Lic. Oscar Saavedra Fernández,1
Lic. Gilberto Sotolongo Aguilar2 y M.Sc
María V. Guzmán Sánchez3
A partir del uso de las redes neuronales artificiales (RNA), y más concretamente de la técnica de mapas autoorganizados (SOM), conocidos también como algoritmo de Kohonen, se intenta identificar algunos elementos que influyen la posición que ocupan las revistas de América Latina y el Caribe (AL y C), y el efecto que determinadas acciones pudieran tener sobre ella. En su calidad de técnicas exploratorias, aquí sólo se revelan patrones de comportamiento (signos) de la realidad que necesariamente deben valorar los expertos. Al abordar este tema,se han considerado los resultados de esfuerzos regionales recientes (resultados parciales de proyectos en curso como LATINDEX y RICYT) que permitirán en el futuro enfrentar tareas de evaluación más completas.
DeCS: PUBLICACIONES SERIADAS; AMERICA LATINA; REDES NEURALES(COMPUTACIÓN);
REGION DEL CARIBE
Las publicaciones científicas y técnicas constituyen una de las
formas de existencia de la ciencia y la tecnología, resultado del devenir
histórico de esas dos actividades; en tanto los artículos aparecidos
en revistas y las patentes se erigen como las publicaciones más paradigmáticas.
Las publicaciones científicas son depositarias de los conocimientos documentados
que la humanidad acumula en cualquier campo del saber; son la vía fundamental
para trasmitir dichos conocimientos, debido a que la transmisión directa
de sus propietarios a quienes los necesitan es prácticamente imposible.
Al propio tiempo, el cúmulo de materiales publicados crece en forma de
avalancha y no es posible acceder directa-mente a ellos, mucho menos asimilar
de forma directa su contenido. La propia ciencia ha permitido el desarrollo
de técnicas que pueden contribuir a solucionar en parte este problema,
como es el caso de los estudios cuantitativos de la información que,
para diferentes fines, se han desarrollado en el transcurso de los últimos
80 años.1
* Basado en la ponencia titulada “Mapeo autoorganizado de las revistas
de América Latina y el Caribe” preparada originalmente para la Reunión
de Editores de Revistas Académicas, Científicas y Tecnológicas.
10-11 de octubre de 2000, ICFES, Bogotá, Colombia.
La bibliometría, en su sentido más amplio, ha seguido dos caminos,
paralelos y relacionados. En un caso, la bibliometría se ha desarrollado
en el ámbito de la gestión de información de las instituciones
bibliotecarias e informativas. Por otra parte, se hallan los avances de la bibliometría
evaluativa cuyo propósito es la aplicación en el campo de la política
científica, mediante la evaluación de la producción científica
vista a la luz de las publicaciones.2 Más
recientemente estas aplicaciones se han extendido a las empresas productivas
y de servicios como parte de las herramientas empleadas en la vigilancia científica
y tecnológica, así como en los llamados observatorios de ciencia
y tecnología.
Ya en los años 60, JD de Solla Price consideraba a la ciencia como todo
lo publicado en revistas y un científico como aquel que publica un artículo.
Lo anterior, reconocido como “reduccionismo bibliométrico”
ha conferido a las revistas y a los artículos un lugar preponderante
en el desarrollo científico y tecnológico de la humanidad. [Grivel
L. L´hypertexte, comme mode d´explotation des resultats d´utils
et methodes d´analyse de l´information scientifique et technique.
These PHD, CRRM, France, 2000]. No existen dudas sobre la importancia que han
tenido y tienen las revistas como objeto de estudio, ellas son centro de atención
en todos los órdenes en los cuatro puntos cardinales; sin embargo, en
ocasiones la importancia de su existencia no se ha valorado correctamente con
respecto a su función en la práctica histórico-social.
Dos reflexiones sobre el lugar de las revistas y las publicaciones permiten
precisar esta idea:
A pesar de esto, la situación que presenta la gran mayoría de
las revistas científicas y técnicas editadas en América
Latina y el Caribe no permite que estas puedan cumplir cabalmente con las funciones
referidas con anterioridad.
