Tesis_doctoral_Jose_Pino_Diaz.

“Análisis estratégico de la
investigación sobre áreas
protegidas en España:
ingeniería y cartografía del
conocimiento”

Tesis Doctoral
Autor: José Pino Díaz
Directores de Tesis: Dr. Evaristo Jiménez Contreras, Dra. Rosario Ruíz
Baños, Dr. Rafael Bailón Moreno.
Programa de Doctorado: Información Científica: Tratamiento, Acceso y
Evaluación (910 99 3). Universidad de Granada.

Objetivo de la Investigación

La finalidad de esta Tesis Doctoral es analizar
estratégicamente, describir y cartografiar la
Investigación sobre Áreas Naturales Protegidas
realizada durante un cuarto de siglo (1981/2005) en
nuestro país, empleando técnicas propias de Gestión,
Ingeniería y Cartografía del Conocimiento, de
Inteligencia Competitiva y, especialmente, de
Vigilancia Estratégica, Científica y Tecnológica.

Se quiere conocer (1)
• ¿Cuales son las redes, nacional e internacional, de la
“Investigación sobre Áreas Protegidas en España”,
(IAPE)?
• ¿Cuales son las subredes estratégicas de la IAPE?
• ¿Cual es la importancia estratégica de cada una de las
subredes de la IAPE?
• ¿Cómo son los diagrama estratégicos de las redes de
la IAPE.
• ¿Cuales han sido sus dinámicas a lo largo del periodo
estudiado?
• ¿Como son los grafos y mapas de las redes y las
subredes de la IADE?

Se quiere conocer (2)
• ¿Cual es la cartografía espacial de este nuevo
conocimiento estratégico?
• ¿Qué posición estratégica ocupan los nodos (palabras
clave, investigadores y revistas) en un ranking único y
conjunto del dominio documental estudiado?
• ¿Es posible trasladar el análisis estratégico del
dominio documental a un mapa “estratégico”
fácilmente comprensible por el profano?

Introducción
Fuentes conceptuales

Conocimiento Científico y Tecnológico
Teoría Actor-Red

• Filosofía de las Ciencias (Michel Serres)
• Sociología del Conocimiento (David Bloor)

• Sociología de la Ciencia y de la Técnica (Michel Callon,
Bruno Latour)
• Sociología de la Traducción
• Sociología de las Asociaciones

• Teoría Actor-Red (M. Callon, J.P. Courtial, B. Latour, etc.)

“ en la construcción social de un hecho científico intervienen entidades humanas y no
humanas y el proceso continuo de transformación o traducción de las relaciones
establecidas entre tales entidades da como resultado una red en continuo cambio ”

Teoría Actor-Red
El desarrollo en los años ochenta de la
Sociología de las Ciencias y Técnicas,
Sociología de la Traducción o Sociología
de las Asociaciones por Michel Callon y
Bruno Latour (Centre de Sociologie de
l’Innovation, Paris) a partir de recursos
conceptuales, entre otros, de Michel Serres
(Filosofía de las Ciencias) y de David Bloor
(Sociología del Conocimiento), tiene su
exponente en la Teoría Actor-Red (ANT en
inglés), según la cual en la construcción
social de un hecho científico intervienen
entidades humanas y no humanas y el
proceso continuo de transformación o
traducción de las relaciones establecidas
entre tales entidades da como resultado
una red en continuo cambio; entendida ésta
como una malla formada por nudos
(actores) enlazados entre sí (relaciones que
establecen entre ellos).

Redes Tecnocientíficas
Se emplea el concepto de “red tecnocientífica” tal como fue planteado
por Latour en 1983, es decir como la forma abreviada de “red de ciencia
y tecnología”

La Teoría Actor-Red es útil para describir las complejas relaciones que se
establecen en las redes de la Ciencia y Tecnología, así como las de la
Tecnociencia (Echevarría y González, 2009), entendida ésta como una
modalidad de la actividad científica y tecnológica fruto de la hibridación
entre Ciencia y Tecnología.

Así cualquier red de la Tecnociencia (Latour, 1983) está formada por un
conjunto de actores y un conjunto de relaciones establecidas entre ellos
en un periodo temporal concreto. Con el tiempo los actores y las
relaciones cambian y dan lugar a nuevas redes y así se suceden unos a
otros a lo largo del periodo de análisis. Esta teoría también llamada
Sociología de la Traducción (entendida traducción como conversión,
transformación, variación o cambio), estudia los cambios que se producen
en las redes de conocimiento tecnocientífico.

Análisis Estratégico

El Análisis Estratégico consiste en esencia en la identificación y
tipificación de los actores y las relaciones fuertes; se trata de una
“reducción de la complejidad conservando lo fundamental”.

La Vigilancia Estratégica Científica y Tecnológica es el conjunto de
tareas que buscan “proporcionar buena información a la persona idónea
en el momento adecuado” y en el lugar adecuado; buena información
sobre el entorno científico y tecnológico de la organización.

La Planificación Estratégica es el “principal instrumento para la gestión
de una organización a corto plazo, 2 ó 3 años”; es una herramienta para la
mejora continua y la innovación en la organización.

Análisis Estratégico de Redes Tecnocientíficas
Evaluación de Redes Tecnocientíficas

Ingeniería y Cartografía del Conocimiento
y Toma de Decisiones

Toma de Decisiones

Cartografía del Conocimiento
(Visualización del nuevo conocimiento)

Ingeniería del Conocimiento
(Creación de nuevo conocimiento, KDD)

Informetría, Cienciometría
(Estudios cuantitativos)

Bases Bibliográficas

Fuentes de datos

Ingeniería y Cartografía del Conocimiento

INGENIERÍA Y
CARTOGRAFÍA DEL
CONOCIMIENTO

VISUALIZACIÓN DE LA
INFORMACIÓN

Ingeniería del conocimiento (Knowledgwe engineering): “Ingeniería que tiene
por objetivo la creación de indicadores, métodos e instrumentos - (sistemas de
conocimiento) - de naturaleza matemática, informática y lingüística, para el
análisis y la representación cartográfica de la información científica y técnica -
(cartografía del conocimiento)”. (POLANCO, 1996).

Sistemas de Conocimiento

Bases de datos Recursos terminológicos

1 2 3 4
CORPUS BIBLIOMETRIA INDIZACION INFOMETRIA
Interrogación Estadísticas Manual o Clasificación y
y Datos descriptivas Automática Cartografía

Proyecto

Acceso e identificación

Navigador – Interface usuario

Esquema del Sistema de Conocimiento Stanalist (Polanco, 2006). El módulo
“Infometría” de Stanalist es un sistema de clasificación automática basado
en dos programas alternativos, Neurodoc y Sdoc. Tomado de:
http://www.cincel.cl/documentos/Recursos/STANALYST2006.ppt

Creación de nuevo conocimiento a partir de
bases de datos bibliográficas (Knowledge
Discovery in Databases, KDD)

Minería de datos (Data mining, DM)
La Minería de Datos es la extracción dirigida de la información existente en las
bases de datos con el fin de descubrir patrones, relaciones o asociaciones para
generar nuevo conocimiento.
Algunos tipos de DM:
- Web mining
- Web content mining (minería de contenido web)
- Web structure mining (minería de estructura web)
- Web usage mining (minería de uso web)
- Text mining (minería de datos textuales)
- Spatial data mining (minería de datos espaciales)

Análisis de Palabras Asociadas
Co-Word Analysis (1)
• El investigador transmite conocimiento tácito en los textos; éstos
se constituyen en conocimiento explícito. Este nuevo
conocimiento se analiza mediante métodos matemáticos,
informáticos y lingüísticos, entre ellos el método del análisis de
palabras asociadas o co-word analysis.
• Se utiliza para estudiar la estructura y la dinámica del
conocimiento en un dominio documental concreto.
• Puede ser empleado a modo retrospectivo, “a tiempo real” o de
forma prospectiva.
• Se basa en dos teorías sociológicas: la Teoría Actor-Red y la
Teoría de la Traducción.
• Es un Índice Relacional de 2ª generación en Evaluación de la
Ciencia
• Método de Knowledge Discovery in Databases (KDD)
• Se utiliza para estudiar las Redes Tecnocientíficas.

