Se realizó un análisis bibliométrico retrospectivo de la producción científica sobre VUCA durante el período 1975-2020, realizada el 18 de febrero 2021, indexada en Web of Science (WoS) de Clarivate Analytics. Se recogieron datos de la colección principal de WoS, incluyendo todos los índices: SCI-EXPANDED, SSCI, AyHCI y ESCI.

La exploración utilizó la función de búsqueda avanzada proporcionada por la base de datos para buscar información, aplicando la siguiente estrategia de búsqueda en la etiqueta del campo TS=topic:

En el estudio bibliométrico se aplicaron datos numéricos calculados a partir de las características bibliográficas observadas en los documentos publicados en el mundo científico y académico. Este análisis permite identificar varias características de la actividad científica vinculadas tanto a la producción como al consumo de información (Ardanuy, 2012).

Se utilizaron diez indicadores bibliométricos divididos en dos categorías

Bibliometrix, un paquete de R, se utilizó para el procesamiento de datos porque proporciona herramientas cuantitativas en bibliometría y cienciometría (Aria y Cuccurullo, 2017; Moral-Muñoz y otros, 2020). Además, se complementa el análisis con el agrupamiento de abstracts para identificar tópicos con Latent Dirichlet Allocation y K-Means.

El algoritmo K-Means permite dividir un conjunto de datos utilizando una medida de similitud como la distancia euclidiana (Hartigan y Wong, 1979). El algoritmo consiste en agrupar un conjunto de datos utilizando un centroide elegido y moviéndolo para mejorar la agrupación. Este algoritmo necesita la transformación del texto en matrices mediante un proceso de indexación y codificación antes de la aplicación de K-Means. Resultados provenientes de investigaciones anteriores, sugieren que la indexación con TF-IDF y la agrupación con K-Means obtiene un buen rendimiento al procesar textos de unas 200 palabras, como los resúmenes (Fuentealba y otros, 2021). Sin embargo, el algoritmo K-Mean no define ni sugiere un número K de particiones de los datos. Por este motivo, se necesitan otros índices como el método del codo o la silueta que permiten sugerir una cantidad de grupos acorde a la similitud de los datos (Kodinariya y Makwana, 2013). El análisis de la silueta permite medir la distancia de separación entre clústeres, indicando lo cerca que está cada punto de clúster con los elementos de los clústeres vecinos. Esta medida de distancia tiene un rango [-1, +1], donde los coeficientes de silueta cercanos a 1 indican que la observación está lejos de los clústeres vecinos. La silueta permitirá sugerir el número de grupos para comparar con otros métodos como el modelo LDA.

Es un modelo probabilístico para datos discretos que se construye a partir de un corpus que busca representar documentos como tópicos latentes caracterizados por palabras. Este modelo asume que existe una distribución de probabilidad beta para las palabras y una distribución de probabilidad Alpha para los documentos que deben ser encontrados a partir de k tópicos (Blei y otros, 2003). Además, no existe una cantidad mínima o máxima de documentos, considerando que cuanto mayor sea la cantidad de corpus, mayor serán los recursos a utilizar para estimar los parámetros del modelo (Hoffman y otros, 2010).

LDA es un modelo que se ha utilizado en análisis bibliométricos porque permite agrupar documentos para encontrar temas principales a partir de resúmenes o abstracts de artículos, de los cuales se pueden destacar aquellos trabajos que utilizan métodos manuales o computacionales para validar resultados. Existen varios trabajos que realizan una validación manual o basada en juicio humano, tal como etiquetado por expertos. Tran y otros (2019) utilizaron LDA para agrupar los resúmenes de artículos sobre aplicaciones de inteligencia artificial en la medicina. Ellos estudiaron los diez temas más frecuentes, utilizando etiquetado manual para determinar el número de tópicos del modelo. Figuerola y otros (2017) analizaron la investigación en el área de la Ciencia de la Información y la Bibliotecología entre los años 1978 y 2014, mediante 19 tópicos encontrados por LDA configurado con los parámetros automáticos del software. Sokil y Osorio (2022) utilizaron 100 tópicos para agrupar producción científica relacionada a estudios de género, basados en un estudio anterior que tampoco evaluó el modelo construido.