Se presenta a continuación una breve caracterización de esta problemática.5
Se puede afirmar que las revistas científicas y técnicas de América
Latina y el Caribe son poco conocidas, difícilmente forman parte de las
colecciones de las bibliotecas, están representadas marginalmente en
los grandes servicios de indización o resúmenes (GSIR), carecen
de visibilidad y además reciben contribuciones de bajo nivel.
Otros autores han abordado la problemática de las ciencias agrícolas
en la región, precisamente desde la óptica de sus publicaciones,
con el objetivo de contribuir al mejor conocimiento de la realidad que presentan
las publicaciones de nuestra área geográfica en este campo.1
Ahora, a partir del uso de las redes neuronales artificiales (RNA), y
más concretamente de la técnica de mapas autoorganizados (SOM),
conocidos también como algoritmo de Kohonen, se intenta identificar algunos
elementos que influyen en esta situación, y el efecto que determinadas
acciones pudieran tener sobre ella. En modo alguno se pretende ser concluyente,
porque las técnicas empleadas son exploratorias y revelan sólo
patrones de comportamiento (signos) de la realidad que necesariamente deben
valorar los expertos. Al abordar este tema, se han considerado los resultados
de esfuerzos regionales recientes (resultados parciales de proyectos en curso
como LATINDEXxx y RICYTxxx) que permitirán en el futuro enfrentar tareas
de evaluación más completas.
Se utilizaron los datos de la ultima actualización del directorio titulado LATINDEX http://www.LATINDEX.unam.mx . Su consulta, en agosto de 2000, se realizó mediante el acceso a dicho sitio como a partir del trabajo de Alonso Gamboa mencionado anteriormente.5
Con ello, de forma muy general, se caracterizó cualitativa y cuantitativamente la situación actual de las revistas, en ella se hace referencia fundamentalmente a su distribución por rangos6 en la región. Así aparecen las revistas editadas en América Latina y el Caribe. También, se utilizaron algunos datos procedentes del directorio y se complementaron con indicadores tomados de la Red Iberoamericana de Indicadores de la Ciencia y la Tecnología (RICYT) http://www.ricyt.edu.ar/ accedida en igual fecha,6 se construyeron mapas autoorganiza-dos (SOM) de América Latina y el Caribe. Ellos posibilitan la realización de diferentes análisis para determinar las variables con la influencia necesaria de manera que se mejorar la visibilidad de las publicaciones del área.
A partir de los datos del directorio LATINDEX se estableció la distribución
por rangos de las revistas que se publican en 22 países (tabla 1, variable:
r-revistas (2000)). En esta tabla, se muestra la posición que cada país
ocupa en relación con la cantidad de revistas editadas. Se hizo lo mismo
con las revistas procesadas por GSIR (tabla 1,variables: rev-scisearch, rev-ca,
rev-biosis, rev-medline, rev-cab). Con ello, es posible determinar la posición
que ocupa cada país, según su aporte a estos servicios de información.
Por otra parte, a partir de datos ofrecidos por la RICYT, se obtuvieron los
valores promedios de las contribuciones que durante 8 años (1990-1997),
cada uno de los países realizó en artículos a GSIR (tabla
1, variables: r-scisearch, r-pascal, r-inspec, r-compendex, r-ca, r-biosis,
r-medline, r-cab, r-icyt, r-ime). En este caso, se contaron los artículos
indizados en dichos servicios, para incluirse en el total, la dirección
del primer autor debió pertenecer a alguno de los países considerados.
A partir de los datos obtenidos, se jerar-quizaron por rangos, así se
obtuvo la distribución por rangos de los datos, una vía para brindar
una imagen de la visibilidad de la producción científica. Adicio-nalmente,
se hallaron cuatro indicadores de la distribución por rangos de las tasas
de referencias por países en las bases de datos SciSearch y Pascal, por
cada 100 000 habitantes, también se determinaron tasas similares de referencias
en ambas bases de datos, referidas al producto bruto interno (PBI) de cada país
en miles de millones de dólares estadounidenses (U$D), (tabla 1, variables:
r-scisearch-hab, r-pascal-hab, r-sci-pbi, r-pascal-pbi). En total se construyeron
20 indicadores de 22 países.