Análisis de Palabras Asociadas (2)
Creación de nuevo conocimiento a partir de
bases de datos bibliográficas.
El Análisis de Palabras Asociadas es una técnica KDD por la cual se
crea nuevo conocimiento a partir de bases de datos bibliográficas.

En esta técnica la fase de Data Mining (DM) se denomina Text Mining
(TM).

• Matriz de coocurrencias o matriz de adyacencia. Matriz simétrica
que muestra en los puntos de corte entre filas y columnas, cij, las
coocurrencias de los valores que encabezan cada fila i y cada
columna j.
• Índice de equivalencia o de asociación entre las palabras i y j.

donde: eij.- Indice de equivalencia o de asociación entre las palabras i y j
Cij.- Co-ocurrencia de las palabras i y j
Ci.- Ocurrencia de la palabra i
Cj.- Ocurrencia de la palabra j.

Los valores de eij oscilan entre 0 y 1. Cuando dos palabras no
aparecen nunca juntas, su coocurrencia es nula, el índice de
equivalencia vale cero. Este índice es independiente del tamaño de
la muestra.

• Matriz de enlaces o matriz normalizada. Matriz que se obtiene de
normalizar la matriz de adyacencia mediante el índice de
equivalencia

Al normalizar la matriz de adyacencia se consigue visualizar mejor
los enlaces entre las palabras clave, los investigadores y/o las
revistas, ya que éstos no quedan enmascarados por los diferentes
valores de ocurrencia de cada uno de ellos; así los enlaces fuertes,
de valores igual a 1 o próximos a la unidad, son el exponente de
uniones estrechas (pares de palabras clave que aparecen juntas en
los artículos científicos, pares de investigadores que colaboran muy
estrechamente, palabra clave e investigador que se repiten en los
artículos científicos, palabra clave, revista e investigador que
coinciden a menudo, etc.)

Campos del Análisis de Palabras
Asociadas; registro WoS
"<Default>","1060","Robbins, M. M.//Bermejo, M.//Cipolletta, C.//Magliocca, F.//Parnell, R. J.//Stokes,
E.","","","Social Structure and Life-History Patterns in Western Gorillas (Gorilla Gorilla Gorilla)","","","","","","American
Journal of Primatology","","","","","","","","","","Oct 2004","","64","","2","145-
159","","","","","","","","","","English","","Robbins, Mm, Max Planck Inst Evolut Anthropol, Deutsch Pl 6, D-04103 Leipzig,
Germany.robbins@eva.mpg.de","ISI:000225075500002","","0275-2565","","Document Type: ArticleResearch Address:
Max Planck Inst Evolut Anthropol, D-04103 Leipzig, Germany. Univ Barcelona, Fac Biol, Dept Zool, E-08007 Barcelona,
Spain. World Wide Fund Nat Int, Bangui, Cent Afr Republ. UMR 6552, Paimpont, France. Wildlife Conservat Soc, Bronx,
NY USA. Univ Stirling, Dept Psychol, Stirling FK9 4LA, Scotland.
Cited Reference Count: 81Times Cited: 14Publisher: Wiley-LissPublisher City: HobokenPublisher Address: Div John
Wiley & Sons Inc, 111 River St, Hoboken, Nj 07030 Usa29-Character Source Title Abbreviation: Amer J PrimatolISO
Source Title Abbreviation: Am. J. Primatol.
Discipline Data: ZoologyISI Document Solutions: 870RL","Life-history traits and ecological conditions have an important
influence on primate social systems. Most of what we know about the life-history patterns and social structure of gorillas
comes from studies of eastern gorillas (Gorilla beringei sp.), which live under dramatically different ecological conditions
compared to western gorillas (Gorilla gorilla sp.). In this paper we present new data on western gorilla social structure
and life histories from four study sites, and make comparisons with eastern gorilla populations. Data were obtained from
two study sites with gorilla groups undergoing the habituation process (Lossi, Democratic Republic of Congo; and Bai
Hokou, Central African Republic) and two 'bai' studies (Maya Nord and Mbeli Bai, Republic of Congo). The size and
structure of these groups were similar to those seen in eastern gorillas. However, differences in the occurrence of
various group transitions (group formations, changes between one-male and multimale composition, and group
dISIntegrations) exist, and western gorillas notably exhibit much higher rates of male emigration and correspondingly
fewer multimale groups compared to mountain gorillas. Certain phenomena have been observed only rarely, including
predation by leopards. The preliminary data show no significant differences in birth rates between western gorillas and
mountain gorillas. The ecological variability across gorilla habitats likely explains the flexibility in the social system of
gorillas, but we need more information on the social relationships and ecology of western gorillas to elucidate the causes
for the similarities and differences between western and eastern gorillas on the levels of individuals, social groups, and
population dynamics. (C) 2004 Wiley-Liss, Inc.","","Gorilla/ Western Gorilla/ Social Structure/ Life-History Patterns/
Impenetrable National-Park/ Virunga Mountain Gorillas/ Lowland Gorillas/ Reproductive Success/ Population-
Structure/ Female Transfer/ Ecology/ Chimpanzees/ Evolution/ Primates"

Campos del Análisis de Palabras
Asociadas; registro IEDCYT
"<Default>","5300","Jimqnez-Valverde, A.//MartÆn Cano, J.//Munguira, M.L.","","","Patrones de diversidad de la
fauna de mariposas del Parque Nacional de Caba±eros y su entorno (Ciudad Real, Espa±a central) (Lepidoptera,
Papilionoidea; Hesperioidea)","","","","","","Animal biodiversity and
conservation","","","","","","","","","","2004","","27","","2","15-24","","","","","","","","","","","","Univ. Auton. Madrid Dep.
Biol., Madrid, Espa±a; Mus. Nac. Cienc. Nat. [CSIC] Dep. Biodiv. Biol. Evol., Madrid,
Espa±a","http://www.bcn.es/museuciencies_fitxers/imatges/FitxerContingut2069.pdf","","","1578-665X","","Se estudia la
riqueza en especies de mariposas y la composici£n faunÆstica en seis parcelas representativas de distintos usos del
monte mediterrbneo y con distinto valor de diversidad ambiental, en el Parque Nacional de Caba±eros y su entorno
(Ciudad Real, Espa±a central). La parcela representativa del bosque mediterrbneo resulta ser la mbs rica en
mariposas y presenta una composici£n faunÆstica que la diferencia claramente del resto de parcelas con mayor grado
de antropizaci£n. La parcela representativa de la plantaci£n de conÆferas es la mbs pobre en cuanto a n—mero de
especies e individuos, y su composici£n faunÆstica la asemejan a las parcelas mbs hostiles para las mariposas, como
son las parcelas con dominancia de zonas para pastos y agrÆcolas. Por ello, se recalca la necesidad de crear
espacios aclarados para mejorar estas masas arb£reas y hacerlas mbs atractivas para la fauna lepidopterol£gica. Se
pone en relevancia la importancia de la diversidad ambiental en los hbbitats antropizados y la necesidad de una
gesti£n y conservaci£n adecuadas de zonas boscosas de cara a mantener la biodiversidad
lepidopterol£gica.","","Insecta/ Lepidoptera/ Papilionoidea/ Hesperioidea/ FaunÆstica/ Riqueza biol£gica/ Factor
antr£pico/ Aclareo/ Conservaci£n de especies"

Geometría Euclídea. Coordenadas cartesianas
Sistema de coordenadas cartesianas

Las coordenadas de un punto cualquiera vienen dadas por las
proyecciones sobre cada uno de los ejes del segmento entre el origen y el
punto.

Espacio Euclídeo. Distancia euclídea

La distancia entre dos puntos cualesquiera de un espacio euclídeo
viene dada por la expresión:

dAB = distancia euclídea
(xa, ya) = coordenadas del punto A
(xb, yb) = coordenadas del punto B

Baricentro e isobaricentro

Sean A1,... An n puntos, y m1,... mn n masas de dichos puntos.
Entonces el baricentro de los ( Ai, mi ) es el punto G definido como
sigue:

Esta definición depende del punto O, que puede ser cualquiera. Si se
toma el origen del plano o del espacio, se obtiene las coordenadas
del baricentro, como promedio ponderado por los mi, de las
coordenadas de los puntos Ai:

Un isobaricentro (iso: mismo) es un baricentro con todas las
masas iguales entre sí; es usual en tal caso tomarlas iguales a 1. Si
no se precisan las masas, el baricentro es por defecto el isobaricentro.

