20 (já coordenou antes)
- **Componente B (Coordenação PPG):** 0 pts
- **Componente C (Consultoria):** 165 pts
- Base: 100 (histórico)
- Tempo: 50 (10+ anos)
- Total eventos: 2
- Eventos recentes: 0 (último há mais de 2 anos)
- Bônus continuidade: 15 (8+ anos consecutivos)
- **Componente D (Premiações):** 180 pts
- Total de premiações: 7
**Perfil:**
- Anos de atuação: 11,3 anos
- Status: Inativo (sem eventos recentes)
- Veterano: Sim
- Área principal: GEOCIÊNCIAS
- Coordenações: 3 (incluindo 1 ativa)
**Destaque:** Possui a maior pontuação no Componente A devido à combinação de coordenação ativa (bônus de 30 pts) + retorno (20 pts) + 9 anos completos de experiência.
---
### 2º LUGAR - ANDRE MOREIRA CUNHA
**ID:** 45997
**Pontuação Total:** 675 pontos
**Breakdown de Pontuação:**
- **Componente A:** 330 pts
- Base: 200
- Tempo: 100 (10 anos - máximo permitido)
- Bônus Atualidade: 30
- Retorno: 0 (sem retorno)
- **Componente C:** 165 pts
- **Componente D:** 180 pts (7 premiações)
**Perfil:**
- Anos de atuação: 14,2 anos
- Status: Inativo
- Área principal: ECONOMIA
- Coordenações: 2 (1 ativa)
**Destaque:** Atingiu o teto máximo de pontuação por tempo (100 pts) no Componente A.
---
### 3º LUGAR - FLAVIO AUGUSTO SENRA RIBEIRO
**ID:** 7794
**Pontuação Total:** 665 pontos
**Breakdown de Pontuação:**
- **Componente A:** 320 pts
- Base: 200
- Tempo: 100
- Áreas Adicionais: 20 (coordenou 2 áreas diferentes)
- Bônus Atualidade: 0 (coordenação encerrada)
- Retorno: 0
- **Componente C:** 165 pts
- **Componente D:** 180 pts (11 premiações)
**Perfil:**
- Anos de atuação: 14,5 anos
- Status: Inativo
- Áreas: FILOSOFIA, CIÊNCIAS DA RELIGIÃO E TEOLOGIA
- Coordenações: 3 (todas encerradas)
**Destaque:** Único no top 10 com pontuação por áreas adicionais (coordenou múltiplas áreas). Maior número de premiações entre os 10 primeiros (11 premiações).
---
### 4º ao 10º LUGAR (Empate em 655 pontos)
Os consultores da 4ª à 10ª posição compartilham a mesma pontuação total de **655 pontos**, com o seguinte padrão:
**Componente A:** 310 pts
- Base: 200
- Tempo: 60 (6 anos)
- Bônus Atualidade: 30
- Retorno: 20
**Componente C:** 165 pts
**Componente D:** 180 pts
---
#### 4º - CARLOS FREDERICO MARTINS MENCK
**ID:** 20912
**Área:** CIÊNCIAS BIOLÓGICAS I
**Anos:** 14,5 | **Status:** Inativo
**Premiações:** 25 (maior número absoluto)
**Coordenações:** 2 (1 ativa)
---
#### 5º - MARCELO ALBANO MORET SIMOES GONCALVES
**ID:** 5888
**Área:** INTERDISCIPLINAR
**Anos:** 11,0 | **Status:** Ativo ✓
**Premiações:** 9
**Eventos recentes:** 2
**Coordenações:** 2 (1 ativa)
---
#### 6º - CARLOS PELLESCHI TABORDA
**ID:** 15100
**Área:** CIÊNCIAS BIOLÓGICAS III
**Anos:** 12,6 | **Status:** Inativo
**Premiações:** 15
**Coordenações:** 2 (1 ativa)
---