** LATINDEX es un proyecto en curso que desde 1995, tiene como finalidad, la
creación de un sistema de información que cubra las revistas científicas
y técnicas publicadas en AL y C.
*** La RICYT es un proyecto que desde 1995 surge con el propósito de
promover el desarrollo de instrumentos para la medición y el análisis
de la ciencia y la tecnología en Iberoamérica, en un marco de
cooperación internacional, con el fin de profundizar en su conocimiento
y utilización como instrumento político para la toma de decisiones.
Para obtener un cuadro más acabado de la situación de las revistas
en ALyC, se tomó de RICYT, los datos de la producción científica
de ALyC correspondiente a 10 bases de datos internacionales correspondientes
a 1990-1997 y se calculó su promedio***. Posteriormente se halló
la distribución por rangos de dichos datos según se puede observar
en la tabla 1 (variables: r-scisearch, r-pascal, r-inspec, r-compendex, r-ca,
r-biosis, r-medline, r-cab, r-icyt, r-ime). Se añadieron dos indicadores:
la tasa de la producción científica según SCI y PASCAL
por cada 100 mil habitantes y del PBI en millones de U$D (tabla 1, variables:
r-scisearch-hab, r-pascal-hab, r-sci-pbi, r-pascal-pbi). Con ello se completan
los datos de la tabla 1 en la que se recoge la distribución por rangos
de 20 indicadores de 22 países de ALyC.
Con el propósito de explorar el comportamiento de los datos y de obtener
una representación gráfica integrada de estos indicadores, los
datos obtenidos se utilizaron para entrenar una red neuronal artificial (RNA)
mediante el algoritmo de mapeo autoorganizado (algoritmo de Kohonen). Con ello
fue posible modelar parcialmente la problemática bajo estudio y conocer
la influencia de algunas de las variables (e.g. cantidad de revistas en el directorio
LATINDEX, cantidad de revistas procesadas en GSIR, etc.).
Se empleó el software Viscovery SOMine® 3.0 Enterprise para obtener
los SOM****; por la novedad del uso de estas técnicas, se hace necesario
una pausa para ofrecer algunas explicaciones.
La corteza cerebral es posiblemente la estructura más fascinante que
existe en la fisiología humana. A pesar de su enorme complejidad desde
el punto de vista microscópico, la corteza revela una estructura uniforme
a escala macroscópica, incluso al pasar de un cerebro a otro. Los centros
correspondientes a actividades tan diversas como el pensamiento, la visión,
oído, y las funciones motoras, están situados en zonas concretas
de la corteza, las cuales se hallan ubicadas, de cierta forma, unas con respecto
a las otras. Además, las zonas individuales muestran una ordenación
lógica de su funcionalidad. Un ejemplo (es el denominado mapa tonotópico)
de las frecuencias auditivas, en el cual las neuronas próximas entre
sí responden a frecuencias de sonido similares según una sucesión
ordenada, desde los tonos más altos a los más bajos. Otro ejemplo
(es el mapa somatotópico) de nervios motores, que se representa artísticamente
mediante el homúnculo. Las regiones tales como el mapa tonotópico
y el mapa somatotópico suelen recibir el nombre de correspondencias ordenadas
de características. El interés por descubrir esta organización
es el que llevó a Teuvo Kohonen (Finlandia) a desarrollar el algoritmo
al que se refiere este apartado.6
**** Tomado de: Red Iberoamericana de Indicadores de Ciencia y Tecnología (RICYT). Indicadores de ciencia y tecnología. Iberoamericanos/Interamericanos (1990-1997). Buenos Aires: REDES A.C; 1999.
La corteza es, en esencia, una capa extensa (aproximadamente de 1m2 , en humanos adultos) y fina (entre 2 y 4 mm de grosor) que consta de seis capas de neuronas (con un gran nivel de interconexión entre ellas) de distintos tipos y densidades (unos diez mil millones de neuronas) que interaccionan mediante los procesos físico-químicos. La corteza está plegada de forma tal que maximiza la densidad de empaquetado en el cráneo. Una hoja bidimensional de elementos de procesamiento es un buen modelo de la corteza cerebral.
