Acoplamiento Bibliografico Y Avance Tecnologico Mediante el Uso del Software Vosviewer
DOI:
https://doi.org/10.33448/rsd-v11i9.31650Palabras clave:
Acoplamiento bibliográfico; Análisis de contenido; Web de base científica; Racimos; Software Vosviewer.Resumen
El estudio tuvo como objetivo realizar el análisis de contenido de 30 artículos encontrados en el acoplamiento bibliográfico referente a los avances tecnológicos en la literatura internacional basados en Web of Science en el año 2020, mediante el uso del software Vosviewer. Cabe señalar que este artículo es continuación de una infométrica publicada en Investigación, Sociedad y Desarrollo, en 2021, haciendo aquí solo un recorte que se denominó “Acoplamiento Bibliográfico”. El artículo tiene características de investigación exploratoria, documental y cualitativa. Se realizó el análisis y descripción de 30 ítems/artículos encontrados en 7 Clusters. El estudio destaca la importancia de la información para el progreso de las sociedades a nivel mundial. Se destaca de la lectura de los 30 artículos encontrados en este acoplamiento bibliográfico que el avance de la tecnología ha ayudado a encontrar mejores técnicas para lograr el éxito en una situación dada, ya sea en el área médica, hospitalaria, empresarial, entre otras. Cuanto mayor sea el número de referencias en común, mayor será la fuerza de conexión/vínculos entre los dos artículos, lo que evidencia la intensidad del acoplamiento de estos dos artículos. A través del análisis de cada artículo, se logró la intención de comprender los significados y sentidos de los mensajes, que fueron más allá de una lectura común, dilucidando de manera tan rica el fenómeno social estudiado. Con el uso de un software VOSViewer se obtuvo una mejora en el proceso de divulgación y transparencia de la información encontrada en los artículos. Así, se lograron adaptaciones rápidas, así como el tiempo de análisis de artículos y control de datos abiertos en reproducción efectiva.
Citas
Bardin, L. (1977). Análise de Conteúdo. Edições 70.
Chen, Y., Yang, C., Zhang, Yan & Li, Y. (2020). Deep conditional adaptation networks and label correlation transfer for unsupervised domain adaptation. Pattern Recognition. 98, 107072, https://doi.org/10.1016/j.patcog.2019.107072.
Chesbrough, H. (2003). Open Innovation: The New Imperative for Creating and Profiting from Technology. Harvard Business School.
Castanha, R. G. & Grácio, M. C. C. (2020). Indicadores de Acoplamento Bibliográfico para a avaliação da proximidade teórico-metodológica em redes de genealogia acadêmica um estudo aplicado aos descendentes bolsistas PQ de Aldo Barreto. RDBCI: Rev. Dig. Bibliotec e Ci. Info. / RDBCI: Dig. J. of Lib. and Info. Sci. 18, e020039. 10.20396/rdbci.v18i00.8661393
Ding, H. B., Pan, Z. B., Cen, Q. B., Li, Y. C. & Chen, S. A. (2020). Multi-scale fully convolutional network for gland segmentation using three-class classification. Neurocomputing. 380, 150–161. https://doi.org/10.1016/j.neucom.2019.10.097
Fang, Y., Huang, X., Qin, L., Zhang, Y., Zhang, W., Cheng, R. & Lin, X. (2020). A survey of community search over big graphs. The VLDB Journal. 29, 353–392. https://doi.org/10.1007/s00778-019-00556-x
Fu, J. A, B., Liu, J. A., Li, Y. C., Bao, Y. C., Yan, W. C., Fang, Z. A, B., & Lu, H.A. (2020). Contextual deconvolution network for semantic segmentation. Pattern Recognition. 101, 107152. https://doi.org/10.1016/j.patcog.2019.107152
Gao, P. A. B., Yuan, R. A., Wang, F. A., Xiao, L. A. B., Fujita, H. C. D. & Zhang, Y. a. (2019). Siamese Attentional Keypoint Network for High Performance. Visual Tracking. arXiv:1904.10128v2 [cs.CV] 29 Dec.