#### 7º - CLÁUDIA LUCIA DE MORAES FORJAZ
**ID:** 14569
**Área:** EDUCAÇÃO FÍSICA, FISIOTERAPIA, FONOAUDIOLOGIA E TERAPIA OCUPACIONAL
**Anos:** 14,5 | **Status:** Inativo
**Premiações:** 9
**Coordenações:** 2 (1 ativa)
---
#### 8º - ALTAIR ANTONINHA DEL BEL CURY
**ID:** 8639
**Área:** ODONTOLOGIA
**Anos:** 12,1 | **Status:** Ativo ✓
**Premiações:** 11
**Eventos recentes:** 2
**Coordenações:** 2 (1 ativa)
---
#### 9º - DEBORA FOGUEL
**ID:** 12271
**Área:** CIÊNCIAS BIOLÓGICAS II
**Anos:** 14,5 | **Status:** Inativo
**Premiações:** 7
**Coordenações:** 2 (1 ativa)
---
#### 10º - MARCELO TÁVORA MIRA
**ID:** 509665
**Área:** MEDICINA I
**Anos:** 11,3 | **Status:** Ativo ✓
**Premiações:** 7
**Eventos recentes:** 1
**Coordenações:** 2 (1 ativa)
---
## Análise Estatística
### Distribuição de Pontuação
| Posição | Pontuação | Diferença para 1º |
|---------|-----------|-------------------|
| 1º | 685 | - |
| 2º | 675 | -10 |
| 3º | 665 | -20 |
| 4º-10º | 655 | -30 |
**Média (top 10):** 661 pontos
**Desvio padrão:** ~10 pontos
### Componentes - Análise
**Componente A (Coordenação CAPES):**
- Média: 319 pts (71% do máximo)
- Variação: 310-340 pts
- Padrão dominante: CA (Coordenador de Área) com coordenação ativa
**Componente B (Coordenação PPG):**
- Todos: 0 pts (dados não disponíveis no Elasticsearch)
**Componente C (Consultoria):**
- Todos: 165 pts
- Padrão: Base 100 + Tempo 50 + Bônus continuidade 15
- Uniformidade total no top 10
**Componente D (Premiações):**
- Todos: 180 pts (máximo permitido)
- Média de premiações: 10,3 por consultor
- Variação: 7-25 premiações
### Perfil dos Líderes
**Anos de Atuação:**
- Média: 12,7 anos
- Variação: 11,0 - 14,5 anos
- Todos são veteranos (10+ anos)
**Status de Atividade:**
- Ativos: 3 (30%)
- Inativos: 7 (70%)
**Áreas de Conhecimento:**
- Ciências Biológicas: 3 consultores
- Áreas diversas: 7 consultores
**Padrão de Coordenação:**
- Todos possuem coordenação ATIVA no momento
- Todos exceto 1 tiveram retorno à coordenação
- Média de 2,3 coordenações por consultor
---
## Observações Técnicas
### Limitações da Análise
1. **Componente B = 0:** O Elasticsearch não contém dados de coordenação de PPG. Esses dados estão no Oracle (SUCUPIRA_PAINEL). Se incluídos, o ranking poderia mudar significativamente.
2. **Amostra de 100 candidatos:** A query com boost buscou apenas 100 candidatos pré-ordenados pelo Elasticsearch. É possível que candidatos com alta pontuação real estejam fora dessa amostra.
3. **Dados de Consultoria incompletos:** O campo "áreas" da consultoria retornou vazio para todos os consultores, sugerindo possível problema na extração de dados do Elasticsearch.
### Critérios de Desempate
Quando há empate na pontuação total (casos 4º-10º), a ordenação segue a ordem de retorno do Elasticsearch, que não necessariamente reflete um critério definido.