Las redes neuronales artificiales, o simplemente redes neuronales, intentan
emular lo antes descrito mediante procesos computacionales. Se puede pensar
que las redes neuronales son técnicas de regresión, no lineal,
en múltiples capas y de forma paralela. Existen dos tipos de redes neuronales:
las supervisadas y las no supervisadas.
Las redes neuronales supervisadas son técnicas para extraer datos a partir
de las relaciones de entrada-salida y para almacenar tales relaciones en ecuaciones
matemáticas que pueden utilizarse en actividades de pronóstico
o en la toma de decisiones. Requieren de que el usuario especifique la salida
deseada. La red aprende a detectar la relación entre las entradas y las
salidas suministradas, mediante un proceso iterativo y adaptativo. Una vez que
la red se ha entrenado, se puede utilizar con datos que nunca haya visto o puede
ser embebida en un programa para el apoyo a las decisiones.
Las redes neuronales no supervisadas son técnicas para clasificar, organizar
y visualizar grandes conjuntos de datos. Los mapas autoorganizados (SOM) son
un ejemplo del enfoque de las redes neuronales no supervisadas. Este enfoque,
con origen a comienzos de los años 80, se ha utilizado ampliamente en
ingeniería y en muchos otros campos. Muchas aplicaciones de redes neuronales
no supervisadas y de SOM pueden encontrarse en la obra de Teuvo Kohonen.
7
Los mapas autoorganizados son un enfoque de red neuronal con alimentación
directa que utiliza un algoritmo de entrenamiento no supervisado, que mediante
un proceso conocido como autoorganización, configura las unidades de
salida en una representación topológica de los datos originales.
Los SOM, son una técnica de red neuronal que aprende sin supervisión.
En contraste con las técnicas de las redes neuronales supervisadas que
requieren que se especifique una o más salidas, conjuntamente con una
o más entradas a fin de encontrar patrones o relaciones entre los datos,
los SOM reducen datos multidimensio-nales a un mapa de menores dimensiones o
una rejilla de neuronas.
El algoritmo de los SOM se basa en el aprendizaje competitivo. Proporciona un
mapeo de preservación topológica a partir de un espacio multidimensional
para mapear las unidades. Las unidades de mapeo o neuronas, usualmente forman
una rejilla de dos dimensiones, el mapeo es de un espacio multidimensional en
un plano o cubo. La propiedad de preservación topológica significa
que en los SOM se agrupan vectores de datos de entradas similares en neuronas:
los puntos que se encuentran cercanos unos de otros en el espacio de entrada
son mapeados en el SOM, en unidades del mapa que son cercanas; por ello el SOM
puede servir como una herramienta de agrupamiento (clustering) así como
para visualizar datos multidimensionales.
Los mapas autoorganizados consisten de dos capas de unidades de procesamiento:
la primera es una capa de entrada que contiene unidades de procesamiento para
cada elemento en el vector de entrada; en segundo lugar está la capa
de salida o rejilla de unidades de procesamiento, que está completamente
conectada con la capa de entrada. El número de unidades de procesamiento
en la capa de salida es determinado por el usuario, a partir de la forma y el
tamaño inicial del mapa deseado. A diferencia de otras redes neuronales,
no existe ninguna capa ni unidad de procesamiento oculto.
En contraste con los métodos clásicos, los mapas autoorganizados
ofrecen una fácil visualización, imponen pocos presupuestos y
restricciones, y son capaces de manipular grandes conjuntos de datos para detectar
en estos, estructuras y patrones aislados. Por ello, los mapas autoorganizados
han cobrado creciente interés para el análisis exploratorio de
datos y la minería de datos en diferentes campos entre los que se destacan
las finanzas y la economía. Su aplicación en el campo de la bibliometría
es reciente.
