En el método bibliométrico habitualmente son dos las fases a las que hay que enfrentarse: la preparación de los datos y la obtención de indicadores. Mostramos a continuación cómo afrontar estas dos fases utilizando un conjunto de funciones programadas en el entorno R. El lector podrá ejecutarlas simplemente y si lo desea revisarlas y adaptarlas a sus necesidades.
En esta primera fase, han de seguirse los pasos necesarios para la obtención y el posterior tratamiento de los datos bibliográficos susceptibles de uso bibliométrico. Una vez seleccionada la fuente de información y obtenidos los datos objeto del estudio es aconsejable la carga, tratamiento e integración de los datos en un sistema de gestión de bases de datos, preferentemente de carácter relacional. Nuestra elección en este trabajo es la
En el presente trabajo y para ilustrar la metodología propuesta se utilizarán los índices de citas de la
Para ilustrar las distintas fases metodológicas, y a modo de ejemplo, en este trabajo se ha trabajado con una sola descarga de 500 registros del
Una vez obtenido el o los archivos con el formato delimitado por tabuladores, iniciamos R y procedemos a cargar las funciones que hemos desarrollado, las cuales se encuentran disponibles en la siguiente dirección web:
Procedemos a cargar en el entorno de trabajo en R las funciones. A continuación mostramos la instrucción para cargar todas las funciones (no olvide la ruta de acceso al fichero ni las comillas)
> source(“../script/funciones.R”)
Comentaremos, brevemente, las funciones que han sido cargadas en esta primera versión y los parámetros de cómo han de ser usadas en todo momento.
Todas las funciones tienen el prefijo isi, seguido de guión bajo y el objetivo por la que fue creada. La primera función es isi_cargar, como su nombre indica será la encargada de leer el o los archivos de texto y añadirlos a un
WoS <- isi_cargar(“../txt/”)
Lo que le estamos diciendo a la función es que nos cargue en un
El proceso de carga suele ser un proceso que consume muchos recursos de nuestro ordenador y por tanto dependiendo del volumen de datos se puede volver muy lento.
Una vez que la función termina el proceso, tendremos en nuestro espacio de trabajo el
Para exportar los datos a un sistema de bases de datos relacionales emplearemos la función ‘isi_exportar_sqlite’. Como su nombre indica, exporta el
Para exportar el
isi_exportar_sqlite(WoS,”WoS”)
Si el usuario opta por continuar sin guardar el
> q=as.data.frame(table(WoS$PY))
> q=cbind(q,F.Acum=cumsum(q$Freq))
Cuyo resultado se presenta de la siguiente forma:
La instrucción table genera una tabla de frecuencias (PY, Freq) de la variable elegida que se almacena en el
Crearemos subconjuntos de datos referentes a los autores, las direcciones, las categorías y las referencias bibliográficas (si éstas se han incluido en las descargas de datos originales). Para ello, es necesario emplear la función que hemos denominado ‘isi_separar’, que admite como argumento alguno de los siguientes: ‘C1’ para crear el
A continuación crearemos cada uno de los
direcciones <- isi_separar(WoS,”C1”)
temas <- isi_separar(WoS,”WC”)
categorias <- isi_separar(WoS,”SC”)
referencias <- isi_separar(WoS,”CR”)
isi_exportar_sqlite(direcciones,”C1”)
isi_exportar_sqlite(temas,”WC”)
isi_exportar_sqlite(categorias,”SC”)
isi_exportar_sqlite(referencias,”CR”)
Para dar por concluida esta primera parte, se explica brevemente cómo almacenar los datos en otra fuente externa, para su posterior tratamiento, como puede ser una hoja de cálculo.
write.table(WoS, “wos.txt”, sep=”\t”)
La instrucción anterior salva los datos en un archivo ‘.txt’ separado por tabulaciones. Aunque también podemos usar:
write.csv(WoS, file = “wos.csv”)
Si queremos salvar los datos en una hoja de Excel es necesario instalar y cargar la librería “xlsx”
library(xlsx)write.xlsx(WoS, “wos.xlsx”)
Adicionalmente podemos instalar y usar la librería “foreign” que permite importar y exportar datos a SPSS, SAS o Stata.
library(foreign)write.foreign(WoS, “wos.txt”, “wos.sps”, package=”SPSS”)
En este apartado mostramos algunas de las posibilidades de la metodología que aquí proponemos. Se ha programado, a modo de ejemplo, una función, ‘isi_unimetrics_wos’, que emplea la potente librería gráfica ‘ggplot2’ para obtener directamente algunos indicadores unidimensionales gráficos desde el
La función “isi_unimetrics_wos” acepta dos parámetros para su funcionamiento, el primer parámetro es el nombre del
Para mostrar la flexibilidad de nuestra propuesta, se ha programado una función más, denominada ‘h_index’ que calcula el
h_index(WoS,”PY”,”2010”)
## =======================
## El índice h para el 2010 es: 7
## =======================
La función admite un intervalo de fechas (i), para lo cual hay que ejecutarla con la siguiente sintaxis:
for(i in 2010:2014){h_index(WoS,”PY”, i)}
Si se quiere calcular el
sub_WoS=subset(WoS, grepl(“Physics*”,WoS$WC))
el nuevo