Propiedades del Isobaricentro

El isobaricentro es el baricentro cuando mi = 0.
El baricentro, G, respecto al origen del plano, O:

Si se hace coincidir el origen del plano con el isobaricentro,
resulta que:

1. “La suma de todos los vectores, GAi, con origen en el
isobaricentro es nula”.

2. “La distancia media D = ∑DGAi N

Teoría de Grafos (1)
Grafos

Un grafo es un conjunto, no vacío, de objetos llamados vértices (o
nodos) y una selección de pares de vértices, llamados aristas (edges
en inglés) que pueden ser orientados o no. Típicamente, un grafo se
representa mediante una serie de puntos (los vértices) conectados por
líneas (las aristas).

Grafos conexos y no conexos

Un grafo es conexo si cada par de vértices está conectado por un
camino; es decir, si para cualquier par de vértices (a, b), existe al menos
un camino posible desde a hacia b.


Distancia geodésica

La distancia geodésica es el número de relaciones (aristas) en el
camino más corto de un actor (vértice) a otro.

Trazado de grafos. Algoritmos dirigidos por fuerzas.

Dentro de las familias de algoritmos desarrollados para trazar los grafos existe el grupo
de los algoritmos dirigidos por fuerzas.
Los algoritmos dirigidos por fuerzas modelizan el grafo como un sistema físico y buscan el
equilibrio de ese sistema. Los algorimos más importantes de este grupo son (Aiello &
Silveira, 2004):
• SE, Spring Embedder, (Eades,1984).
• FR, (Fruchterman y Reingold, 1991).
• GEM, (Frick et al., 1995).
• SM, (Sugiyama y Misue, 1995).
• KK, (Kamada y Kawai, 1989).
• DH, (Davidson y Harel, 1996).

Ejemplo de funcionamiento de los algoritmos de los modelos dirigidos por fuerzas. Tomada de
http://www-ma2.upc.edu/rsilveira/pubs/MScThesis.pdf

El algoritmo de Trazado de Grafos de Kamada y Kawai (KK) (1)
Este algoritmo fue desarrollado por Kamada y Kawai (en adelante algoritmo KK). Kamada y Kawai proponen un modelo
en el que hay un único tipo de fuerzas, que pueden ser vistas como resortes que conectan entre sí a todos los vértices.
Los resortes obedecen a la ley de Hooke (fuerzas lineales) y cada resorte tiene una longitud ideal y una rigidez distinta.
Uno de los aportes más importantes y originales de KK es que la distancia ideal de cada resorte es proporcional a la
distancia geodésica entre los correspondientes vértices en la red. La distancia geodésica se refiere al número mínimo de
enlaces entre dos vértices. Por lo tanto, el algoritmo KK es esencialmente un escalamiento multidimensional asociado a
la matriz de distancias geodésicas. KK trabaja directamente con la energía del sistema, y busca un estado de
energía mínima es decir, una posición para los vértices del grafo en la cual la energía sea localmente mínima.
Hay un único tipo de fuerzas definido, que son resortes entre todo par de vértices u y v . Los mismos tienen una rigidez y
longitud ideal determinada y producen el efecto de atraer a los vértices cuando el resorte está estirado, y repelerlos
cuando está comprimido. La fuerza que se usa para modelar el resorte entre u y es la siguiente:

es la distancia euclídea entre u y v

es la distancia geodésica entre u y v

es un parámetro de rigidez del resorte, que es más fuerte para vértices cuya
distancia geodésica es menor y decrece a medida que su distancia geodésica aumenta

constante S

El algoritmo de Trazado de Grafos de Kamada y Kawai (KK) (2)
El algoritmo no trabaja con las fuerzas directamente, sino con la energía potencial del sistema (que es la integral de
estas fuerzas), cuya expresión es:

Así, la energía total del sistema es:

De esta manera, el algoritmo busca la minimización de esa energía, a partir de las posiciones iniciales
de los vértices:

Además, la manera de llegar a este mínimo local de la energía es mucho más intensiva en cómputo que en los
algoritmos anteriores, ya que se busca un trazado mediante una técnica numérica donde las derivadas parciales de
los argumentos de la función de energía que se minimiza se anulen.

Aplicación del algoritmo de Trazado de Grafos de Kamada y Kawai
(KK) (3)

El algoritmo KK tiende a igualar en el plano euclídeo (el plano de trazado de la red) las distancias entre los vértices
con sus distancias geodésicas; como resultado, “los vértices similares se acercan y los diferentes se alejan”.
Los vértices similares aparecen cercanos constituyendo agrupaciones y las agrupaciones también se posicionan en la red
según su mayor o menor similitud; “los grupos similares se acercan y los diferentes se alejan”.

Vídeo

(KK) (4)

El algoritmo KK tiende a igualar en el plano euclídeo (el plano de trazado de la red) las distancias entre los vértices
con sus distancias geodésicas; como resultado, “los vértices (conectados) similares se acercan y los diferentes se
alejan”. Además, si le damos a las aristas los valores de similitud de los vértices que conectan, observamos como los
vértices de mayor similitud aparecen próximos y unidos por líneas de mayor grosor.
Los vértices similares aparecen cercanos constituyendo agrupaciones y las agrupaciones también se posicionan en la red
según su mayor o menor similitud; “los grupos (conectados) similares se acercan y los diferentes se alejan”.

(KK) (5)

En Situación de dos grupos respecto al centroide KK atresmisma red se obrseva como “los
todas las diferentes interacciones en las que se aplique el algoritmo en una diferentes interacciones
vértices (conectados) similares se acercan y los diferentes se alejan” y “los grupos (conectados) similares se
acercan y los diferentes se alejan”.

Visualización de la Información

Visualización es la formación en la mente de una
imagen de un concepto. En este contexto, se entiende
visualización como la representación gráfica de
variables asociadas al concepto que se quiere
visualizar.

Visualización de la Información es el proceso de
interiorización del conocimiento mediante la percepción
de información.

La Visualización de la Información se beneficia
básicamente de que:

• los seres humanos reciben información de
forma eminentemente visual ya que es el
sentido con mayor ancho de banda, es decir,
Fuente: Utriusque cosmi maioris scilicet et que proporciona mayor cantidad de
minoris […] historia, tomus II (1619), información.
tractatus I, sectio I, liber X, De triplici
animae in corpore vISIone • La capacidad simbólica del cerebro humano.
Fecha: 1619 (1619)
Autor Robert Fludd http://www.infovis.net/
http://upload.wikimedia.org/wikipedia/de
/0/0c/RobertFuddBewusstsein17Jh.png

Metáforas para la visualización de la
información
Una metáfora visual es la representación de un sistema mediante atributos
visuales propios de un sistema diferente que ya es familiar a los usuarios y que se
comporta de una manera análoga.

Ejemplos:

- Metáfora del escritorio del S. O. Windows (archivadores y carpetas)
- Metáfora del árbol
- Metáfora de la red
- Metáfora del paisaje
- etc.

La metáfora del paisaje es muy útil para representar gran cantidad de datos
de forma muy intuitiva. Las nociones de distancia y altura son fácilmente
comprensibles para la mayoría de la gente.
Los mapas que utilizan esta metáfora, denominados mapas topográficos o
cartográficos codifican varias variables: similitud, densidad, centralidad, etc.

Metáfora del árbol
“El árbol de la Ciencia” / Dendrogramas
Tree Diagram for Variables
“El Árbol de la Complete Linkage
Ciencia” 1-Pearson r
R. Llull, 1296, nitrogen
recurre a una microbial-biomass
spain
analogía común en regeneration
él: la comparación forest
recruitment
orgánica, en la que vegetation
cada ciencia se stands
abundance
representa como un communities
árbol con raíces, conservation
plants
tronco, ramas, hojas deposition
y frutos. Las raíces zones
semliki-forest-virus
representan los growth
principios básicos de ecosystems
photosynthesis
cada ciencia; el history
tronco, la estructura; 0,2 0,4 0,6 0,8 1,0 1,2
las ramas, los Linkage Distance
géneros; las hojas,
las especies; y los Dendrograma
frutos, los individuos, Tipo de representación gráfica o diagrama de datos en forma de árbol
sus actos y sus (dendro=árbol) que organiza los datos en subcategorías que se van
finalidades. dividiendo en otros hasta llegar al nivel de detalle deseado (asemejándose
http://es.wikipedia.o a las ramas de un árbol que se van dividiendo en otras sucesivamente).
rg/wiki/Ramon_Llull http://es.wikipedia.org/wiki/Dendrograma

Agrupamiento de los temas de investigación según las revistas de
publicación (J. Pino, 2005).

los árboles lulianos expresan una clara sistematización del conocimiento que organiza y simplifica
el estudio de las diversas disciplinas tratadas.