Cuando se presenta un patrón de entrada a una red SOM, las unidades
en la capa de salida compiten entre sí por el derecho de ser declarada
la ganadora. La unidad de salida ganadora será la unidad cuya ponderación
de la conexión de entrada está más cerca del patrón
de entrada en términos de distancia euclidiana. Entonces, la entrada
se presenta y cada unidad de salida compite para cotejar con el patrón
de entrada. La salida que está más cerca al patrón de entrada
es declarada la ganadora. Entonces, se ajusta la ponderación de la conexión
de la unidad ganadora (i.e), se mueve en la dirección del patrón
de entrada por un factor determinado por la tasa de aprendizaje; lo anterior
constituye la naturaleza básica de las redes neuronales competitivas.
Los SOM realizan el mapeo topológico no sólo al ajustar las ponderaciones
de la unidad ganadora, también ajustan las ponderaciones de las unidades
de salida que son adyacentes en la vecindad más próxima de la
unidad ganadora. Por lo tanto, no sólo la unidad ganadora es ajustada,
sino también que toda la vecindad de unidades de salida se mueve más
cerca del patrón de entrada. Con frecuencia, comenzando con valores aleatorios
de las ponderaciones, las unidades de salida se alinean solas, de forma tal,
que cuando se presenta un patrón de entrada, entonces una vecindad de
unidades responde a los patrones de entrada. Según el entrenamiento progresa,
decrece el tamaño de la vecindad alrededor de la unidad ganadora. Inicialmente,
se actualiza una gran cantidad de unidades de salida, pero en la medida en que
avanza el entrenamiento sólo se ajusta la unidad ganadora. De forma similar,
las tasas de aprendizaje disminuirán según avanza el entrenamiento,
y en algunas aplicaciones, la tasa de aprendizaje se reducirá con la
distancia de las unidades de salida ganadoras.
El resultado es un grupo de conexiones ponderadas que representa un patrón
de entrada prototipo para el subconjunto de entrada que corresponde a un grupo
(cluster) en particular. El proceso de reducir datos multidimensionales a un
conjunto de grupos (clusters) se llama segmentación. El espacio multidimensional
de entrada se reduce a un mapa de dos dimensiones. Si se utiliza el índice
de la unidad de salida ganadora, en esencia lo que produce es la partición
de los patrones de entrada en un conjunto de categorías o grupos (clusters).
Los SOM también tienen la capacidad de generalizar. Esto significa que
la red puede reconocer o caracterizar entradas que nunca antes haya recibido.
Una nueva entrada se asimila por la unidad del mapa con la cual se mapea. Aún
más, los vectores de entrada con falta de datos pueden utilizarse para
buscar o pronosticar los valores de los datos que faltan, basados en el mapa
entrenado.
Los resultados obtenidos de la exploración de datos al utilizar esta
técnica de los SOM, sugieren ideas de cómo mejorar la visibilidad
de la ciencia y la tecnología de ALyC a diferentes niveles.
La actualización del directorio LATINDEX, correspondiente al año
2000,5 recoge unas 7 000 revistas de cerca de 30 países de Iberoamérica
(se ha incluido a España, Portugal y organizaciones internacionales radicadas
en la región), así como otras islas del Caribe no incluidas anteriormente
en el Directorio LATINDEX. El 61 % de las revistas corresponde a países
de ALyC y también del total, se ha identificado como activas el 60 %.
Más de la mitad de la colección corresponde a revistas en ciencias
sociales (39,8 %) y humanidades (13 %). El resto se distribuye entre 6 agrupaciones
temáticas: ciencias de la salud (15,1 %), ingenierías (9,7 %),
ciencias de la tierra (3,7 %), ciencias naturales (11,4 %), ciencias exactas
(4,7 %) y revistas multidis-ciplinarias (2,6 %). La mayoría de las revistas
surgieron en el transcurso de las últimas tres décadas. Más
de la mitad de las revistas tiene una frecuencia anual-trimestral-irregular-semestral;
y sólo el 2 % aparece en alguna modalidad electrónica (i.e. en
línea, CD ROM o disco flexible). Finalmente, el 62 % se edita en español,
mientras que el 22 % en portugués, el 15 % son multidisciplinarias y
el 1 % aparece en inglés.
