Alineación temática entre publicaciones científicas en ingeniería y Scopus: una evaluación basada en Latent Dirichlet Allocation

Juan Daniel Triana Manjarrés; Wilmer Pineda-Ríos; Ana María Gómez Lamus

doi:10.83179/qkrcy925

Autores/as

Juan Daniel Triana-Manjarrés Universidad Escuela Colombiana de Ingeniería Julio Garavito https://orcid.org/0009-0006-2217-5065
Wilmer Pineda-Ríos Universidad Escuela Colombiana de Ingeniería Julio Garavito https://orcid.org/0000-0001-7774-951X
Ana María Gómez-Lamus Universidad Escuela Colombiana de Ingeniería Julio Garavito https://orcid.org/0000-0002-9714-6780

DOI:

https://doi.org/10.83179/qkrcy925

Palabras clave:

Latent Dirichlet Allocation, modelado de temas, procesamiento de lenguaje natural, bibliometría, producción científica

Resumen

En este artículo se analiza la alineación temática entre las publicaciones científicas de la Universidad Escuela Colombiana de Ingeniería Julio Garavito y las publicaciones indexadas en Scopus en el campo de la ingeniería. Para esto, se recopilaron 694 artículos del repositorio institucional y 1310 artículos de Scopus, correspondientes al periodo 2020-2024, mediante técnicas de web scraping con BeautifulSoup y automatización con Selenium. Los textos se preprocesaron mediante tokenización, eliminación de stopwords, lematización y traducción al inglés. Posteriormente, se entrenó un modelo de Latent Dirichlet Allocation (LDA), seleccionando cuatro temas como cantidad óptima con base en la métrica de perplejidad. Los resultados revelan una convergencia parcial entre ambas fuentes: los temas de la universidad en áreas de tecnología y materiales presentan similitudes con los de Scopus (similitud coseno máxima del 20,14 %), mientras que se identificaron diferencias en enfoques como ingeniería de estructuras y transporte (universidad) frente a educación y procesos industriales (Scopus). Estos hallazgos ofrecen un diagnóstico cuantitativo útil para orientar las líneas de investigación institucional hacia los estándares nacionales e internacionales. En el presente estudio se evalúan la alineación temática entre la producción científica de la Universidad Escuela Colombiana de Ingeniería Julio Garavito y la bibliografía indexada en Scopus en el campo de la ingeniería. Se conformó un corpus de 694 artículos institucionales y 1310 registros de Scopus (2020-2024), procesados mediante técnicas estándar de procesamiento de lenguaje natural. Se aplicó el modelo Latent Dirichlet Allocation (LDA) a ambos corpus y se identificaron cuatro temas latentes en cada uno. La similitud coseno entre las distribuciones de temas reveló una convergencia parcial —más marcada en aspectos de tecnología (20,14 %)—, junto a divergencias significativas: la universidad presenta mayor actividad en ingeniería de estructuras y transporte, mientras que en Scopus predominan temas de ciencia de materiales, educación y procesos energéticos. Estos resultados constituyen una línea base empírica para orientar la agenda investigativa institucional hacia las tendencias científicas del campo.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

Juan Daniel Triana-Manjarrés, Universidad Escuela Colombiana de Ingeniería Julio Garavito

Magister en Ciencia de Datos
Bogotá, Colombia
Wilmer Pineda-Ríos, Universidad Escuela Colombiana de Ingeniería Julio Garavito

PhD(c) en Ciencias-Estadística
Bogotá, Colombia
Ana María Gómez-Lamus, Universidad Escuela Colombiana de Ingeniería Julio Garavito

Magister en Estadística
Bogotá, Colombia

Referencias

- Ambalavanan, A. K., y Devarakonda, M. V. (2020). Using the contextual language model BERT for multi-criteria classification of scientific articles. Journal of Biomedical Informatics, 112, 103578. https://doi.org/10.1016/j.jbi.2020.103578

- Aria, M., y Cuccurullo, C. (2017). Bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959-975. https://doi.org/10.1016/j.joi.2017.08.007

- Asmussen, C. B., y Møller, C. (2019). Smart literature review: a practical topic modelling approach to exploratory literature review. Journal of Big Data, 6(1), 1-18. https://doi.org/10.1186/s40537-019-0255-7

- Blei, D. M., Ng, A. Y., y Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993-1022.