Mapa del Conocimiento
http://www.filosofos.net/mapa/conocimiento.html

“Topic map" obtenido por medio de un programa denominado Star Tree Studio (basado en Java) en el que cada rama del conocimiento se
subdivide en sus respectivas categorías.
Proyecto Mapa del Conocimiento Humano, http://www.slideshare.net/AlphaCentauri77/mapa-del-conocimiento-humano

Mapas conceptuales

Los mapas conceptuales se estructuran en forma jerárquica en la que los conceptos más generales están en la raíz del árbol y a medida que
vamos descendiendo por el mismo nos vamos encontrando con conceptos más específicos.
http://www.infovis.net/printMag.php?num=141&lang=1

Metáfora de la red
Mapas mentales
“Ars Magna”, Mapa mental de
R. Llull, 1290- gestión de
95. proyectos, 2008.
http://es.wikipe http://www.wiki
dia.org/wiki/Ra mindmap.org/
mon_Llull

Un mapa mental es un diagrama usado para representar las palabras, ideas, tareas, u otros conceptos
ligados y dispuestos radialmente alrededor de una palabra clave o de una idea central. Se utiliza para la
generación, visualización, estructura y clasificación taxonómica de las ideas, y como ayuda interna para el
estudio, organización, solución de problemas, toma de decISIones y escritura.
http://es.wikipedia.org/wiki/Mapa_mental

Metáfora de la red.
Sociogramas

Metáfora de la red
Cienciogramas

Link: the line that connects each of the ISI Categories. The line represents the co-citation relationship between categories; the thicker the line, the
stronger the relationship. Superfluous links have been eliminated with pathfinder networks (PFNET).
Pathfinder Network Scaling: a network scaling algorithm which removes links that violate triangle inequality conditions in order to simplify a network by
retaining meaningful links and paths only.
Scientogram: a science map that is obtained as a result of plotting science by using graphs from bibliometric nformation.

Metáfora del paisaje
NewsMaps

NewsMaps es uno de los mejores ejemplos de cartogrfía de la información disponible en la Web hoy en día. Los mapas NewsMaps son
atractivos e interactivos, ofrecen un resumen del 'panorama' de grandes volúmenes de información textual, representado como colinas y
valles, similar a los mapas topográficos del mundo real. Ofrecen mapas diarios de noticias internacionales y de EE.UU.
NewsMaps ha sido desarrollado por Cartia, Inc. [2].

VxInsight

The mountain terrain of nuclear physics. Developed by Sandia National Laboratories.

Information Cartography

Old, L. John, (2002). Information
Cartography. PhD Qualifying
Exam. Defense Presentation
[PDF3.2MB].
Paper [MSWord with links to
graphics 278 KB]
L.John Old, Ph.D,
Napier University,
Edinburgh

MDS: “INDSCAL is a program designed for the analysis of individual
differences for two or more subjects”.

Metáforas de la red y del paisaje
Network Analysis for Science and Business

La red ilustra la interconexión de los países como resultado de la colaboración en los mismos proyectos IST y su nivel de actividad.
Cuanto más grande es el círculo, el más alto es el nivel de actividad de un determinado país en los proyectos de IST. La conexión de dos
líneas fuertes de los países señalan un enlace de investigación intensa. Código de color: los Estados miembros de la Unión Europea (rojo),
los nuevos Estados miembros (naranja), otros países europeos (amarillo), el resto del mundo (verde). La misma información se transmitió a
la ilustración en el lado derecho. Las montañas (rojo) representan un alto nivel de actividad en los proyectos IST. La relación de vecindad
Vecindad indica una intensa investigación. Se ha utilizado un Sistema de Información Geográfica (SIG) para obtener la impresión de paisaje.
Fuente de datos: La Unión Europea, 5 º Programa Marco de proyectos IST

Mapas de la Ciencia en Scimaps.org
Cartographic Map

Concept Map

Domain Map

Mapas de la Ciencia
Wheel of science de Scival Spotlight

Rueda de la Ciencia de Scival Spotlight

American science en the Spotlight. SciVal Spotlight map for the 5
years ending 2009, showing 1,707 distinctive competencies (DCs).
http://www.researchtrends.com/issue22-march-2011/an-update-on-
obama-and-american-science-uncovering-us-competencies/

Mapas Bibliométricos
Bibliometric mapping

Sistemas de Información Geográfica, SIG (1)
Un Sistema de Información
Geográfica (SIG o GIS, en su
acrónimo inglés) es una
integración organizada de
hardware, software, datos
geográficos y personal, diseñado
para capturar, almacenar,
manipular, analizar y desplegar en
todas sus formas la información
geográficamente referenciada con
el fin de resolver problemas
complejos de planificación y
gestión. También puede definirse
como un modelo de una parte de
la realidad referido a un sistema de
coordenadas terrestre y construido
para satisfacer unas necesidades
concretas de información.

Sistemas de Información Geográfica, SIG (2)

Áreas Naturales Protegidas (1)
Área protegida: "Un área protegida es una superficie de tierra y/o mar
especialmente consagrada a la protección y el mantenimiento de la diversidad
biológica, así como de recursos naturales y los recursos culturales asociados,
y manejada a través de medios jurídicos u otros medios eficaces“ (UICN,
1992).

Áreas Naturales Protegidas (2)
Categoría UICN Denominación Descripción

Categoría I Reserva natural Espacio protegido gestionado
integral principalmente con fines científicos o de
protección de la vida silvestre
Categoría II Parque Nacional Espacio protegido gestionado
principalmente para la protección de
ecosistemas y recreo.
Categoría III Monumento Natural Espacio protegido gestionado
principalmente para la conservación de
rasgos naturales específicos.
Categoría IV Área de gestión de Espacio protegido para la conservación
hábitats y especies mediante intervención gestora

Categoría V Paisaje protegido Espacio protegido gestionado
terrestre/marino principalmente para la protección del
paisaje terrestre/marino y el recreo
Categoría VI Área protegida de Espacio protegido gestionado
recursos gestionados principalmente para el aprovechamiento
sostenible de los recursos naturales

Fuente. Directrices para las Categorías de Manejo de Áreas Protegidas. ComISIón Mundial de
Áreas Protegidas con la colaboración del Centro Mundial de Monitoreo de la Conservación.
(http://www.unep-wcmc.org/protected_areas/categories/esp/ )

PrincipalesTécnicas empleadas (1)
• Gestión bibliográfica de los registros. Depuración de
duplicados y de no pertinentes. Control de Autoridades.
• Diseño de las bases de conocimiento (BC): BC de
palabras clave (PC), BC de autores (A), BC de revistas
(R). Determinación de la ocurrencia mínima y de la
coocurrencia mínima.
• Análisis de Palabras Asociadas (PC, PCA, PCR, AR y
PCAR) en gestión del conocimiento de la base
documental.

• Escalamiento Multidimensional (MDS) en el tratamiento
estadístico de las matrices normalizadas de similitud.
Obtención de los Diagramas Perceptuales de las redes.
• Diseño del tamaño de las subredes: nº mínimo y
máximo de descriptores.
• Análisis de las redes: visualización mediante la
aplicación del Algoritmo de Kamada-Kawai y asignación
de similitudes a los valores de las líneas.

• Formación de subredes mediante la aplicación del
algoritmo de agrupación sobre Centros Simples
(CoPalRed) o el nuevo método de eliminación en la red
de los enlaces de valor inferior a un valor determinado
(de resultado similar al obtenido con el algoritmo de
agrupación de Enlaces Simples).
• Cálculo del centroide de la red. Establecimiento de las
distancias euclídeas de los nodos al centroide como
medida de su centralidad.
• Construcción de los Diagramas Estratégicos de las
Redes.

• Cartografía GIS en la creación de mapas 2D y 3D.
• Visualización de mapas 3D en realidad virtual.

