CAPES — Dados Abertos da pós-graduação e Catálogo de Teses e Dissertações

Nível 1 — Ingestão direta

Prontidão para IA

Forma de acesso

Portal CKAN próprio, com API padrão e sem chave: package_list devolve a lista de conjuntos e package_show os metadados e as URLs de download de cada recurso. Os arquivos saem em CSV e XLSX, com dicionário em PDF e leitura em HTML.

Autenticação

Nenhuma — medido na API e no download de um arquivo.

Licença / termo

CC-BY, declarada POR CONJUNTO nos metadados do CKAN: license_id "cc-by", license_title "Creative Commons Attribution", license_url apontando para opendefinition.org, e isopen verdadeiro. É das poucas fontes do guia em que a licença vem legível por máquina, no próprio metadado, em vez de perdida num rodapé.

Granularidade

Tese ou dissertação individual, com programa, instituição, área de avaliação e ano. Nos demais conjuntos: bolsa, programa de pós-graduação, docente, discente e produção intelectual.

Cadência†

Por conjunto, sem periodicidade única declarada. Os metadados trazem a data da última modificação: o Catálogo de Teses de 2021 a 2024 foi modificado em 12/12/2025. A série de teses é publicada em blocos — 1987–2012, 2013–2016, 2017–2020 e 2021–2024.

Restrição legal

Os registros de teses e de bolsistas trazem nome de pessoa natural. São de divulgação pública e acadêmica, mas seguem sendo dado pessoal: cruzamento e perfilamento mudam a natureza do tratamento.

Limite técnico†

DOIS PONTOS QUE QUEBRAM INTEGRAÇÃO E NÃO APARECEM SOZINHOS: · CADEIA TLS INCOMPLETA. O servidor envia apenas o certificado folha (CN=*.capes.gov.br) e NÃO envia o intermediário. Cliente com o intermediário no próprio repositório funciona — navegador e curl passaram —, mas cliente estrito falha com "unable to verify the first certificate" (código de verificação 21, medido com openssl). O sintoma engana: parece indisponibilidade do servidor, é configuração da cadeia. · VOLUME. Um único CSV anual do Catálogo de Teses tem 450 MB (449.944.414 bytes, medido no ano de 2017). Carregar em memória não é opção; a leitura precisa ser em fluxo ou por partes.

† Campo volátil: muda sem aviso e sem quebrar o link. Nenhum verificador de URL detecta. Confira na fonte oficial antes de depender dele.

O que esta fonte permite fazer

Cobre a pós-graduação brasileira inteira por API programática: 95 conjuntos, do catálogo de teses e dissertações desde 1987 às bolsas, aos programas, à produção intelectual e à execução orçamentária da própria fundação. Para trabalho de IA é uma das melhores fontes de texto acadêmico em português com metadado estruturado — resumo, área de avaliação, instituição e ano no mesmo registro. E, incomum entre as fontes do guia, a licença é explícita e legível por máquina.

Cuidados para uso por IA

A série de teses vem em BLOCOS com recortes diferentes, e os blocos não são homogêneos: campos e vocabulários mudaram ao longo de quase quarenta anos. Emendar 1987–2012 com 2021–2024 sem reconciliar produz série falsa. A cobertura depende do que os programas informaram ao Sucupira, então ausência de registro é falha de informe, não ausência de tese. E resumo não é texto integral: o catálogo traz metadado e resumo, não a íntegra do trabalho — treinar supondo texto completo é treinar sobre outra coisa.

Perguntas que esta base responde

• Quantas teses foram defendidas em determinada área e instituição por ano? — Alta
• Como evoluiu a concessão de bolsas por programa e região? — Alta
• Que temas de pesquisa cresceram na pós-graduação brasileira? — Alta — resumo e área de avaliação vêm estruturados
• Posso montar série contínua de 1987 a 2024? — Média — os blocos não são homogêneos e precisam ser reconciliados
• Qual o texto integral desta tese? — Não — o catálogo traz metadado e resumo, não a íntegra

Apontadores

Verificação — 07/09/2026

FUNCIONAL, 07/09/2026 — package_list respondeu 200 com 95 conjuntos; package_show de dois conjuntos do Catálogo de Teses devolveu licença cc-by, 10 recursos cada (4 CSV, 4 XLSX, 1 HTML, 1 PDF) e as URLs de download; um CSV foi efetivamente baixado (200, text/csv, 449.944.414 bytes). A cadeia TLS incompleta foi medida com openssl s_client — código de verificação 21.