Grácio, M C. C. (2016). Acoplamento bibliográfico e análise de cocitação: revisão teórico-conceitual. Encontros Bibli: Revista eletrônica de biblioteconomia e ciência da informação, 21(47), 82-99. Universidade Federal de Santa Catarina.
Han, X., Zhang, Y., Zhang, W. & Huang, T. (2020). An Attention-Based Model Using Character Composition of Entities in Chinese Relation Extraction. Information 2020, 11, 79; 10.3390/info11020079.
Hao, D. & Strotmann, A. (2008). Evolution of Research Activities and Intellectual Influences in Information Science 1996–2005: Introducing Author Bibliographic-Coupling Analysis. Journal of the American Society for Information Science and Tecnhology, 59(13), 2070-2086.
Kessler, M. M. (1963). Bibliographic coupling between scientific papers. American Documentation, 14(1), 10–25.
Kessler, M. M. (1965). Comparison of the results of bibliographic coupling and analytic subject indexing. American Documentation, 16(3), 223–233.
Kirschbaum, C. (2013). Decisões sobre pesquisas Quali e Quanti sob a perspectiva de mecanismos causais. Revista Brasileira de Ciências Sociais, 28(82), 179-193.
Lei, K. a, b., Zhang, B. a., LI, Y a., Yang, M. c. & Shen, Y. a. (2020). Time-driven feature-aware jointly deep reinforcement learning for financial signal representation and algorithmic trading. Expert Systems with Applications. 140, 112872. https://doi.org/10.1016/j.eswa.2019.112872 0957-4174/© 2019 Elsevier Ltd. All rights reserved.
Leite, R. & Rocha, G. de A. (2019). Desenho de Pesquisa, Inferência e Causalidade: Caminhos Entre a Abordagem Qualitativa e Quantitativa. Revista Eletrônica de Ciência Política. 10(1), 107-119. 10.5380/recp. v%vi%i.61004 https://revistas.ufpr.br/politica/ ISSN: 2236-451X.
Li, H., Liu, Y., Mamoulis, N. & Fellow, D. S. R. (2019). Translation-Based Sequential Recommendation for Complex Users on Sparse Data. Ieee Transactions on Knowledge and Data Engineering. v. 32, n. 8, August 2020. Digital Object Identifier no. 10.1109/TKDE2906180. https://www.ieee.org/publications/rights/index.html for more information.
Li, J. a., Zhou, G. a, b., Qiu, Y. a., Wang, Y. a, b., Zhang, Y. d. & Xie, S. a, c. (2020). Deep graph regularized non-negative matrix factorization for multi-view clustering. Neurocomputing. V. 390, p. 108–116https://doi.org/10.1016/j.neucom.2019.12.054.
Li, J. a., Zhou, G. a, b., Qiu, Y. a., Wang, Y. a, b., Zhang, Y. d. & Xie, S. a, c. (2020). Deep graph regularized non-negative matrix factorization for multi-view clustering. Neurocomputing. V. 390, p. 108–116. https://doi.org/10.1016/j.neucom.2019.12.054.
Li, Y., Zeng, Y., Liu, T., Jia, X. & Bin, H. G. (2019). Simultaneously learning affinity matrix and data representations for machine fault diagnosis. Neural Networks. v. 122, p. 395–406, 2020. https://doi.org/10.1016/j.neunet. 11.007.
Liao, W. a., Wang, Y. a., Yin, Y. b., Zhang, X. a., & Ma, P. a. (2020). Improved sequence generation model for multi-label classification via CNN and initialized fully connection. Neurocomputing. V. 382, p. 188–195. https://doi.org/10.1016/j.neucom.2019.11.074 0925-2312/© 2019 Elsevier B.V. All rights reserved.
Liu, Y., Gao, X., Gao, Q., Han, J. & Shao, L. (2019). d. Label-activating framework for zero-shot learning. Neural Networks v.121 p.1–9, 2020. https://doi.org/10.1016/j.neunet..08.023 0893-6080/© 2019 Elsevier Ltd. All rights reserved.