Software empleado
• Gestión Bibliográfica, Procite® .
• Ingeniería del Conocimiento, CoPalRed®.
• Cálculo y Análisis Estadístico, Microsoft Excel® y
SPSS®.
• Análisis y Visualización de Redes, Pajek®.
• Cartografía del Conocimiento, ArcView® GIS 3.2
• Realidad Virtual, 3D Scene (herramienta de 3D Analyst,
extensión de ArcView GIS 3.2)

Ámbitos de la Investigación
• Dominio Documental estudiado:
– Artículos científicos sobre Áreas Naturales Protegidas
(Parques Nacionales, Parques Naturales, Reservas
Naturales, Áreas Protegidas o Espacios Naturales
Protegidos) indexados en las BD del IEDCYT (ISOC,
ICYT e IME) y de ISI (Web of Science: SCI-
EXPANDED, SSCI e A&HCI)
• Ámbito temporal:
– Artículos publicados desde el 01/01/1981 al
31/12/2005. Un periodo de 25 años.
• Ámbito geográfico:
– España como origen de los artículos.

Dominio Documental “Investigación española sobre
Áreas protegidas en las BD del IEDCYT e ISI”

Nos encontramos con un dominio documental que presenta las
siguientes características:
– El dominio de análisis es horizontal, multidisciplinar,
representativo y diverso.
– El dominio es amplio, cubre el periodo de 25 años de la
literatura científica española de finales del siglo XX e inicio del
siglo XXI.
– El conjunto documental recoge artículos publicados en un
ámbito nacional e internacional, se ha extraído de bases de
datos bibliográficas nacionales e internacionales.
– Es un conjunto documental discreto, en cuanto al número total
de artículos.
– Es un dominio vivo y creciente aunque no expansivo.

Elección de las BD fuente
Las áreas protegidas son objeto de estudios encuadrables en una
amplia y diversa gama de materias científicas. Los requerimientos
exigidos a las Bases de Datos fuente son representatividad,
diversidad temática, ámbito temporal y territorial.
– Análisis de la investigación con visibilidad nacional:
Las bases del IEDCYT (ICYT, ISOC e IME), en su conjunto, cumplen los
requisitos exigidos.
– ISOC: BD de Ciencias Sociales y Humanidades.
– ICYT: BD de Ciencia y Tecnología.
– IME: BD de Ciencias Biomédicas
– Análisis de la investigación con visibilidad internacional:
Las Bases de Datos de la Web of Science adolecen de una incompleta
representatividad y diversidad temática, en cambio, los ámbitos temporal y
territorial están bien cubiertos.
– SCI-EXPANDED: BD de Ciencias.
– SSCI: BD de Ciencias Sociales.
– A&HCI: BD de Artes y Humanidades.

Estrategias de búsquedas en las BD
• Estrategia de búsqueda en las BD del IEDCYT:
Artículos (td) publicados entre 1981 y 2005 con origen (og) en
España en cuyos campos de título (ti), descriptores (df) o
resumen (rse) aparecen los términos: «parque nacional o
parques nacionales o parque natural o parques naturales o
reserva natural o reservas naturales o área protegida o áreas
protegidas o espacio natural protegido o espacios naturales
protegidos »
• Estrategia de búsqueda en las BD de la Web of Science:
Artículos (Document Type) publicados entre 1981 y 2005 con
origen (CU) en España en cuyos campos de títle, abstract,
author-keyword y keyword Plus (TS) aparecen los términos:
«natural reserve o natural reserves o natural preserve o natural
preserves o national park o national parks o natural park o
natural parks o protected area o protected areas o protected
natural area o protected natural areas »

Base Documental Inicial

• Documentos en las BD del IEDCYT:
– ISOC, 405 documentos
– ICYT, 604 documentos
– IME, 0 documentos

• Documentos en las BD de la Web of Science:
– SCI-EXPANDED, SSCI and A&HCI, 724 documentos

Base Documental Depurada*

• BD del IEDCYT, 902 documentos
• BD de la Web of Science, 560 documentos

[Una vez eliminados los registros duplicados (indexados en ISOC e
ICYT) y los no pertinentes de las Bases Documentales Iniciales].

Periodo de estudio (1)
El presente estudio tiene como antecedente el trabajo de
investigación tutelada "Integración de sistemas de
información textuales y espaciales. Análisis
estratégico de la investigación sobre áreas protegidas
en España“ (Pino, 2006), realizado para la obtención del
Diploma de Estudios Avanzados.

En el trabajo anterior se realiza el análisis estratégico de
la investigación sobre áreas protegidas objeto de tesis
doctorales leídas en España en el periodo 1979-2004.


Tras la obtención del DEA (otoño de 2006) se presenta el
plan de trabajo de tesis, que fue aprobado por la
Autoridad Académica a comienzos del 2007.
Se determina entonces realizar el análisis de la
investigación española en áreas protegidas durante un
periodo suficientemente representativo, en este caso de
25 años. Las fechas se eligieron a contar desde el 31 de
diciembre de 2005 hacia atrás, asumiendo que los
artículos fechados en ese año se encontraban en su
totalidad indexados en las bases de datos fuente del
estudio.


Se ha considerado un periodo de estudio de 25 años,
desde el 1 de enero de 1981 hasta el 31 de diciembre
de 2005.
Se han considerado cinco subperiodos de 5 años
cada uno:
1º) Del 01/01/1981 al 31/12/1985
2º) Del 01/01/1986 al 31/12/1990
3º) Del 01/01/1991 al 31/12/1995
4º) Del 01/01/1996 al 31/12/2000
5º) Del 01/01/2001 al 31/12/2005

Situación del periodo de estudio en la línea del
tiempo de “Eventos históricos en las ANP”

Situación del periodo de estudio respecto a eventos importantes en la creación
de Áreas Naturales Protegidas.

Vigilancia Estratégica
Científica y Tecnológica
(VECT)
Ingeniería y Cartografía
del Conocimiento

Sistema de Conocimiento “CoPalRed”

CoPalRed, Sistema de Conocimiento.
Con el software CoPalRed se ha tratado la información contenida en las bases
de datos para transformarla en nuevo conocimiento, que no estaba explícito en
la información contenida en las bases de datos, sino que se ha generado a partir
de la información contenida en ellas.

CoPalRed emplea el método de Análisis de Palabras Asociadas.

CoPalRed es capaz de realizar una depuración previa de la información y lleva
de forma totalmente automatizada tres tipos de análisis:

1. Análisis estructural. Pone de manifiesto la estructura en forma de
red del campo científico en estudio, definiendo los actores y sus
relaciones.
2. Análisis estratégico. Sitúa a cada actor en una posición relativa
dentro de la red, definiéndolo según la intensidad de sus relaciones
externas (centralidad) y según su cohesión interna (densidad)
3. Análisis dinámico. CoPalRed analiza las transformaciones
(traducciones-translaciones) de los actores con el tiempo. Identifica
acercamientos, bifurcaciones, apariciones y desapariciones de los
actores.

Análisis PCAR
Copalred permite la creación de un nuevo campo de registro, el campo
PCAR.
La asociación en un solo campo de estudio de las palabras clave (PC), de los
autores (A) y de la revista de publicación (R), permite analizar las
coocurrencias de descriptores de campos diferentes de los registros de las
bases de datos; se logra así evidenciar las relaciones palabras clave-
autores, palabras clave-revista y autores-revista.
El establecimiento del nuevo campo PCAR crea un mayor número de
relaciones de coocurrencia entre los descriptores (PC, A y R) y esto hace que
la red sea más tupida, lo cual mejora el análisis de la misma.