Por otro lado, los trabajos que han utilizado métodos computacionales para evaluar el modelo, parten de la premisa de que no existe una configuración estándar que garantice resultados satisfactorios, utilizando principalmente los índices de perplejidad y coherencia (Panichella, 2021). Hao y otros (2018) aplicaron LDA y evaluaron el modelo utilizando este índice para elegir el número de grupos. Posteriormente, analizaron los clústeres que tienen una mayor frecuencia de términos. Sin embargo, las mediciones realizadas en las noticias han demostrado que el índice de coherencia logra mejores resultados que la perplejidad en la identificación de clústeres (Ding y otros, 2018). Por otro lado, el uso de índices permitiría ajustar el modelo a un set de datos lingüísticos más pequeño y enfocado en un tema específico, que podría diferir de los trabajos citados (Vera y otros, 2021). Por esta razón, el índice de coherencia es seleccionado como un índice que permite identificar el número de grupos junto con los parámetros theta y beta del modelo LDA.

Productividad anual: El año 2020 mostro el número más alto de publicaciones (n=36), correspondiente al 34% del total. Por otro lado, el año con menor número de documentos es 2008, con sólo una publicación. Cabe destacar que no hay artículos publicados antes de 2008 (Figura 1).

Tipología de los documentos: Un 84,8% de los 105 documentos publicados corresponden a artículos originales (n=89), seguidos de un 8,6% de material editorial (n=9). Los documentos de revisión, carta y reseña de libros comprenden un 1,9% cada uno (n=2) y, por último, hay un documento de actas que corresponde al 0,9% del total, como se muestra en la Tabla I.

Productividad personal: Durante el periodo observado hubo 233 autores firmantes en la categoría revisada. El autor más prolífico tiene tres documentos, seguido de siete autores con dos trabajos y 225 autores con un documento. Los autores por documento son 2,22, mientras que la media de documentos por autor corresponde a 0,451. En resumen, el 96,5% de los autores ha contribuido con un solo artículo, mientras que el 3,5% tiene dos o más publicaciones. No hay productores significativos (autores con diez o más documentos) en el tema estudiado.

Colaboración: Respecto al índice de colaboración - medida de cooperación entre autores, que permite establecer tamaños y grupos de investigación - el 67,6% de los documentos (n=71) tienen dos o más autores: 29 documentos están firmados por dos autores (27,6%); 20 documentos están firmados por tres autores (19%); 20 documentos están firmados por cuatro autores (19%); un documento está firmado por cinco autores (0,95%), y un documento está firmado por 19 autores (19%). Por otro lado, el 32,4% corresponde a documentos con una sola firma (n=34). Sobre los datos anteriores, el índice de colaboración es de 2,8 (Tabla II).

Transitoriedad: En el caso de la transitoriedad - índice que mide la proporción de autores que publican un solo artículo con el número total de autores - el 96,5% de los autores tiene un solo artículo en el tema estudiado, mientras que el 3,5% tiene dos o más artículos: siete autores con dos artículos y un autor con tres artículos. Según la categorización de Crane, éstos corresponden a autores aspirantes (entre 2 y 4 artículos), mientras que los primeros, con un solo artículo, son productores transitorios. Por tanto, no hay grandes productores, con diez o más publicaciones, para la materia.

Productividad de revistas: El número total de revistas que han publicado artículos sobre VUCA es de 87. California Management Review es la revista con el mayor número de publicaciones, correspondientes a 4 artículos. Quince revistas han publicado dos artículos cada una sobre VUCA, y 71 revistas tienen una publicación. En otras palabras, el 81,6% de las revistas han publicado un solo artículo sobre VUCA, mientras que el 18,4% tienen dos o más publicaciones (Tabla III).

