Palabras clave
user profiles
vector space model
análisis de conglomerados
perfiles de usuario
modelo de espacio vectorial
Cómo citar
Resumen
El aumento de la producción científica convierte en un desafío la tarea de identificar patrones y rasgos particulares que caractericen a los investigadores. Lograr establecer niveles de compatibilidad y similaridad entre actores en un contexto de investigación científica a partir de sus perfiles requiere de un proceso rápido y apropiado. El objetivo de este artículo es evaluar los niveles de similaridad, distancia euclidiana y compatibilidad entre vectores de investigadores, a partir de algoritmos de agrupamiento, escalamiento multidimensional, principios del modelo espacio-vectorial y atributos de sus perfiles científicos, considerando las terminologías que se abordan en su producción científica. Se utilizaron métodos teóricos y empíricos, incluyendo técnicas y herramientas de minería de texto. La aplicación del procedimiento en el Centro de Estudios de la Energía y Tecnología Avanzada de Cuba (CEETAM) y la Universidad Técnica de Cotopaxi (UTC) en Ecuador, evidenció su efectividad. Como resultado se pudo identificar los profesionales con mayores niveles de coincidencia en áreas a fines y líneas de investigación, lo que propicia el establecimiento de Comunidades Colectivas de Conocimientos; se pudo demostrar que los métodos empleados pueden ser integrados a las TIC, resultando en la obtención de relaciones perceptuales entre los investigadores y expresando los grupos que se forman a partir de conglomerados de observaciones en cada subcategoría y dominios de conocimientos de los dos casos de estudio analizados.
Citas
Ahn, J. (2011). The effect of social network sites on adolescents' social and academic development: Current theories and controversies. Journal of the American Society for Information Science and Technology, 62(8), 1435-1445. https://doi.org/10.1002/asi.21540
Al-Anzi, F. S. y AbuZeina, D. (2018). Beyond vector space model for hierarchical Arabic text classification: A Markov chain approach. Information Processing & Management, 54(1), 105-115. https://doi.org/10.1016/j.ipm.2017.10.003
Almufti, S., Marqas, R. y Ashqi, V. (2019). Taxonomy of bio-inspired optimization algorithms. Journal Of Advanced Computer Science & Technology, 8(2), 23. doi: http://dx.doi.org/10.14419/jacst.v8i2.29402
Ashby, F. G. (2014). Multidimensional models of perception and cognition. Psychology Press.
Avinash, K., Sambit, M. y Pradip, S. (2020). Mapping Scientific Collaboration: A Bibliometric Study of Rice Crop Research in India. Journal of Scientometric Research, 9(1). http://dx.doi.org/10.5530/jscires.9.1.4
Bárcenas, G. R., Culqui, A. C., Peñaherrera, J. R., Beltrán, S. C. y Tamayo, E. T. (2016). Levels of Similarity in User Profiles Based Cluster Techniques and Multidimensional Scaling. International Journal of Systems Applications, Engineering & Development, 10(2016), 56-64.
Cambria, E., Song, Y., Wang, H. y Howard, N. (2014). Semantic multidimensional scaling for open-domain sentiment analysis. Intelligent Systems (IEEE), 29(2), 44-51.
Day, R. E. (2011). Death of the user: Reconceptualizing subjects, objects, and their relations. Journal of the American Society for Information Science and Technology, 62(1), 78-88. https://doi.org/10.1002/asi.21422
Degemmis, M., Lops, P., Ferilli, S., Di Mauro, N., Basile, T. M. A. y Semeraro, G. (2006). Text learning for user profiling in e-commerce. International Journal of Systems Science, 37(13), 905-918. https://doi.org/10.1080/00207720600891794
Dunn-Rankin, P., Knezek, G. A., Wallace, S. R. y Zhang, S. (2014). Scaling methods. Psychology Press.
Haris, M., Arnela, P., Edin, M. y Mahira, M. (2019). In Search of a Silver Bullet: Evaluating Researchers’ Performance in Bosnia and Herzegovina. Journal of Scientometric Research, 8(3). http://dx.doi.org/10.5530/jscires.8.3.27
Joshi, R., Prasad, R., Mewada, P. y Saurabh, P. (2020). Modified LDA Approach For Cluster Based Gene Classification Using K-Mean Method. Procedia Computer Science, 171, 2493-2500. https://doi.org/10.1016/j.procs.2020.04.270
Kastrati, Z. y Imran, A. S. (2019). Performance analysis of machine learning classifiers on improved concept vector space models. Future Generation Computer Systems, 96, 552-562. https://doi.org/10.1016/j.future.2019.02.006
López-Herrera, A. G. (2006). Modelos de sistemas de recuperación de información documental basados en información lingüística difusa [Tesis doctoral, Universidad de Granada].
Machado, J. T. y Lopes, A. M. (2020). Multidimensional scaling and visualization of patterns in prime numbers. Communications in Nonlinear Science and Numerical Simulation, 83, 105-128. https://doi.org/10.1016/j.cnsns.2019.105128
Marteleto, R. M. y de Oliveira e Silva, A. B. (2005). Redes e Capital Social: o enfoque da informação para o desenvolvimento local. Ciência Da Informação, 33(3). https://doi.org/10.18225/ci.inf.v33i3.1032
Ratheeshkumar, A., Rajkumar, M., Balakrishnan, S. y Kalaiarasan, R. (2018). An Effective Method for Mapping Web User Profile based on Domain Ontology. International Journal of Engineering & Technology, 7(4.19), 1-4.
Rodríguez-García, M., Valencia-García, R.l., Alcaraz-Mármol, G. y Carralero, C. (2014). Open Idea: An intelligent platform for managing innovative ideas. Procesamiento de Lenguaje Natural, 53, 147-150.
Salton, G. (1989). Automatic Text Processing. Addison Wesley.
Samper. (2005). Estudio y evaluación de un sistema inteligente para recuperación y el filtrado de información de Internet. [Tesis de Doctorado, Universidad de Granada].
Sun, J. (2012). Why different people prefer different systems for different tasks: An activity perspective on technology adoption in a dynamic user environment. Journal of the American Society for Information Science and Technology, 63(1), 48-63. https://doi.org/10.1002/asi.21670
Sun, S., Song, H., He, D. y Long, Y. (2019). An adaptive segmentation method combining MSRCR and mean shift algorithm with K-means correction of green apples in natural environment. Information Processing in Agriculture, 6(2), 200-215. https://doi.org/10.1016/j.inpa.2018.08.011
Velásquez, E., Cardona, A. y Peña, A. (2014). Vector Model for Cognitive State Inference of Patients in Coma-Derived States. Revista Ibérica de Sistemas e Tecnologias de Informação, 13, 65-81. https://doi.org/10.4304/risti.13.65-81
Žilinskas, J. (2007). Reducing of search space of multidimensional scaling problems with data exposing symmetries. Information Technology And Control, 36(4), 377-382.