"GORILLA-GORILLA/SOCIAL-STRUCTURE/LIFE-HISTORY-PATTERNS/IMPENETRABLE-NATIONAL-
PARK/REPRODUCTIVE-SUCCESS/POPULATION-STRUCTURE/FEMALE-
TRANSFER/ECOLOGY/PAN/EVOLUTION/PRIMATES/ROBBINS, M. M./BERMEJO, M./CIPOLLETTA,
C./MAGLIOCCA, F./PARNELL, R. J./STOKES, E./AMERICAN-JOURNAL-OF-PRIMATOLOGY”

"INSECTA/LEPIDOPTERA/PAPILIONOIDEA/HESPERIOIDEA/FAUNA/RIQUEZA-BIOLÓGICA/FACTOR-
ANTRÓPICO/ACLAREO/CONSERVACIÓN-DE-ESPECIES/JIMÉNEZ-VALVERDE, A./MARTÍN CANO,
J./MUNGUIRA, M.L./ANIMAL-BIODIVERSITY-AND-CONSERVATION"

Parámetros de las Redes

Elección de la ocurrencia y de la
coocurrencia mínima

Elección de la ocurrencia y de la
coocurrencia mínima

Teniendo en consideración el “bajo” nº de registros obtenido de las
BD fuente (902 docs. de IEDCYT y 560 docs. de la Web of
Science), se ha optado por asumir un criterio de amplitud en lugar
de un criterio de exhaustividad al fijar el umbral mínimo de
ocurrencia. Igualmente, para el caso de las coocurrencias entre
pares de descriptores.

a) Nº mínimo de ocurrencias, ci = 5

b) Nº mínimo de coocurrencias, cij = 3

Parámetros de las Redes

Elección del tamaño mínimo y máximo
de las subredes

Elección del tamaño de subred (1)

Nº de palabras clave por registro.
Diagrama de frecuencias.

22 20
21
20
19
18 16
17
16
15
14 12
13
Nº docs.

12 11
11
10
9 7
8 6
7
6 4
5 3 3
4 2
3 1 1 1 1 1
2 0 0 0 0 0 0
1
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Nº palabras clave

Diagrama de frecuencias. Nº de palabras clave por registro en la Base Documental
IEDCYT. (Los datos pertenecen al periodo 1981-1989).


Nº de palabras clave por registro.
Diagrama de frecuencias acumuladas.

100
90
80
70
Nº de docs.

60
50
40
30
20
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Nº de palabras clave

Diagrama de frecuencias acumuladas. Nº de palabras clave por registro
en la Base Documental objeto de estudio del IEDCYT
.


Fuente: GIL LEIVA, I., RODRIGUEZ MIÑOZ, J.V. (1997) Análisis de los descriptores de diferentes áreas de conocimiento
indizadas en bases de datos de CSIC. Aplicación a la indización automática.


ISOC ICYT
120
120

100
100

80 80

Nº Artículos
Nº Artículos

60 60

40 40

20 20

0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Nº Palabras Clave Nº Palabras Clave

Fuente: Elaboración propia. Datos de GIL LEIVA, I., ALONSO-ARROYO, A. (2005) La relación entre la palabras clave
aportadas por autores de artículos de revista y su indización en las bases de datos ISOC, IME e ICYT.


Tomando como referencia los datos mostrados en las diapositivas
anteriores se ha optado por fijar:

a) Tamaño mínimo de subred, 2 nodos

b) Tamaño máximo de subred, 10 nodos

Visualización de las Redes de
Investigación con software de
análisis de redes

Procedimiento de Visualización de las Redes de
investigación con Pajek
1) Se obtiene con CoPalRed el listado de descriptores (palabras
clave, investigadores y/o revistas) con sus ocurrencias, ci
2) Se obtiene con CoPalRed el listado de pares de descriptores, sus
coocurrencias, cij, y sus índices de equivalencia, eij.
3) Se realiza el listado de descriptores que superan el nº mínimo de
ocurrencias fijado, cmin = 5.
4) Se realiza el listado de pares de descriptores y sus valores eij de
índice de equivalencia; los pares del listado deben superar el nº
mínimo de coocurrencias fijado, cminij = 3.
5) Se prepara el archivo de la Red (.txt) de entrada a Pajek.
6) Se dibuja la Red (se toman las opciones: “los valores de las
líneas son similitudes”, “líneas de diferente ancho”):
- Empleamos el algoritmo de Kamada-Kawai (KK)
• Se separan componentes
• Se estudia cada componente de la red por separado
– Para cada componente se realizan sucesivas eliminaciones de
enlaces por debajo de un valor determinado hasta obtener los grupos
con un nº de nodos igual o inferior al máximo de nodos fijado (10
nodos).

Grafo de la Red Tecnocientífica
Vértices y aristas

Archivo de entrada, WoS_PCAR_53210.txt y grafo de la Red.

*Vertices 236
1 DOÑANA-NATIONAL-PARK
2 SPAIN
3 POPULATIONS
4 BIOLOGICAL-CONSERVATION(R)
5 CONSERVATION
6 HEAVY-METALS
7 SW-SPAIN
8 DELIBES,M.

*Edges
1 2 1337
1 3 418
1 4 280
1 5 253
1 6 825
1 7 2015

Coordenadas de los vértices
PCAR X-coord Y-coord
DOÑANA-NATIONAL-PARK 0,4859 0,4893
SPAIN 0,4822 0,4517
POPULATIONS 0,4101 0,399
BIOLOGICAL-CONSERVATION(R) 0,556 0,3561
CONSERVATION 0,614 0,4934
HEAVY-METALS 0,4333 0,5206
SW-SPAIN 0,4691 0,4755
DELIBES,M. 0,4874 0,3839

Vértices y aristas MANAGEMENT 0,6231 0,488
DYNAMICS 0,8026 0,6851
PATTERNS 0,7495 0,6293
COMMUNITIES 0,6573 0,7676
ECOLOGY 0,5881 0,7431
NATIONAL-PARKS 0,587 0,3123
SOILS 0,4113 0,5717
DIVERSITY 0,8023 0,6398
VEGETATION 0,6929 0,4955
SEDIMENTS 0,4449 0,5911
LYNX-PARDINUS 0,5006 0,4005
Solo los vértices

Centroide (1)
Definiremos el Centroide de la Red Pajek-KK como el vértice
imaginario que se corresponde con el isobaricentro de la Red-
KK estable de mínima energía.

Las coordenadas del Centroide de la Red-KK se obtienen
aplicando la fórmula del isobaricentro, siendo las masas de
cada nodo de igual valor e igual a 1.

Centroide (2)
1

0,9

0,8

0,7

0,6
coord_Y

0,5 Centroide

0,4

0,3

0,2

0,1

0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
coord_X

Centroide y Centralidad nodal (3)

Imágenes que muestran el resultado de aplicar en tres diferentes interacciones el algoritmo KK a una misma red. Se comprueba
como los dos grupos identificados mantienen la distancia con el centroide en cada interacción. El grupo naranja mejor
relacionado con el resto de la red se mantiene cercano al centroide y el grupo rojo, con pocos enlaces al resto de la red, se
mantiene alejado.

Postulamos el “Teorema de la Centralidad Nodal”: “En una Red estable de
mínima energía, la distancia de cada nodo al centroide es medida de su
centralidad nodal, entendida ésta como medida de la posición de cada nodo
respecto al resto de nodos de la red”.

Centralidad nodal (1)

• Distancia de un vértice al centroide. Toma valores entre 0 y 1.
Valores próximos a 0 para los nodos cercanos al centroide.

• Centralidad nodal del nodo A: Sus valores están entre 0 y 1.
Valores próximos a 1 para los nodos cercanos al centroide.

CA = 1 - distancia_centroide


• La centralidad nodal es el parámetro que mide la posición de un
nodo respecto al conjunto de nodos del grafo.

• La centralidad nodal indica cuanto de centrado se encuentra ese
nodo respecto del conjunto de nodos del grafo.

• La centralidad nodal indica cuanto de próximo al centroide se sitúa
dicho nodo.

• En el Plano Euclídeo la distancia euclídea de un nodo al centroide
es medida de su centralidad nodal.

• El vector medio “distancia del nodo A1 al resto de vectores
Ai de la red“, es el vector que une al nodo A1 al centroide C.

• El módulo del vector distancia media del nodo A1 al resto de
vectores Ai de la red, es igual a la longitud del segmento A1C, igual a
la distancia euclídea A1C.

• La centralidad nodal de un nodo A1 se obtiene de sustraer de la
unidad el valor del módulo del vector distancia media del nodo A1 al
resto de vectores Ai de la red o la distancia euclídea A1C.


• La centralidad nodal es un parámetro de gran utilidad en el
estudio, descubrimiento y creación de nuevo conocimiento
estratégico a partir de conjuntos documentales. Es un concepto
innovador, muy cercano al concepto de centralidad de las subredes.

• Junto con el parámetro de densidad de las subredes, permite
realizar los análisis y mapas estratégicos de dichos conjuntos
documentales; informes y mapas de gran interés en Vigilancia
Estratégica Científica y Tecnológica, Inteligencia Competitiva o
Evaluación de la Ciencia.