**Sugestão:** Implementar critério de desempate explícito:
1. Componente A (maior)
2. Anos de atuação (maior)
3. Status ativo (preferencial)
4. ID menor (mais antigo no sistema)
### Validação dos Cálculos
Os cálculos seguem rigorosamente os critérios definidos em:
- `/home/fred/projetos/ranking/.claude/rules/ranking-consultores-capes.md`
- `/home/fred/projetos/ranking/.claude/rules/ranking-queries-implementadas.md`
**Implementação:** `CalculadorPontuacao` em `/home/fred/projetos/ranking/backend/src/domain/services/calculador_pontuacao.py`
---
## Próximos Passos Recomendados
1. **Integrar dados do Oracle** para calcular Componente B (Coordenação PPG)
2. **Expandir amostra** para 1.000+ candidatos para garantir cobertura completa
3. **Corrigir extração de áreas** na consultoria
4. **Implementar critério de desempate** explícito
5. **Validar dados de premiações** (verificar se todas as 7-25 premiações são válidas)
---
**Script de Geração:**
`/home/fred/projetos/ranking/backend/scripts/top10_ranking.py`
**Método de Consulta:**
Query Elasticsearch com boost por tipo de atuação (conforme especificação técnica)

441
docs/ranking-queries-implementadas.md
View File

@@ -1,441 +0,0 @@
# Queries Implementadas - Sistema de Ranking de Consultores CAPES
> Documentação das queries efetivamente implementadas no sistema, com regras de pontuação aplicadas.
## Visão Geral da Arquitetura
```
┌─────────────────────────────────────────────────────────────────────┐
│ FLUXO DE DADOS │
├─────────────────────────────────────────────────────────────────────┤
│ │
│ 1. Elasticsearch (AtuaCAPES) │
│ └─> Query com boost por tipo de atuação │
│ └─> Retorna top 1000 candidatos pré-ordenados │
│ │
│ 2. Oracle - Opcional │
│ └─> Busca coordenações de PPG por ID_PESSOA │
│ │
│ 3. Python (Backend) │
│ └─> Calcula pontuação completa (A + B + C + D) │
│ └─> Reordena por pontuação real │
│ └─> Cache por 5 minutos │
│ │
└─────────────────────────────────────────────────────────────────────┘
```
---
## Query Principal - Elasticsearch
### Objetivo
Buscar candidatos relevantes para o ranking, priorizando por tipo de atuação usando boost.
### Query Implementada
```json
{
"size": 1000,
"query": {
"bool": {
"should": [
{
"nested": {
"path": "atuacoes",
"query": {
"bool": {
"should": [
{"term": {"atuacoes.tipo": {"value": "Coordenação de Área de Avaliação", "boost": 10}}},
{"term": {"atuacoes.tipo": {"value": "Histórico de Coordenação de Área de Avaliação", "boost": 5}}}
]
}
},
"score_mode": "sum"
}
},
{
"nested": {
"path": "atuacoes",
"query": {
"bool": {
"should": [
{"term": {"atuacoes.tipo": {"value": "Consultor", "boost": 2}}},
{"term": {"atuacoes.tipo": {"value": "Histórico de Consultoria", "boost": 1}}}
]
}
},
"score_mode": "sum"
}
},
{
"nested": {
"path": "atuacoes",
"query": {
"bool": {
"should": [
{"term": {"atuacoes.tipo": {"value": "Premiação Prêmio", "boost": 3}}},
{"term": {"atuacoes.tipo": {"value": "Avaliação Prêmio", "boost": 2}}},
{"term": {"atuacoes.tipo": {"value": "Inscrição Prêmio", "boost": 1}}}
]
}
},
"score_mode": "sum"
}
}
],
"minimum_should_match": 1
}
},
"_source": ["id", "dadosPessoais", "atuacoes"],
"sort": [{"_score": "desc"}]
}
```
### Explicação dos Boosts
| Tipo de Atuação | Boost | Justificativa |
|-----------------|-------|---------------|
| Coordenação de Área de Avaliação | 10 | Máxima pontuação (base 200 pts) |
| Histórico de Coordenação de Área | 5 | Alta pontuação histórica |
| Premiação Prêmio | 3 | 60 pts por premiação |
| Consultor | 2 | Base 150 pts se ativo |
| Avaliação Prêmio | 2 | 40 pts por avaliação |
| Histórico de Consultoria | 1 | Base 100 pts |
| Inscrição Prêmio | 1 | 20 pts por inscrição |
### Estatísticas de Candidatos
| Tipo | Quantidade no ES |
|------|------------------|
| Coordenadores de área | 522 |
| Consultores | 52.551 |
| Premiações | 63.799 |
| **Total com atuações relevantes** | **90.482** |
---
## Query Oracle - Coordenação de Programa (PPG)
### Objetivo
Buscar coordenações de programa por ID_PESSOA para calcular o Componente B.