En la tabla 1 (variable: r-revistas (2000)), se puede observar la posición
de cada uno de los países, según el rango que ocupan en el directorio
LATINDEX. Argentina ocupa la primera posición, seguida de México,
Brasil, Cuba, Chile y Colombia. Colombia a su vez supera entre otros a Venezuela,
Uruguay, Costa Rica y Perú.
Mediante al acceso al directorio LATINDEX, se pudo identificar la presencia
de revistas de ALyC procesadas en algunos de los GSIR. De esta forma, se pudo
saber que en SciSearch, que incluye los tres índices de citas editados
por el ISI (Institute for Scientific Information, Filadelfia), está representada
de la siguiente forma SCI (Science Citation Index) = 14 (Colombia=1), SSCI (Social
Science Citation Index)=8 (Colombia=1), AHCI (Arts & Humanities Citation
Index) = 6. En otros GSIR, la presencia es la siguiente: PASCAL = 1; INSPEC
= 1; Chemical Abstract (CA) = 10 (Colombia = 1); Medline = 9; Biological Abstracts
(BIOSIS) = 46 (Colombia = 1), Commonwealth Agricultural Bureau (CAB) = 20. Resulta
curioso que COMPENDEX no aparece en la lista de servicios de resúmenes
reportados por LATINDEX (ni tampoco Engineering Index). La temática de
las revistas de ALyC procesadas en GSI denota el peso específico de las
ciencias sociales y humanidades, así como de las biociencias en la región.
En la tabla 1 (variables: rev-scisearch, rev-ca, rev-biosis, rev-medline, rev-cab)
aparece la distribución por rangos de la presencia de revistas de ALyC
en 5 de los GSIR. Así por ejemplo, si se compara Cuba y Colombia se observa
que ambos países ocupan la misma posición (6) por la presencia
de sus revistas en SciSearch y Medline; al tiempo que Cuba supera a Colombia
respecto a los restantes GSIR, esto es, en Chemical Abstract, Cuba 1, Colombia
4, en BIOSIS, Cuba 3, Colombia 6 y en CAB, Cuba 5 y Colombia 7.
La visibilidad de la producción científica de ALyC, no se logra
sólo por medio de la indización de sus revistas en los grandes
servicios de indización o resumen, sino también mediante la publicación
de los trabajos de los autores de la región en otras revistas fuera de
esta área geográfica. Se observa que las ciencias agrícolas
(CAB) constituyen el mayor aporte a dichos servicios, ICYT e IME tienen carácter
local al reflejar la producción científica de España (tabla
2). Por otra parte en la tabla 1 (variables: r-scisearch, r-pascal, r-inspec,
r-compendex, r-ca, r-biosis, r-medline, r-cab, r-icyt, r-ime) aparecen las aportaciones
de referencias independientemente del lugar de publicación de cada país
a cada uno de las GSIR. Estos indicadores están lideriados por Brasil
y Argentina. También se puede observar, al comparar de nuevo a Cuba con
Colombia, que la primera ocupa posiciones que oscilan entre 8 y 11, mientras
que las de Colombia oscilan entre 4 y 7. Otros análisis son posibles,
sin embargo resulta difícil manejar dichas tablas sin el auxilio de herramientas
para realizar valoraciones multidimensionales. En la práctica se dispone
de los valores que caracterizan hasta 20 dimensiones (variables) de 22 países
de ALyC.
Tabla 2. Producción científica de ALyC según su aporte a las bases de datos internacionales (datos de 1997) rango Bases de datos %
|
Rango
|
Bases de datos
|
%
|
| 1 |
ICYT
|
5,3
|
| 2 |
CAB
|
5
|
| 3 |
IME
|
3,8
|
| 4 |
BIOSIS
|
2,3
|
| 5 |
SciSearch
|
2,1
|
| 6 |
PASCAL
|
1,8
|
| 7 |
INSPEC
|
1,6
|
| 8 |
COMPENDEX
|
1,4
|
| 8 |
CA
|
1,4
|
| 8 |
MEDLINE
|
1,4
|
Estos datos permiten alimentar una red neuronal no supervisada de forma que se obtiene el mapeo autoorganizado (SOM) de los datos conforme al algoritmo de Kohonen. De esta manera, se puede disponer de mapas de ALyC en dos dimensiones a partir de los datos referidos anteriormente y examinarse la influencia que ejercen las distintas variables en la conformación del mapa de ALyC (22 países), conformado a partir de los indicadores bajo estudio (20 variables).