Institucionalidad: Un total de 165 instituciones tienen publicaciones sobre el tema, es decir, una media de 1,5 instituciones por documento. La mayoría de las instituciones corresponden a universidades, siendo la Universidad de Liverpool, en Inglaterra, la organización con mayor número de publicaciones (n=3). Trece instituciones han publicado dos documentos cada una, y 151 sólo han publicado un artículo. La Tabla IV muestra las diez instituciones con mayor número de publicaciones, el tipo de organización y el país.

Nacionalidad: Treinta y cuatro países han publicado sobre el tema, con una media de 3,08 países por documento. Estados Unidos es el país que ha aportado el mayor número de documentos (n=45), seguido por el Reino Unido (n=30) e India (n=21). Nueve países aportaron un documento. En términos de citas, las publicaciones de Estados Unidos (n=218), Reino Unido (n=64), Finlandia (n=19), Alemania (n=12) y Dinamarca (n=11) han recibido más de diez citas. La Tabla V muestra los diez países con mayor número de citas.

Artículos más citados: Cincuenta y cuatro documentos recibieron al menos una cita, lo que representa el 51% del total de artículos citados. El número total de citas recibidas por el tema es de 404, con una media de 3,84 citas por documento publicado. El año con mayor número de citas es 2020, con 198 citas.

La Tabla VI muestra los diez artículos más citados, que recibieron entre 110 y 9 citas. El artículo titulado “What a difference a word makes: Understanding threats to performance in a VUCA world” de Bennett, N., y Lemoine, G., publicado en 2014 en la revista Business Horizons, es el artículo con mayor número de citas (n=110).

Factor de impacto y cuartil: La tabla III muestra la lista de revistas con más de una publicación para el tema estudiado (n=16), el factor de impacto actual (FI), así como el cuartil (Q). California Management Review es la revista con el mayor factor de impacto (FI= 3,909; Q2). Cabe destacar que sólo cuatro de las 16 revistas disponen de FI y Q. Las doce restantes corresponden a revistas emergentes en WoS y, por tanto, no disponen de indicadores.

La generación de tópicos fue realizada en Python e incluye una etapa de preprocesamiento de los resúmenes realizada con la librería NLTK. Se removieron las stopwords o palabras que no agregaban elementos semánticos como conectores, se lematizaron las palabras para evitar diferencias por posibles conjugaciones, y se crearon bi-gramas para encontrar nuevos términos compuetos por dos palabras. El modelo LDA fue implementado mediante la librería Gensim, la cual incluye métodos para afinar parámetros, incluidos el número de temas y el alfa. Por lo tanto, calculamos el índice de coherencia de un conjunto de modelos con diferentes temas para encontrar el mejor número de particiones. La figura 2 muestra el índice de coherencia con distintos números de temas. El resultado indica que los datos se explican mejor con un modelo que incorpora 19 grupos con una coherencia de 0,4985, Alpha=0,91 y Beta=0,61. Por otro lado, quisimos validar con otro método de clustering como K-Means, implementado en Python con la librería sklearn. Se utilizó el índice Silhouette con el algoritmo K-Means y la vectorización mediante TF-IDF con un umbral del 5%. El número de clusters para K-Means se determinó por la distancia de cada cluster a la silueta media. Los valores más altos se obtuvieron calculando la silueta de 37, 13 y 19 clusters. Esto nos permitió contrastar la elección de grupos calculada por LDA.

La figura 3 muestra una nube de palabras de los 95 resúmenes seleccionados. La nube de palabras ilustra que VUCA es la palabra principal, seguida de gestión y liderazgo.

La Tabla VII muestra la distribución de los 10 temas (G) con mayor número de trabajos, la cantidad de documentos pertenecientes a cada grupo (N), el porcentaje que representan del total (%) y sus palabras claves. Se observa que el grupo 10 tiene un porcentaje razonablemente alto en comparación con los demás grupos. Los cinco primeros grupos podrían clasificarse como grupos claramente definidos, pero hay trabajos en cada grupo cuya contribución a los temas no supera el 35%. Esto muestra un cierto grado de dispersión en los temas, ya que la contribución a otros grupos es incluso menor.