### Query Implementada
```sql
SELECT
c.ID_PESSOA,
c.ID_PROGRAMA_SNPG,
p.NM_PROGRAMA,
p.CD_PROGRAMA_PPG,
p.DS_CONCEITO AS NOTA_PPG,
p.NM_PROGRAMA_MODALIDADE,
aa.NM_AREA_AVALIACAO,
c.DT_INICIO_VIGENCIA,
c.DT_FIM_VIGENCIA
FROM SUCUPIRA_PAINEL.VM_COORDENADOR c
INNER JOIN SUCUPIRA_PAINEL.VM_PROGRAMA_SUCUPIRA p
ON c.ID_PROGRAMA_SNPG = p.ID_PROGRAMA
LEFT JOIN SUCUPIRA_PAINEL.VM_AREA_CONHECIMENTO ac
ON p.ID_AREA_CONHECIMENTO_ATUAL = ac.ID_AREA_CONHECIMENTO
LEFT JOIN SUCUPIRA_PAINEL.VM_AREA_AVALIACAO aa
ON ac.ID_AREA_AVALIACAO = aa.ID_AREA_AVALIACAO
WHERE c.ID_PESSOA = :id_pessoa
ORDER BY c.DT_INICIO_VIGENCIA
```
### Campos Retornados
| Campo | Tipo | Uso |
|-------|------|-----|
| ID_PROGRAMA_SNPG | NUMBER | Identificador único do programa |
| NM_PROGRAMA | VARCHAR2 | Nome do programa |
| CD_PROGRAMA_PPG | VARCHAR2 | Código do PPG |
| NOTA_PPG | VARCHAR2 | Nota CAPES (3-7, A) |
| NM_PROGRAMA_MODALIDADE | VARCHAR2 | Acadêmico/Profissional |
| NM_AREA_AVALIACAO | VARCHAR2 | Área de avaliação |
| DT_INICIO_VIGENCIA | DATE | Início da coordenação |
| DT_FIM_VIGENCIA | DATE | Fim (null = ativo) |
---
## Regras de Pontuação Implementadas
### Componente A - Coordenação CAPES (máx 450 pts)
**Arquivo**: `backend/src/domain/services/calculador_pontuacao.py`
```python
# Apenas coordenações ATIVAS pontuam
coord_atual = next((c for c in coordenacoes if c.periodo.ativo), None)
if not coord_atual:
return ComponentePontuacao(base=0, tempo=0, extras=0, bonus=0, retorno=0)
# Valores por tipo
base_map = {"CA": 200, "CAJ": 150, "CAJ-MP": 120, "CAM": 100}
tempo_max_map = {"CA": 100, "CAJ": 80, "CAJ-MP": 60, "CAM": 50}
bonus_atual_map = {"CA": 30, "CAJ": 20, "CAJ-MP": 15, "CAM": 10}
# Cálculo
base = base_map.get(coord_atual.tipo, 0)
anos = coord_atual.periodo.anos_decorridos
tempo = min(int(anos * 10), tempo_max_map.get(coord_atual.tipo, 0))
extras = min(len(coord_atual.areas_adicionais) * 20, 100)
bonus = bonus_atual_map.get(coord_atual.tipo, 0) if coord_atual.periodo.ativo else 0
retorno = 20 if coord_atual.ja_coordenou_antes else 0
```
**Tabela de Pontuação**:
| Tipo | Base | Tempo (máx) | Bônus Ativo | Áreas (máx) | Retorno |
|------|------|-------------|-------------|-------------|---------|
| CA | 200 | 100 (10 pts/ano) | 30 | 100 | 20 |
| CAJ | 150 | 80 (10 pts/ano) | 20 | 100 | 20 |
| CAJ-MP | 120 | 60 (10 pts/ano) | 15 | 100 | 20 |
| CAM | 100 | 50 (10 pts/ano) | 10 | 100 | 20 |
### Componente B - Coordenação PPG (máx 180 pts)
```python
if not coordenacoes:
return ComponentePontuacao(base=0, tempo=0, extras=0, bonus=0)
base = 70
anos_totais = sum(c.periodo.anos_decorridos for c in coordenacoes)
tempo = min(int(anos_totais * 5), 50)
programas_distintos = len({c.id_programa for c in coordenacoes})
extras = min((programas_distintos - 1) * 20, 40)
coord_ativa = any(c.periodo.ativo for c in coordenacoes)
bonus = 20 if coord_ativa else 0
```
**Tabela de Pontuação**:
| Critério | Pontos | Máximo |
|----------|--------|--------|
| Base (ser coordenador) | 70 | 70 |