La figura 1 muestra el mapa autoorganizado de ALyC considerando las 20 variables simultáneamente. Como se puede observar, se forman 21 clusters o agrupa-mientos coincidiendo en todo los casos con cada uno de los países con la sola excepción de Nicaragua y Paraguay los que se agrupan en un solo cluster. Este resultado sugiere la idea de que todas las variables permiten un mapeo de ALyC donde cada uno de los países, con las excepciones antes señaladas, muestran su plena identidad. La situación de Nicaragua y Paraguay se debe a los bajos rangos que tienen en todas las variables, que se pueden constatar en la tabla 1.
La figura 2 muestra el agrupamiento de los países, si se considera sólo la dimensión correspondiente al aporte que hace el Directorio LATINDEX al mapa de ALyC. Como se puede observar, sólo se forman 3 clusters, los que de abajo hacia arriba están conformados por:
De nuevo, el agrupamiento se debe a la semejanza de las posiciones (rangos de los países debido a su aporte de revistas registradas en el Directorio LATINDEX). Como se puede corroborar, la mera presencia del directorio ejerce muy poca influencia en la conformación del mapa de ALyC, presentado en la figura 1.
La figura 3 muestra el agrupamiento de los países atendiendo a la presencia de algunas revistas de ALyC en GSIR. Como se puede apreciar, esta variable muestra signos de influencia en el mapa completo de ALyC, donde se incluyen todas las variables (figura 1). Asimismo, aparecen claras definiciones de las fronteras de los países: Honduras, Trinidad y Tobago, Bolivia, Perú, Costa Rica, Cuba, Colombia, Chile, Brasil y Argentina. Venezuela y México forman un cluster; también, se forma otro cluster con los restantes países. Estos resultados sugieren la idea de que en general, aunque la presencia en los GSIR de las revistas de ALyC es baja, los dos cluster formados por múltiples países presentan la misma situación; por este concepto no se logra ni una visibilidad mínima.
La figura 4 muestra la influencia de las referencias que aportan los países de la región en GSIR con independencia de las revistas que en ellos se procesan. Su influencia en la conformación del mapa de ALyC es indudable (figura 1). Todos los países se agrupan en sí mismo, incluso, Paraguay y Nicaragua; sin embargo, los dos clusters formados por Brasil y México de una parte, y Venezuela y Colombia de la otra, sugieren la idea de la insuficiencia de esos países por sí mismos de lograr la visibilidad adecuada mediante este indicador. En particular es necesario destacar la situación de México y de Venezuela, que aunque agrupados de forma diferente, si se observan las figuras 3 y 4, no es posible realizar su plena identificación.
La influencia de los indicadores relacionados con la cantidad de referencias
aportadas por países, es mínimo, tanto al SCI como a las bases
de datos PASCAL, en relación, por una parte, con cada cien mil habitantes
y, por otra, con el PBI en millones de U$D (figura 5).
Como puede observarse, los 22 países de la región se agrupan en
3 clusters que denotan la semejanza de ellos en estos cuatro indicadores. No
se observa prácticamente ninguna influencia de estos indicadores sobre
la estructuración del mapa en la figura 1.
Por las características del método empleado en este tipo de análisis,
es posible realizar una mayor cantidad de análisis y con más profundidad.
Considére-se que de cada uno de los mapas mos-trados, es posible obtener
hasta otros 25 mapas en los que puede examinarse el comportamiento de cada variable.
Al propio tiempo es posible revelar la influencia de cada variable, una por
una, como sucede en el caso de la figura 2, que muestra la influencia de la
variable correspondiente al directorio LATINDEX, o de una combinación
de estas, como es en el caso de las restantes figuras en las cuales se muestra
la influencia de diversas variables de forma simultánea. La figura 6
es un ejemplo de lo antes planteado.