Liu, Y., Zhang, J., Han, D., Wu, P., Sun, Y. & Moon, Y. S. (2020). A multidimensional chaotic image encryption algorithm based on the region of interest. Multimedia Tools and Applications. v.79, p. 17669–17705. https://doi.org/10.1007/s11042-020-08645-8
Liu, Y., Tobey H. K., Zhonglei G. & Jiming Liu, F. (2020). Identifying Key Opinion Leaders in social media via Modality-Consistent Harmonized Discriminant Embedding. IEEE TRANSACTIONS ON CYBERNETICS, v. 50, n. 2, FEBRUARY. See http://www.ieee.org/publications_standards/publications/rights/index.html for more information.
Liu, Y., Han, J., Zhang, Q. & Shan, C. (2020). Deep Salient Object Detection with Contextual Information Guidance. IEEE TRANSACTIONS ON IMAGE PROCESSING, v. 29. Digital Object Identifier 10.1109/TIP.2019.2930906. See http://www.ieee.org/publications_standards/publications/rights/index.html for more information.
Malheiros, B. T. & Tomei, P. A. (2022). Organizational Culture In Brazil: Bibliometric Study On International Bases. Rev. Pretexto, V. (23), n.01, p.60-77. Jan/Mar.
Mattos, A.M. & Dias, E.W. (2010). Análise de Cocitação de Autores: questões metodológicas. IN: XI Encontro Nacional de Pesquisa em Ciência da Informação: Inovação e inclusão social: questões contemporâneas da informação, Rio de Janeiro, 2010. Anais...
Moreira, P. S. Da C.; Guimarães, A. J. R.; Tsunoda, D. F. (2020). Qual ferramenta bibliométrica escolher? Um estudo comparativo entre softwares. P2P & INOVAÇÃO, Rio de Janeiro, v. 6 n. 2, Ed. Especial, p.140-158.
Miguel Peixe, A. M; Pinto, J. S, de P. (2021). Infometria nas Bases Web of Science e Scopus: Governança Corporativa, Informação e Tecnologia da Informação; Precificação de Ações e Riscos de Mercado. Research, Society and Development, v. 10, n. 5, e56110515433. (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v10i5.15433
Navarro, P. & Díaz, C. (1994). Análisis de contenido. In: Delgado, J. M.; Gutiérrez, J.(org.). Métodos y técnicas cualitativas de investigación em ciências sociales.Madrid: Editorial Sintesis Psicologia, p. 177-224.
Nie, X. 1., Zhang, W. 1,2., Zhang, Y. 1. & Yu, D. 1,2. (2020). Method to Predict Bursty Hot Events on Twitter Based on User Relationship Network. IEEE ACCESS. Digital Object Identifier 10.1109/ACCESS.2020.2977424. VOLUME 8. This work is licensed under a Creative Commons Attribution 4.0 License. For more information, see http://creativecommons.org/licenses/by/4.0/VOLUME 8, 2020.
Sun, F. a., Zang, W. a., Gravina, R. b., Fortino, G. b. & Li, Y. E. a. (2020). Gait-based identification for elderly users in wearable healthcare systems. Information Fusion v.53, p. 134–144. https://doi.org/10.1016/j.inffus.2019.06.023.
Telechi, A. V. & Novelli, D. H. (2021). A Tale Of Two Cities: A Bibliometric Review Of The 30 Years Of Academic Research On Mercosur. Revista Conjuntura Global, v. 10, número especial. DOI: 10.5380/CG.V10I3.83443
Van Eck, N. J. & Waltman, L. (2018). VOSviewer Manual.
Wang, R. a., Ma, X. a., Jiang, C. a., YE, Y. a. & Zhang, Y. b. (2020). Heterogeneous information network-based music recommendation system in mobile networks. Computer Communications. V. 150, p. 429–437. https://doi.org/10.1016/j.comcom.2019.12.002.
