Restitutions publiques

com o uso da internet encontrou nas páginas HTML e arquivos PDF um meio amigável de disseminar para a sociedade documentos semelhantes a relatórios. Mesmo governos com resultados favoráveis na disponibilização de dados abertos, ainda encontram problemas na disponibilização segundo os princípios de OGD (BUNYAKIATI; VORAVITTAYATHORN, 2012; COELHO et al., 2015; CORRÊA; CORRÊA; SILVA, 2014; CUNHA et al., 2015; DAVIES; FRANK, 2013; HELBIG et al.,

2012; MACHADO; OLIVEIRA, 2011; RIBEIRO; MATHEUS; VAZ, 2011; SANTANA; RODRIGUES, 2013; VELJKOVIĆ; BOGDANOVIĆ-DINIĆ; STOIMENOV, 2014).

Uma avaliação preliminar conduzida em alguns municípios brasileiros (CORRÊA; CORRÊA; SILVA, 2014) mostrou que 90% dos documentos estão disponíveis nos formatos HTML e PDF. Um estudo de caso (VELJKOVIĆ; BOGDANOVIĆ-DINIĆ; STOIMENOV, 2014) no principal repositório norte americano

data.gov, conduzido em outubro de 2012, revelou que o indicador de resultado

referente a dado processável por máquina obteve a menor pontuação no estudo, parcialmente por causa dos documentos serem em formato PDF. Outro estudo de caso (DAVIES; FRANK, 2013) focado na estratégia digital do governo do Reino Unido identificou a disseminação de planilhas PDF em detrimento da presença de dados de texto puro legíveis por máquina. Uma pesquisa (BUNYAKIATI; VORAVITTAYATHORN, 2012) sobre formatos de dados em países e instituições do Sudeste Asiático encontrou a predominância de HTML e PDF. Por fim, Santana e Rodrigues (2013) apontam o uso do PDF em atividades legislativas do Senado Federal Brasileiro, o que compromete o acesso aos dados.

Apesar dos aparentes benefícios encontrados nos formatos HTML e PDF, estes formatos não são totalmente compatíveis com os princípios de OGD por violarem essencialmente o princípio Processável por máquina (HELBIG et al., 2012; OPENGOVDATA, 2007; TAUBERER, 2014). Para apoiar este entendimento, remete-se também a um outro sistema de classificação proposto por Tim Berners- Lee onde o autor define um método de avaliação denominado sistema de cinco estrelas para estabelecer o nível de abertura dos dados (BERNERS-LEE, 2010). Quanto mais aberto, maior é a quantidade de estrelas atribuídas aos dados e maior também são os benefícios em potencial. A Figura 4 ilustra o sistema de cinco estrelas para dados abertos de Tim Berners-Lee e exemplifica com alguns formatos mencionados cada nível do sistema.

Figura 4 - Sistema de cinco estrelas para dados abertos de Tim Berners-Lee

Fonte: Adaptado de Berners-Lee (2016).

A Tabela 2 a seguir foi extraída de Isotani e Bittencourt (2015) e evidencia os potenciais benefícios da publicação e consumo de dados abertos por nível do sistema de cinco estrelas definido por Tim Berners-Lee.

Tabela 2 - Benefícios da publicação e consumo de dados abertos por nível do sistema de cinco estrelas de Tim Berners-Lee

Estrelas Quem consome Quem Publica

★

Ver os dados É simples de publicar

Imprimi-los

Não precisa explicar repetitivamente que as pessoas podem fazer uso dos dados

Guardá-los (no disco rígido ou num pen-

drive, por exemplo)

Modificar os dados como queira Acessar o dado de qualquer sistema Compartilhar o dado com qualquer pessoa

★★

Os mesmos benefícios de quem usa uma

estrela É fácil publicar

Usar softwares proprietários para

processar, agregar, calcular e visualizar os dados

Exportá-los em qualquer formato

★★★

Os mesmos benefícios de quem usa duas

estrelas É ainda mais fácil de publicar

Manipular os dados da forma que lhe agrada, sem estar refém de algum software em particular

Obs.: Pode ser necessário conversores ou plugins para exportar os dados do formato proprietário

★★★★

Os mesmos benefícios de quem usa três estrelas

Há controle dos itens dos dados e pode melhorar seu acesso

Fazer marcações

Outros publicadores podem conectar seus dados, promovendo-os às cinco estrelas

Reutilizar parte dos dados

Reutilizar ferramentas e bibliotecas de dados existentes, mesmo que elas entendam apenas parte dos padrões usados por quem publicou

Combinar os dados com outros

★★★★★

Descobrir mais dados vinculados enquanto consome dados

Torna o dado mais fácil de ser descoberto

Aprender sobre a classificação das cinco

estrelas Aumenta o valor do dado

A organização ganha os mesmos benefícios com a vinculação de dados que os consumidores

Fonte: Isotani e Bittencourt (2015).

O PDF é um formato utilizado para distribuição de documentos pela internet e a especificação do formato está padronizada pela norma ISO 32000-1:2008 (INTERNATIONAL ORGANIZATION FOR STANDARDIZATION, 2008), mas que não apresenta a característica para processamento automatizado por máquina. Ou seja, os dados em um PDF estão fechados e sua extração demanda técnicas e ferramentais não triviais para a maioria das pessoas. Na classificação do sistema de estrelas de Tim Berners-Lee o formato PDF recebe apenas uma estrela e também viola os princípios de OGD Acessível e Processável por máquina.