• Su aplicación en recuperación de información permite clasificar y
ordenar los resultados de una búsqueda de acuerdo a su valor de
centralidad nodal (centralidad temática) obtenido, tanto para los
grupos como para los nodos (descriptores).

Visualización de las Redes de
Investigación con Diagramas
MDS

Diagramas MDS
Los Diagramas MDS son diagramas obtenidos mediante el método
estadístico de escalamiento multidimensional (MDS).

En el presente estudio se asimila la matriz de enlaces o matriz normalizada,
a una matriz de proximidades-similitudes. A partir de su correspondiente
matriz de proximididades-dIsimilitudes se obtiene mediante MDS el
Diagrama de la Red y las coordenadas MDS de los nodos de la Red.

La relación de aspecto en el gráfico de escalamiento es isótropa, es decir,
en el gráfico bidimensional la distancia que representa una unidad en la
dimensión 1 es igual la distancia que representa una unidad en la
dimensión 2. En este gráfico la distancia entre dos puntos representa su
dIsimilitud, de manera que a distancias pequeñas se corresponden
dIsimilitudes pequeñas (o lo que es lo mismo similitudes grandes). Los
puntos cercanos tiene un alto valor de similitud, es decir, su valor de enlace
de equivalencia es alto.

El enlace de equivalencia entre dos nodos se expresa:

Procedimiento de obtención de los Diagramas
MDS de las redes de estudio con SPSS
Una vez obtenida la red de investigación en el software de estudio de redes Pajek:
a) Exportamos el archivo .net de Pajek a SPSS. El archivo .net lleva el número y nombre de los nodos de la red y los valores de los enlaces
entre los nodos. Obtenemos el archivo N3_ISI_PCAR_53210.sps
- Tools/Spss/send to Spss/current network
- El archivo pajekSPSS.sps creado se encuentra en la carpeta C/pajek/pajekSPSS.sps
- Se corta el archivo y se pega en la carpeta que hayamos creado para incluir todos los archivos de SPSS (Ej. spss_N3_ISI_
PCAR.sps)
b) A partir del archivo N3_ISI_PCAR_53210.sps obtenemos el archivo N3_ISI_PCAR_53210.sav; el archivo N3_ISI_PCAR_53210.sav
contiene las variables (nodos) y la matriz de enlaces (matriz de proximidades-similitudes, 0-10000; a mayor similitud mayor valor) entre
variables (nodos). Se trata de una matriz triangular inferior sin valores en la diagonal (en realidad, tratándose de una matriz de similitudes, su
valor debe ser 10000). Para ello se procede del siguiente modo
- Abrimos SPSS
- Archivos Abrir/archivo de análisis
- Se selecciona el archivo .sps
- se abre el archivo .sps y en la barra de menús le damos a ejecutar
- Se nos crea un nuevo archivo .sav
- Lo guardamos con el nombre apropiado
- En el archivo .sav copiamos de la hoja "vista de variables" el conjunto de todas las etiquetas de la variables y lo pegamos en la
columna VARNAME de la hoja "vista de datos".
- Hacemos un análisis de este archivo .sav; Analizar/Escales/Proxscal
- Se obtiene el archivo .spo de resultados; lo guardamos.
- Del archivo .spo seleccionamos la matriz de datos de entrada y la exportamos como archivo .xls (Excel) a la carpeta que
hemos creado
c) La matriz de enlaces es una matriz de similitudes. [los valores oscilan entre 0 y 10.000 (valores siempre positivos)]; a valor más alto, mayor
similitud.
d) Para pasar la matriz de proximidades-similitudes a matriz de proximidades-dIsimilitudes (la mayor similitud se corresponde con un menor
valor) lo hacemos en una hoja de cálculo, (¡OJO! la matriz del archivo N3_ISI_PCAR_53210.sav no tiene valores en la diagonal):
1 - sim/10.000 = disim (ahora pondremos valores 0 en la diagonal; la dIsimilitud entre un vértice y él mismo es 0)
e) La matriz de proximidades-dIsimilitudes de la hoja excel, matriz_prox_dISIm_0-1.xls con la primera fila con el encabezamiento de
variables, la llevamos a SPSS. Poner el nombre de las variables solo en la primera fila para poder importar la matriz desde SPSS.
- Para importar desde SPSS:
- Archivo/Abrir/Datos/matriz_prox_dISIm_0-1.xls
- Elegir la hoja del archivo Excel que tiene la matriz
- Seleccionar la matriz, se abre una ventana llamada "Apertura de datos de Excel"; marcar "leer nombre ..."
- Aceptar

Procedimiento de obtención de los Diagramas
MDS de las redes de estudio con SPSS
Podemos realizar MDS con varios procedimientos, elegimos PROXSCAL.
1) Se elige en los menús Analizar/Escala/Escalamiento multidimensional (PROXSCAL)
2) Se accede al cuadro de diálogo "Formato de datos". Se eligen:
- Formato de datos = "Los datos son proximidades"
- Número de fuentes= "Una fuente matricial“
3) Se accede al cuadro de diálogo "Proximidades en matriz entre columnas":
- Se seleccionan las variables de proximidades (debe coincidir el orden de las variables de la lista con el orden de las
variables en las columnas)
- Se define el "MODELO":
- Modelo de escalamiento = Identidad (todas las fuentes tienen la misma configuración)
- Forma = Matriz triangular inferior
- Proximidades = DIsimilitudes
- Transformación de proximidades = Si las proximidades tienen valor positivo, se puede elegir "Razón" (las
proximidades transformadas son proporcionales a las proximidades originales) o "Intervalo" (las
proximidades transformadas son proporcionales a las proximidades originales, más un término de
intersección. La intersección asegura que todas las proximidades transformadas sean positivas)
- Aplicar transformaciones = las proximidades se comparan en cada fuente por separado.
- Nº de Dimensiones = 2
- Se definen las "RESTRICCIONES" = No se impone ninguna restricción en el espacio común.
- Se definen las "OPCIONES":
- Configuración inicial = Simplex
- Criterios de iteración:
- Convergencia del stress = el nº especificado debe estar entre 0 y 1, por defecto 0.0001
- Stress mínimo = el nº especificado debe estar entre 0 y 1, por defecto 0,0001
- Iteraciones máximas = por defecto 100
- Se definen los "GRÁFICOS":
- Gráfico de espacio común
- Gráfico de proximidades originales frente a transformadas
- Gráfico de proximidades transformadas frente a distancias
- Se definen "RESULTADOS":
- Mostrar coordenadas del espacio común, distancias, proximidades transformadas, datos de entrada,
diversas medidas del stress, ...
- se obtiene el archivo .spo de resultados; lo guardamos con el nombre apropiado.
4) Se guarda en archivo nuevo las coordenadas del espacio común, el gráfico, ...
- Del archivo .spo seleccionamos las coordenadas y el gráfico del espacio común y los exportamos, las primeras como
archivo .xls y el gráfico como archivos .jpg y .htm.

Diagrama MDS de la
Red IEDCYT_PCAR_53210

MDS con matriz de enlaces de equivalencia (matriz de similitudes); la proximidad entre los nodos
es medida de su índice de equivalencia (los nodos próximos son nodos con un alto valor de e).

Diagrama MDS de la
Red WoS_PCAR_53210

MDS con matriz de enlaces de equivalencia (matriz de similitudes); la proximidad entre los nodos
es medida de su índice de equivalencia (los nodos próximos son nodos con un alto valor de e).

Diagrama MDS de la
Red IEDCYT_PCAR_53210

MDS con matriz de distancias geodésicas; la proximidad entre los nodos es medida de su
distancia geodésica (los nodos próximos son nodos con una distancia geodésica baja).

Diagrama MDS de la
Red WoS_PCAR_53210

MDS con matriz de distancias geodésicas; la proximidad entre los nodos es medida de su
distancia geodésica (los nodos próximos son nodos con una distancia geodésica baja).

Cartografía de las
Redes de investigación

Procedimiento para realizar mapas
cartográficos de dominios documentales

Cómo obtener mapas cartográficos a partir
de las coordenadas MDS

1) Obtenidas las coordenadas del espacio común (coord.
MDS), las llevamos a un archivo .txt

2) Creamos con el SIG ArcView un nuevo tema de puntos,
archivo .shp, a partir del archivo .txt de coordenadas.