Wu, C. 1,2,3., Zhang, Y. 1,3., Zhang, Y. 1,3., Zhang, W. 1,3., Wang, H. 1,3., Zhang, Y. 1,2,3 & SUN, X. 1,3. (2019). Motion Guided Siamese Trackers for Visual Tracking. Digital Object Identifier 10.1109/ACCESS.2017.DOI. 10.1109/ACCESS.2020.2964269, IEEE Access. Date of current version December 24.
Wu, G. a., Miao, Y. a., Zhang, Y. a. & Barnawi, A. b. (2020) Energy efficient for UAV-enabled mobile edge computing networks: Intelligent task prediction and offloading. Computer Communications. v.150, p 556–562. https://doi.org/10.1016/j.comcom.2019.11.037.
Wu, Z., He, L., Wang, Y., Goh, M. & Ming, X. (2020). Knowledge recommendation for product development using integrated rough set‑information entropy correction. Journal of Intelligent Manufacturing. v.31, p. 1559–1578. https://doi.org/10.1007/s10845-020-01534-9.
Yan, X. a,b., Liu, Y. a. & Jia, M. b. (2020). Multiscale cascading deep belief network for fault identification of rotating machinery under various working conditions. Knowledge-Based Systems. v. 193, p. 105484. https://doi.org/10.1016/j.knosys.2020.105484.
Yao, Q., Wang, R., Fan, X., Liu, J. & Li, Y. (2020). Multi-class Arrhythmia detection from 12-lead varied-length ECG using Attention-based Time-Incremental Convolutional Neural Network. Information Fusion. V.53, p. 174–182. https://doi.org/10.1016/j.inffus.2019.06.024.
Yu, L. 1,2,3., Xu, G. 1,2., Wang, Y. 1,2., Zhang, Y. 1,2,3. & Li, F. 1,2. (2020). ADPE: Adaptive Dynamic Projected Embedding on Heterogeneous Information Networks. ADPE on HINs. v. 8, p. 38970-38984. This work is licensed under a Creative Commons Attribution 4.0 License. For more information, see http://creativecommons.org/licenses/by/4.0/.
Zhang, Y. a,b., Huo, K. b., Liu, Z. b., Zang, Y. a., ; Liu, Y. b., Li, X. b., Zhang, Q. c. & Wang, C. a. (2020). PGNet: A Part-based Generative Network for 3D object reconstruction. Knowledge-Based Systems. V.194 p.105574. https://doi.org/10.1016/j.knosys.2020.105574 0950-7051/© 2020 Published by Elsevier B.V.
Zhang, Y. a., Wang, Y., Ying Liu, X a., Mi, S. b. & Ling Zhang, M. a, b. (2020). Large-scale multi-label classification using unknown streaming images. Pattern Recognition. v.99, p.107100, https://doi.org/10.1016/j.patcog.2019.107100 0031-3203/© 2019 Elsevier Ltd. All rights reserved.
Zhang, Z., Guangcan Liu, Y. Z., Tang, J., Fellow, S. Y. & Wang, M. (2020). Joint Label Prediction Based Semi-Supervised Adaptive Concept Factorization for Robust Data Representation. IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, v. 32, n.5, MAY. See ht_tps://www.ieee.org/publications/rights/index.html for more information.
Zhang, Z., Zhang, Y. 2. & Ren, Y. 1. (2020). Employing neighborhood reduction for alleviating sparsity and cold start problems in user‑based collaborative filtering. Information Retrieval Journal. v. 23, p. 449–472. https://doi.org/10.1007/s10791-020-09378-w.
Zhao, X. L. a., Hao Xu, W. a., Xiang Jiang, T. b., Wang, Y. c,d. & NG, MICHAEL K. e. (2020). Deep Plug-and-Play Prior for Low-Rank Tensor Completion. ArXiv:1905.04449v3 [cs.CV] 4 May.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Adriana Maria Miguel Peixe; Jose Simão de Paula Pinto
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