| Tempo | 5 pts/ano | 50 |
| Programas extras | 20 pts/programa | 40 |
| Bônus ativo | 20 | 20 |
| **TOTAL** | - | **180** |
### Componente C - Consultoria (máx 230 pts)
```python
if not consultoria:
return ComponentePontuacao(base=0, tempo=0, extras=0, bonus=0)
# Base depende de ter eventos recentes (últimos 2 anos)
base = 150 if consultoria.eventos_recentes > 0 else 100
# Tempo desde primeiro evento
anos = (datetime.now() - consultoria.primeiro_evento).days / 365.25
tempo = min(int(anos * 5), 50)
# Extras
extras_eventos = min(consultoria.total_eventos * 2, 20)
extras_responsavel = min(consultoria.vezes_responsavel * 5, 25)
extras_areas = min((len(consultoria.areas) - 1) * 10, 30) if len(consultoria.areas) > 1 else 0
extras = extras_eventos + extras_responsavel + extras_areas
```
**Tabela de Pontuação**:
| Critério | Pontos | Máximo |
|----------|--------|--------|
| Base (ativo/recente) | 150 | 150 |
| Base (histórico) | 100 | 100 |
| Tempo | 5 pts/ano | 50 |
| Eventos | 2 pts/evento | 20 |
| Responsável | 5 pts/vez | 25 |
| Áreas extras | 10 pts/área | 30 |
| **TOTAL** | - | **230** |
### Componente D - Premiações (máx 180 pts)
```python
if not premiacoes:
return ComponentePontuacao(base=0, tempo=0, extras=0, bonus=0)
# Pontos por tipo de premiação
mapa = {
"Premiação Prêmio": 60,
"Avaliação Prêmio": 40,
"Inscrição Prêmio": 20,
}
total_pontos = sum(mapa.get(p.tipo, 0) for p in premiacoes)
total_pontos = min(total_pontos, 180) # Teto
return ComponentePontuacao(base=total_pontos, tempo=0, extras=0, bonus=0)
```
**Tabela de Pontuação**:
| Tipo | Pontos | Descrição |
|------|--------|-----------|
| Premiação Prêmio | 60 | Recebeu prêmio |
| Avaliação Prêmio | 40 | Participou de banca/comissão |
| Inscrição Prêmio | 20 | Inscreveu trabalho |
| **Máximo total** | **180** | - |
---
## Extração de Dados do Elasticsearch
### Coordenações CAPES
```python
def _extrair_coordenacoes_capes(self, atuacoes: List[Dict[str, Any]]) -> List[CoordenacaoCapes]:
coordenacoes = [
a for a in atuacoes
if a.get("tipo") in [
"Coordenação de Área de Avaliação",
"Histórico de Coordenação de Área de Avaliação",
]
]
# Inferir tipo pelo campo 'nome'
def _inferir_tipo_coordenacao(coord):
nome = coord.get("nome", "").lower()
if "câmara" in nome or "camara" in nome:
return "CAM"
elif "mestrado profissional" in nome:
return "CAJ-MP"
elif "adjunta" in nome:
return "CAJ"
else:
return "CA"
```
### Consultoria
```python
def _extrair_consultoria(self, atuacoes: List[Dict[str, Any]]) -> Optional[Consultoria]:
consultorias = [
a for a in atuacoes
if a.get("tipo") in ["Consultor", "Histórico de Consultoria"]
]
# Calcula eventos recentes (últimos 2 anos)
limite_recente = datetime.now() - timedelta(days=730)
eventos_recentes = sum(1 for d in datas_fim if d >= limite_recente)
# Extrai áreas únicas
areas = list({c.get("areaAvaliacao", "N/A") for c in consultorias if c.get("areaAvaliacao")})
# Conta vezes como responsável
vezes_responsavel = sum(1 for c in consultorias if c.get("responsavel", False))