3) Trabajamos con el SIG ArcView para obtener mapas de
curvas de nivel, mapas TIN, etc.

4) Con un visualizador VRML, podemos visualizar en
realidad virtual (3D) los mapas obtenidos.

Cómo obtener mapas cartográficos a partir
de las coordenadas Pajek

1) Obtenidas las coordenadas Pajek de la Red, las
llevamos a un archivo .txt

2) Creamos con el SIG ArcView un nuevo tema de
puntos,archivo .shp, a partir del archivo .txt de
coordenadas.

3) Trabajamos con el SIG ArcView para obtener mapas de
curvas de nivel, mapas TIN, etc.

4) Con un visualizador VRML, podemos visualizar en
realidad virtual (3D) los mapas obtenidos.

Base Documental
WEB OF SCIENCE

Red WoS_PCAR (1981-1985)

La Red WoS_PCAR (1981-2005) en cifras:

560 documentos
1.961 palabras clave
1.316 investigadores
249 revistas

Producción anual de documentos en el
periodo de estudio
Producción anual de docs.

80 74
69
70
61
60 54

50
Nº de docs.

45
41
39
40
26 27
30 25
21
18
20 15
11
7 7 9
10 3 4
2 2
0 0 0 0
0
81

83

85

87

89

91

93

95

97

99

01

03

05
19

19

19

19

19

19

19

19

19

19

20

20

20
Años

Diagrama de frecuencias.

Producción anual de documentos en el
periodo de estudio
Producción acumulada de docs.

1000
Exponencial (serie 1984-2005)
900
y = 3,7336e0,2485x
800
R2 = 0,9615
700
600
Nº docs.

500
Polinomial (serie 1984-2005)
400
y = 1,7321x 2 - 15,563x + 38,052
300
R2 = 0,9942
200
100
0
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
Años

Diagrama de frecuencias acumuladas.

Red WoS_PCAR_53210 (1981-2005)
Análisis Estructural
Análisis Dinámico
Cartografía del conocimiento

Análisis Estructural

Red WoS_PCAR_53210
(1981-2005)

Red WoS_PCAR_53210 (1)

Grafo de la Red con todos los enlaces Grafo de la Red separando componentes o subredes y
y nodos, tanto conectados como Eliminando los nodos huérfanos
huéfanos o aislados.


Grafos de los dos componentes de la Red
Grafo de la Red ISI_PCAR_53210


Grafo de la Red, Componente o Subred principal.
separando componentes.

Grupos y centroide de la subred principal

Subred principal eliminando Grupos de la Subred principal.
los enlaces inferiores a 1819.

Estudio del centroide del Componente
principal. Enlaces entre subredes. (4)

principal. Enlaces entre subredes (5)

principal. Subredes del área de investigación
Parque Nacional de Doñana y enlaces. (6)

Sala, E. y enlaces. (7)

Álvarez Cobelas, M. y enlaces. (8)

Red WoS_PCAR_53210
Áreas de Investigación del Componente
principal
Moreno, G.

Parque Nacional de Doñana

Bermejo, M.

Lloret, F.
Soriguer, R.C.

Mar Mediterráneo
Braza, F. Sala, E.

Álvarez Cobelas, M.

Análisis estructural
de los componentes de la Red

Grafo obtenido con Pajek.
Algoritmo KK, separando componentes de la Red

Grafo del componente:
Capa,M.

Algoritmo KK, separando componentes dela Red

Grafo del componente principal de la Red

Algoritmo KK, separando componentes dela Red

Grupos o Subredes de descriptores de la Red
WoS_PCAR_53210 (Método gráfico).

Grafos de los grupos:
Delibes,M. - Delibes,M.

Grafo obtenido con Copalred.
Algoritmo de agrupación de
centros simples.

Grafo obtenido con Pajek,
eliminando en la Red los
enlaces de valor inferior a 1819 y
separando los componentes

Producción de documentos conteniendo el
término “Delibes,M.”
Delibes, M.
4

3
Nº de Documentos

2

1

0

Años

Doñana Nat. Park - Moreno,S - Age -
Villafuerte,R. – Balbontín, J.

Grafos obtenidos con Copalred.
centros simples.

Zunzunegui,M.- Zunzunegui,M.

centros simples.


Aznalcollar - Aznalcollar - Contamination

centros simples.


término “Aznalcóllar”

6
5 5 5
5
Desastre de Aznalcóllar
25 de abril de 1998 4
4
Nº de docs.

3
3
2 2
2
1
1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0
81

83

85

87

89

91

93

95

97

99

01

03

05
19

19

19

19

19

19

19

19

19

19

20

20

20
Años

González, M.J. – González, M.J.

centros simples.


Soriguer, R.C. - Soriguer, R.C.

centros simples.

Soils - Pb - Gómez-Ariza,J.L.

centros simples.


Fire – Lloret.F.

centros simples.


término “Fire”

5

4
4
Nº de docs.

3

2 2 2
2

1 1 1 1 1
1

0

Años

Lakes – Rojo, C. - Lakes

centros simples.

Communities - Sala, E. – Species
richness

centros simples.


Ecology – Bermejo,M.

centros simples.


Behavior – Braza, F.

centros simples.


Arsenic - Hiraldo, F. – Baos, R.

centros simples.


Communities – Diversity - García Rubies, A. –
Sala, E.

Grafos obtenidos con Copalred. Grafo obtenido con Pajek,
Algoritmo de agrupación de eliminando en la Red los
centros simples. enlaces de valor inferior a 1819 y

Crytogamie-Micologie (R) –Crytogamie-
Micologie (R)

centros simples.


Grafo del Componente secundario de la Red:
Capa, M.

Grafo obtenido con Pajek, separando los componentes de la Red.


Red WoS_PCAR_53210
(1981-2005)

Diagrama estratégico obtenido con Copalred
(algoritmo de agrupación sobre centros simples)
(1)
Medida de Centralidad de los grupos o subredes

Centralidad del grupo o subred = La centralidad o índice de cohesión externa
es la suma de los índices de equivalencia de todos los enlaces externos que
posee un tema. Usualmente el valor de la centralidad se multiplica por 10.

Medida de Densidad de los grupos o subredes

Densidad del grupo o subred = La densidad o índice de cohesión interna es la
intensidad de las asociaciones internas de un tema y representa el grado de
desarrollo que posee. Se calcula como el cociente entre la suma de los índices de
equivalencia internos y el número de palabras que definen el tema multiplicado
por 100.

Diagrama estratégico obtenido con CoPalRed
(algoritmo de agrupación sobre centros simples)
(2)

Diagrama estratégico obtenido según el nuevo
método (eliminación en la red de los enlaces
inferiores a un valor y centralidad nodal) (1)

Medida de Centralidad de los grupos o subredes

Centralidad del grupo o subred = Media de la centralidad nodal de los vértices
(nodos o actores) que lo componen. La centralidad de un vértice es su valor de
similitud con el centroide.

Medida de Densidad de los grupos o subredes

Densidad del grupo o subred = Media de los valores de los enlaces entre los
vértices (nodos o actores).

Diagrama estratégico obtenido según el nuevo
método (eliminación en la red de los enlaces
inferiores a un valor y centralidad nodal) (2)

Grupos muy densos y
cercanos al centroide

Grupos muy densos y
alejados del centroide

Grupos poco densos y


Situación de los grupos en la red
(componente principal) y en el diagrama
estratégico (1)

Grupos muy densos y

Grupos muy densos y

centroide


Situación de dos grupos en el grafo y en el diagrama estratégico de la red

Zoom del componente principal: Área de
Investigación “Parque Nacional de Doñana” y
diagrama estratégico (2)

Grupos muy densos y

Grupos muy densos y



Comparativa de diagramas estratégicos (1)

Grupos muy densos y
cercanos al centroide y
Grupos muy densos
Grupos muy densos y

Grupos muy densos y

cercanos al centroide y
Grupos poco densos

Tesis_doctoral_Jose_Pino_Diaz.

Tesis_doctoral_Jose_Pino_Diaz.

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Ähnlich wie Tesis_doctoral_Jose_Pino_Diaz.

Ähnlich wie Tesis_doctoral_Jose_Pino_Diaz. (20)

Mehr von Pepe

Mehr von Pepe (20)

Kürzlich hochgeladen

Kürzlich hochgeladen (20)

Tesis_doctoral_Jose_Pino_Diaz.