- Deerwester, S., Dumais, S. T., Furnas, G. W., Landauer, T. K., y Harshman, R. (1990). Indexing by latent semantic analysis. Journal of the American Society for Information Science, 41(6), 391-407. https://doi.org/10.1002/(SICI)1097-4571(199009)41:6<391::AID-ASI1>3.0.CO;2-9

- DiMaggio, P., Nag, M., y Blei, D. (2013). Exploiting affinities between topic modeling and the sociological perspective on culture: application to newspaper coverage of U.S. government arts funding. Poetics, 41(6), 570-606. https://doi.org/10.1016/j.poetic.2013.08.004

- Egger, R., Kroner, M., y Stöckl, A. (2022). Web scraping. En R. Egger (ed.), Applied data science in tourism (pp. 67-82). Springer. https://doi.org/10.1007/978-3-030-88389-8_5

- González, J. L., Castro, A. R., Mesa, M. L., y Maya, C. J. (2020). Producción científica en América Latina y el Caribe en el periodo 1996-2019. Revista Cubana de Medicina Militar, 49(4).

- Grisales Aguirre, C. J., y Figueroa Vallejo, A. M. (2022). Modelado de temas aplicado al análisis del papel del aprendizaje automático en revisiones sistemáticas. Revista de Investigación, Desarrollo e Innovación, 12(2).

- Hofmann, T. (1999). Probabilistic latent semantic indexing. En Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 50-57). ACM. https://doi.org/10.1145/312624.312649

- Jelodar, H., Wang, Y., Yuan, C., Feng, X., Jiang, X., Li, Y., y Zhao, L. (2017). Latent Dirichlet Allocation (LDA) and topic modeling: models, applications, a survey. Multimedia Tools and Applications, 78, 15169-15211. https://doi.org/10.1007/s11042-018-6894-4

- Kozlowski, D., Semeshenko, V., y Molinari, A. (2021). Latent Dirichlet Allocation model for world trade analysis. PLOS ONE, 16(2), e0245393. https://doi.org/10.1371/journal.pone.0245393

- Marroquín Arreola, J., y Ríos Bolívar, H. (2012). Inversión en investigación y crecimiento económico: un análisis empírico desde la perspectiva de los modelos de I+D. Investigación Económica, LXXI(282), 15-33.

- Nigam, H., y Biswas, P. (2021). Web scraping: from tools to related legislation and implementation using Python. En J. S. Raj, A. M. Iliyasu, R. Bestak y Z. A. Baig (eds.), Innovative Data Communication Technologies and Application (pp. 149-164). Springer. https://doi.org/10.1007/978-981-15-9651-3_14

- Oyewole, A. T., Adeoye, O. B., Addy, W. A., Okoye, C. C., Ofodile, O. C., y Ugochukwu, C. E. (2024). Automating financial reporting with natural language processing: a review and case analysis. World Journal of Advanced Research and Reviews, 21(03), 575-589. https://doi.org/10.30574/wjarr.2024.21.3.0700

- Rubiano, M. A. (2022). Análisis de temas utilizando Twitter: una aplicación del modelo LDA al caso colombiano [trabajo de grado]. Universidad Santo Tomás.

- Universidad Javeriana (2022). Inversión en Investigación y Desarrollo (I+D): evidencia a través de las patentes. Laboratorio de Economía de la Educación.

- Wasserman, M. (2000). Sobre la importancia de investigar en Colombia, un país subdesarrollado. Diálogos Globales de la Exposición.