El tópico 10 no muestra una tendencia clara entre los resúmenes porque los términos más repetidos como “gestión”, “investigación”, “cambio”, “organización”, “estudio”, “mundo”, “vuca”, “liderazgo”, “modelo” y “entorno” se encuentran en la mayoría de los resúmenes. Sin embargo, al guiarse por la subdivisión realizada a partir del algoritmo K-Means, se observan ciertos patrones.

El subgrupo más poblado del tópico 10, tiende a repetir la palabra VUCA por encima de la media sin investigar las empresas. Es posible encontrar análisis de Syllabus (Hall y Rowland, 2016) y cambios en lactancia materna en el mundo VUCA en este grupo (Rubio y otros, 2019). El segundo subgrupo más poblado enfatiza VUCA como una capacidad que genera ventajas competitivas en emprendimientos (Lai y Lorne, 2020; Maini y otros, 2020; Schoemaker y otros, 2018; Xing y otros, 2020).

En el tópico 5 destacan las palabras “aprendizaje”, “estudio” y “gestión”. El 90% de los artículos son estudios de casos en los que se pueden identificar tres subgrupos. El primer subgrupo examina cómo las empresas interactúan con su entorno, donde la generación y la aplicación de ideas innovadoras reducen los riesgos en entornos VUCA (Cook, 2016; Kaivo-oja y Lauraeus, 2018; Ungureanu y otros, 2018). El segundo subgrupo examina elementos organizativos como la eficacia de los procesos de aprendizaje (Antonacopoulou y otros, 2019b; Williams, 2017), la gestión de los recursos humanos ante los cambios (Katta y otros, 2019; Steinberg y Pfarr, 2019), gestión de redes sociales (Peterson, 2019), valores corporativos (Geysi y otros, 2020), y procesos de toma de decisiones (Robinson y otros, 2017). El tercer subgrupo estudia las condiciones históricas de incertidumbre para identificar los elementos del entorno que generan las condiciones VUCA (Ashraf, 2020; Hernandez-Santibanez y Mastrolia, 2019; Lopes, 2017). Los subgrupos generados por el algoritmo K-Means mostraron dos clusters que contenían el 20% de los artículos por cluster. Sin embargo, sólo uno de ellos mostraba una tendencia identificable.

El tópico 9 es el tercero más poblado y tiene a “liderazgo” y “líder” como palabras principales, siendo dominantes en el 80% de este grupo. En general, los artículos describen o investigan las habilidades de los líderes para trabajar en un entorno VUCA. Varios trabajos analizan estas habilidades utilizando información histórica como las noticias, observando los resultados obtenidos como consecuencia de su decisión (Castillo y Trinh, 2019; Lues, 2020; Mofuoa, 2016). Otro grupo analiza las habilidades de liderazgo a través de observaciones y encuestas, destacando las habilidades más críticas, como la agilidad de los líderes para motivar a su equipo aprovechando sus capacidades (Chatterjee y Mohanty, 2019; Edison y otros, 2019). El subgrupo generado por K-Means pudo identificar los trabajos que hacían suficiente hincapié en el liderazgo.

El tópico 8 hace hincapié en las palabras relacionadas con el aprendizaje, como “aprendizaje” y “estudiantes”, lo que induce un grupo principalmente de prácticas asociadas al aprendizaje para entornos VUCA. Alrededor del 57% de los trabajos estudian técnicas en el aprendizaje para reforzar la adaptación al cambio y la gestión emocional como habilidades esenciales en la incertidumbre (Qadir y Al-Fuqaha, 2020; Safina y otros, 2020; Seow y otros, 2019; Tsui y Dragicevic, 2018). Los demás trabajos consideran que el aprendizaje de los factores del entorno, como la relación de las partes interesadas internas y externas, es un factor determinante que puede mitigar los riesgos (Dolot, 2020; Selvaseelan, 2018; Villajos y otros, 2019). Un subgrupo predominante con K-Means comprendía el 42% de los trabajos, cuyo tema central era el aprendizaje de los alumnos.