Description of the technologies employed for treating sludge (Article 6)

ESI es una herramienta que puede brindar respuesta a varias interrogantes cuando estamos realizando un estudio de corte métrico, por ejemplo: conocer, cuál es el artículo más citado en inmunología; qué país presenta mayor impacto en matemáticas; qué lugar ocupa determinado país de acuerdo al número de highly cited paper. Para ello ESI definió los siguientes indicadores:

TOP: Total de Top papers: es la suma de los Highly Cited Papers y Hot Papers. Se define como, el número de artículos en el 1% durante los últimos diez años, más el número de artículos en los últimos dos años que recibieron un alto número de citas en los dos últimos meses. Un documento que es a la vez Highly Cited Paper y Hot Paper se cuenta una sola vez ("Web of Science," 2016).

HCP: Total de Highly Cited Papers es el número de artículos que recibieron un total de citas superior al 1% de citas cuando se compara con todos los artículos

36

publicados en el mismo año y en la misma disciplina (L. Bornmann, 2014; Martinez, Herrera, Contreras, Ruiz, & Herrera-Viedma, 2015; Web of Science," 2016).

HOT: Total de Hot papers es el número de artículos en los dos últimos años que recibieron una cantidad de citas suficientes en los dos últimos meses para ubicarse en el 0,1% superior en comparación con otros artículos pares del mismo período y disciplina ("Web of Science," 2016).

Con este grupo de indicadores definidos por ESI, los cuales se consideran dependientes del tamaño, fue necesario definir otros indicadores independientes del tamaño, que permitieran realizar comparaciones justas entre México y otros países:

 HOTxWoS: Número de top papers por cada 1000 documentos en WoS. Número de hot papers entre el total de artículos publicados en WoS.

 TOPxwoS: Número de hot papers por cada 1000 documentos en WoS. Número de top papers entre el total de artículos publicados en WoS.

 HCPxWoS: Número de highly cited papers por cada 1000 documentos en WoS. Número de highly cited papers entre el total de artículos publicados en WoS.

 HCPxhab: Número de highly cited papers por cada 100,000 habitantes

 HOTxhab: Número de hot papers por cada 100,000 habitantes

2.4. Metodología implementada: ViBlioSOM

La metodología ViblioSOM (Visualización Bibliométrica con el Algoritmo SOM) empleada en esta investigación está integrada a un sistema de software llamado ViblioSOM. Este último usa para el análisis de información científica y reconocimiento de patrones desde dos perspectivas, la primera en el análisis multidimensional, es decir, encontrar el grado de relación entre variables de diferentes categorías o de la misma categoría pero cruzadas, y la segunda como herramienta para el análisis de información científica y reconocimiento de patrones, perspectivas que se aplican en este estudio (E. Villaseñor, Carrillo, de la Escalera, & Millán, 2008; Elio Villaseñor, Martínez de la Escalera, Carrillo Calvet, & Cruz, 2008).

37

ViblioSOM se usa para llevar a cabo el análisis del desempeño de las principales revistas científicas mexicanas en términos de indicadores de impacto y se usa también para caracterizar el perfil de desempeño bibliométrico de México y de un grupo de países que tienen un tamaño comparable al de México (volumen semejante de producción científica o un número semejante de habitantes). La Figura 3 ilustra las principales etapas de la metodología implementada en el software ViBlioSOM.

Figura 3.Metodología ViBlioSOM: etapas del descubrimiento, análisis y visualización de información bibliométrica

2.4.1. Etapas de la metodología ViBlioSOM

1. En un primer momento se determinaron las fuentes de información de donde se extrajeron los datos, en este caso: la colección principal del Web of Science, Journal Citation Reports (JCR), el Essential Science Indicators herramienta analítica del WoS; además la base de datos del Sistema Nacional de Investigadores (SNI), y el Journal Metrics de Elsevier.

2. Se conformó una tabla con los indicadores como columnas y las entidades (países) como renglones. En el ámbito del SOM, la tabla es una matriz y los

38

renglones son vectores. Con el propósito que los indicadores tengan el mismo peso durante la identificación de cúmulos que hace el SOM, es necesario eliminar rangos de variabilidad dispares entre los indicadores con un preprocesamiento, para que los indicadores que tienen valores grandes, no predominen durante el entrenamiento y, por tanto, no eclipsen a los más chicos. Este preprocesamiento consiste en dividir cada indicador (toda la columna) por el mayor de los indicadores en dicha columna. Después de esta operación, todos los indicadores tienen un rango de variación entre cero y uno (considerando que todos los indicadores son positivos o igual a cero).

3. Una vez que se tiene la matriz, se utiliza la herramienta de software para correr el algoritmo SOM. Los parámetros que se configuran son el tamaño del mapa (lado x ancho) y el número de iteraciones, el resto de los parámetros del algoritmo se conservan en su valor por defecto.

4. Al término del entrenamiento, se analizan dos tipos de visualizaciones: mapas de componentes y mapas de clustering (Villaseñor García, 2016). Cada componente es un indicador; de esta manera, se obtuvo un mapa de componente por cada indicador. La interpretación de estos mapas, permite analizar posibles correlaciones entre los indicadores. También son útiles para visualizar la distribución del indicador e identificar visualmente aquellas unidades que tienen un valor alto o bajo en el indicador. En ambas visualizaciones se mapean las etiquetas que identifican a las unidades de interés (e.g países). La siguiente figura 4 muestra un ejemplo de un mapa de componente. La escala de colores que se usa va de verde a rojo, pasando por el amarillo y el naranja. Las zonas rojas corresponden a valores altos del indicador y las zonas verdes a zonas con valores bajos en el indicador.

39 Figura 4.Mapa de componente del indicador: Índice de desarrollo científico (SDI) para países

La otra visualización que se utiliza en este trabajo es el mapa de clustering. Este mapa permite agrupar a las unidades de acuerdo a su parecido en los indicadores. Así, dos países, por ejemplo, están cercanos en el mapa porque tienen valores similares en los indicadores. Para facilitar la interpretación de los mapas, ponemos junto al mapa de clustering los mapas de indicadores (Figura 5).

40 Figura 5. Clustering de países considerando cuatro indicadores: Índice de desarrollo científico (SDI), Impacto Normalizado (NI), Highly Cited (HCP) y Hot Papers (Hot)

41