La figura 6 presenta una pantalla del software Viscovery SOMine® después
de realizar el entrenamiento de la RNA (con los datos de los 20 indicadores
de los 22 países de ALyC) conforme al algoritmo de Kohonen. El gráfico
que aparece en la parte superior izquierda, muestra el mapa completo de ALyC
según se presentó en la figura 1. A continuación se presentan
otros siete gráficos. Los primeros tres, situados en la parte superior
derecha así como los primeros tres en la parte inferior izquierda, corresponden
a la tabla 1 (variables: r-revistas (2000), rev-scisearch, rev-ca, rev-biosis,
rev-medline, rev-cab). Los colores que presenta cada país se corresponden
con la escala de colores que aparece debajo de cada gráfico, así
los tonos de azul corresponden a valores de cada variable denotando un alto
rango, en tanto hacia la derecha los tonos de rojos denotan un nivel más
bajo en la escala. Los colores intermedios denotan rangos intermedios. El último
gráfico en el extremo inferior derecho representa la curvatura del mapa.
Las zonas con azul más intenso muestran la delimitación de los
clusters, esta es la zona donde el plano flexible se cambia formando una suerte
de accidente geográfico montañoso (ver la escala en el borde inferior
del gráfico). Las zonas de una azul menos intenso, pueden llegar a ser
completamente blancas, ahí están los llanos o sabanas donde se
ubican los países según los datos utilizados.
La simulación y modelación realizada de la situación de algunos de los aspectos que caracterizan la problemática de las revistas científicas y técnicas de ALyC, muestra que la visibilidad de la producción científica de los países de la región es un hecho multidimensional y que cada una de dichas dimensiones juega su papel, unas con más fuerza que otras. La necesidad de publicación que tienen nuestros científicos, tecnólogos y especialistas se satisface con publicaciones, tanto en las revistas del área como de otras latitudes; en estas últimas sucede con mayor frecuencia. Incrementar, en todos los órdenes, la calidad de nuestras publicaciones es una tarea imposter-gable, como lo es también, lograr que exista una mayor cantidad de las revistas de ciencia y técnica de ALyC, procesadas por GSIR. Las nuevas y variadas formas de presentación de las publicaciones (resultantes de la aparición de las nuevas tecnologías de información) por parte de los GSIR, posibilita que estas tareas se faciliten; al tiempo que permiten una presencia más efectiva de las publicaciones y su consecuente visibilidad.
Al colega Octavio Alonso Gamboa que propició el acceso a su reciente
artículo sobre Latindex del cual se utilizaron parte de sus datos para
realizar el presente trabajo. Al Dr. Gerhard Kranner, presidente de la firma
Eudaptics Software GmbH de Viena, Austria, por su licencia para emplear el software
Viscovery SOMine® 3.0 Entersprise y que se usó en este trabajo para
obtener los SOM.
Contribution to the study of the journals from Latin America and the Caribbean by self-organized mapping
Starting from the use of neural artificial networks (NAN), and more concretely from the technique of self-organized maps (SOM), also known as Kohonen’s algorithm, the authors try to identify some elements influencing on the position occupied by journals from Latin America and the Caribbean and the effect that certain actions may have on it. As exploratory techniques, they only reveal patterns of behavior (signs) of reality that have to be assessed by experts. On dealing with this topic, there have been considered the results of recent regional efforts (partial results of ongoing projects as LATINDEX and RICYT) that will allow to face in the future more complete tasks.
Subject headings: SERIALS; LATIN AMERICA; NEURAL NETWORKS(COMPUTERS);
CARIBBEAN REGION
Recibido: 14 de mayo de 2002
Aprobado: 20 de junio de 2002
Lic. Oscar Saavedra Fernández. Gerente General de EBSCO México,
INC. S.A. DE C.V. Ensenada 91. Col. Hipódromo Condesa, Del. Chauhtemoc
06170 México, D.F. México. E.mail: mailto:osaavedra@exchange.ebsco.com
1 Gerente
General de EBSCO México, INC. S.A. DE C.V.
2 Licenciado en Información Científico-Técnica
y Bibliotecología. Director de Información Científica del
Instituto Finlay. Cuba.
3 Máster en Ciencias de la Información.
J´del grupo de Gestión de Información.