Já as páginas HTML são documentos semiestruturados que disponibilizam meios para processar e estruturar seu conteúdo (BIZER; HEATH; BERNERS-LEE, 2009). Porém, o conteúdo tabular em HTML é normalmente gerado após seleção/definição de filtros e parâmetros que são parte da programação dinâmica das páginas web, os quais dificultam o processamento automatizado que não seja aquele direcionado para o navegador de internet. O HTML recebe três estrelas pela

classificação de Tim Berners-Lee, porém entende-se que o formato também viola os princípios de OGD Acessível e Processável por máquina.

A Tabela 3 a seguir sumariza os problemas em potencial dos formatos PDF e HTML segundo o sistema de cinco estrelas de Tim Berners-Lee (BERNERS-LEE, 2010) e os princípios de OGD (OPENGOVDATA, 2007).

Tabela 3 - Sumarização dos problemas em potencial dos formatos PDF e HTML segundo o sistema de cinco estrelas e os princípios de OGD

Formato de divulgação Sistema de cinco estrelas (BERNERS-LEE, 2010) Princípios de OGD (OPENGOVDATA, 2007) Problemas em potencial PDF Classificado com ★ (uma estrela) Viola os princípios

Acessível e Processável por máquina.

Extração dos dados demanda técnicas e ferramentais não triviais para a maioria das pessoas

HTML Classificado com

★★★ (três estrelas)

Viola os princípios

Acessível e Processável por máquina.

Conteúdo tabular é normalmente gerado após seleção/definição de filtros e parâmetros no contexto das páginas dinâmicas

Fonte: Elaborado pelo autor.

Apesar da ampla disseminação de iniciativas OGD e o conhecimento acerca do impacto do formato na disponibilização de dados governamentais (MATHEUS; RIBEIRO; VAZ, 2012; SHADBOLT et al., 2012; SHADBOLT; O’HARA, 2013), o conceito de dados abertos para a efetiva transparência ainda é uma preocupação.

Assim, faz-se necessário estimular a disponibilização de dados por meio de um formato comum e não proprietário, em texto puro, como o CSV, e externá-lo utilizando catálogos de OGD que implementam uma série de mecanismo para automatização com o uso de APIs.

Uma vez disponibilizados em CSV, as dados podem ser convertidos para atingir a estruturação semântica e a interligação por meio de RDF (BRICKLEY; GUHA, 2014), que é um formato cinco estrelas segundo a classificação de Tim Berners-Lee. Nesse sentido, um trabalho proposto por Ermilov; Auer e Stadler (2013) explora uma coleção de ferramentas e reporta resultados de sua contribuição

usando uma abordagem específica dos autores para esta tarefa. Sustenta-se que ter dados disponibilizados em CSV é o primeiro passo rumo à abertura dos dados (THORSBY et al., 2016), tendo em vista que as características licença aberta, conteúdo estruturado e formato não proprietário são passos fundamentais para atingir níveis mais altos de abertura e dados.

Depois de analisadas as principais questões sobre o formato dos dados, faz-se necessário diferenciar os conceitos de dados abertos, dados estruturados e o processo de estruturação, termos utilizados ao longo deste trabalho.

Dados abertos são os dados compatíveis com os oito princípios de OGD, conforme visto em sessão anterior neste capítulo. Neste sentido, sua conceituação vai além do formato do dado em si, tendo em vista que questões como acesso, granulidade, temporariedade e licenciamento estão envolvidos em sua definição.

Já dados estruturados, para efeito deste trabalho, são considerados os dados que atendam à segunda estrela da classificação de Tim Berners-Lee e adicionalmente estejam sob um formato não proprietário, característica dada pela terceira estrela. Assim, compatibiliza-se o conceito de dados estruturados no contexto deste trabalho com as características da terceira estrela da classificação de Tim Berners-Lee, as quais são (BERNERS-LEE, 2010):

1. Licença aberta. Permite o acesso, a impressão, o armazenamento, a introdução do conteúdo em qualquer outro sistema, a alteração e o compartilhamento dos dados por qualquer um e para qualquer propósito; 2. Conteúdo estruturado. Permite processar diretamente o conteúdo para realizar agregações, cálculos, visualizações, agrupamentos, filtros e qualquer outro tipo de manipulação a partir da granularidade disponibilizada;

3. Formatos não proprietário. Permite qualquer manipulação sem restrições impostas por softwares específicos e que exijam licenciamento de uso. Por conseguinte, também para entendimento deste trabalho, a estruturação de dados é o processo compreendendo as seguintes etapas:

2. Extração de dados a partir de informações dispostas em formatos desestruturados;

3. Catalogação com descrição de metadados; e, 4. Carregamento em datasets.

Desse modo, entende-se que a estruturação possibilita a abertura dos dados com o objetivo de torna-los acessíveis por qualquer um e para qualquer propósito, sem as barreiras técnicas para o processamento dos formatos. Mas para que isso seja possível, são necessários outros mecanismos de apoio para que os dados resultantes da estruturação sejam considerados dados abertos. Estes mecanismos são implementados, por exemplo, por meio das funcionalidades do catálogo CKAN.

Uma vez abertos os dados, tem-se vários potenciais benefícios. Como exemplos concretos, Pires (2015) menciona o aplicativo Citymapper4 _{que reúne} informações em tempo real das linhas de transporte público para milhões de usuários ao redor do mundo e o portal QEdu5 _{que reúne dados governamentais} sobre a educação brasileira como subsídio para pesquisadores e formuladores de políticas públicas na área de educação.