```
### Premiações
```python
def _extrair_premiacoes(self, atuacoes: List[Dict[str, Any]]) -> List[Premiacao]:
premiacoes_data = [
a for a in atuacoes
if a.get("tipo") in [
"Premiação Prêmio",
"Avaliação Prêmio",
"Inscrição Prêmio",
]
]
for prem in premiacoes_data:
pontos = self._calcular_pontos_premiacao(prem.get("tipo", ""))
# tipo vem de atuacoes.tipo
# nome_premio vem de atuacoes.descricao
# ano vem de atuacoes.inicio (parse para extrair ano)
```
---
## Cache de Ranking
### Implementação
```python
class RankingCache:
def __init__(self, ttl_seconds: int = 300): # 5 minutos
self.ttl = ttl_seconds
self._cache: List[Consultor] = []
self._last_update: Optional[datetime] = None
self._loading = False
self._lock = asyncio.Lock()
def is_valid(self) -> bool:
if not self._cache or not self._last_update:
return False
return (datetime.now() - self._last_update).total_seconds() < self.ttl
```
### Performance
| Métrica | Valor |
|---------|-------|
| Primeira requisição (cold) | ~1m34s |
| Requisições cacheadas | ~0.27s |
| TTL do cache | 5 minutos |
| Candidatos processados | 1000 |
---
## Fluxo Completo de Ranking
```python
async def buscar_ranking(self, limite: int = 100) -> List[Consultor]:
# 1. Verificar cache
if _ranking_cache.is_valid():
return _ranking_cache.get()[:limite]
async with _ranking_cache._lock:
# 2. Double-check cache
if _ranking_cache.is_valid():
return _ranking_cache.get()[:limite]
# 3. Buscar candidatos do ES (ordenados por score ES)
tamanho_busca = max(limite * 3, 1000)
docs = await self.es_client.buscar_candidatos_ranking(size=tamanho_busca)
# 4. Construir consultores (calcula pontuação completa)
consultores = []
for doc in docs:
consultor = await self._construir_consultor(doc)
# _construir_consultor busca dados do Oracle se disponível
consultores.append(consultor)
# 5. Reordenar por pontuação real
consultores_ordenados = sorted(
consultores, key=lambda c: c.pontuacao_total, reverse=True
)
# 6. Cachear resultado
_ranking_cache.set(consultores_ordenados)
return consultores_ordenados[:limite]
```
---
## Limitações Conhecidas
1. **Cobertura de candidatos**: Buscamos 1000 candidatos do ES. Se alguém com alta pontuação estiver fora do top 1000 do score ES, não aparecerá.
2. **Oracle opcional**: Se Oracle não estiver disponível (TNS error no Docker), Componente B = 0 para todos.
3. **Tipos de coordenação**: Inferência pelo campo `nome` pode não ser 100% precisa.
4. **Datas inconsistentes**: ES usa formatos `dd/MM/yyyy` e `yyyy-MM-dd` misturados.
---
## Arquivos de Implementação
| Arquivo | Responsabilidade |
|---------|------------------|
| `backend/src/infrastructure/elasticsearch/client.py` | Query ES com boost |
| `backend/src/infrastructure/oracle/client.py` | Query Oracle PPG |
| `backend/src/infrastructure/repositories/consultor_repository_impl.py` | Cache e orquestração |
| `backend/src/domain/services/calculador_pontuacao.py` | Regras de pontuação |
| `backend/src/domain/entities/consultor.py` | Entidades de domínio |