Analisis Infométrico PDF
Analisis Infométrico PDF
Analisis Infométrico PDF
de documentos indexados
en Scopus y Web of Science
Abstract
88
BIG DATA-ANÁLISIS INFORMÉTRICO DE DOCUMENTOS INDEXADOS...
Introducción
DOI: http://dx.doi.org/10.22201/iibi.24488321xe.2020.82.58035
E l fenómeno del exceso de información no es reciente, pues se publicó
una gran producción de documentos impresos cuando se rediseñó la
imprenta con tipos móviles, y mucho mayor número de licencias papales se
distribuyeron, lo que terminó la concentración del poder eclesial y se desa-
rrollaron otras formas de expresión religiosa. Posteriormente, con la indus-
trialización y la concentración de la población en las ciudades, los habitantes
alfabetizados requerían de datos e información expresados en los diarios, e
incluso periódicos de doble tiraje (matutinos y vespertinos). Recientemen-
te, debido a las dos grandes guerras, la ciencia y la tecnología catapultaron
la medición y publicación de resultados de investigación, tanto en boletines,
revistas (magazines) y journals, principalmente en formatos impresos, origi-
nando así una “explosión de información”.
La fácil edición y distribución de documentos electrónicos, aunado al de-
sarrollo y comercialización de la computadora personal, detonaron en la se-
gunda mitad del siglo XX el fenómeno denominado “sociedad de la informa-
ción”, que se distingue de las otras formas de producción (primitiva, agrícola
e industrial) tanto por la generación de información (documental) como por
su distribución masiva, a través de internet, mediante computadoras o dispo-
sitivos móviles. Esto la convierte, además, en una fuente de ingresos por la
comercialización de equipo y sus aditamentos, software y aquellos servicios
de administración y mantenimiento de sistemas automatizados, transfor-
mando las relaciones económicas y las interacciones sociales y culturales casi
a nivel global.
El mundo globalizado, el fenómeno de la sociedad de la información en
transición hacia las sociedades del conocimiento, la facilidad en el acceso a
dispositivos móviles y la disponibilidad de programas o aplicaciones para pu-
blicar documentos en distintos formatos (texto, imágenes, sonido, video o la
combinación de estos elementos) son el caldo de cultivo para la generación
masiva de datos. A la masificación en la producción de datos se le ha denomi-
nado Big Data, término que no sólo se circunscribe a la generación de volúme-
nes de datos, sino que desde principios del siglo XXI casi todas las áreas del
conocimiento han empleado tiempo, espacio y dedicación para su estudio.
No obstante la facilidad para publicar y distribuir la información en in-
ternet, encontramos los siguientes problemas: a) difícil acceso a las bases de
datos especializadas, con excepción de las unidades instituciones de educa-
ción superior; b) proliferación de fuentes de información y oferta de cursos
de capacitación de dudoso origen o calidad; c) preponderancia de la lengua
inglesa para la comunicación científica; d) proliferación de noticias falsas
89
INVESTIGACIÓN BIBLIOTECOLÓGICA, vol. 34, núm. 82, enero/marzo, 2020, México, ISSN: 2448-8321, pp. 87-102
(fake news), fenómeno que puede alcanzar, afectar o interferir la comunica-
ción científica, y e) escasa o nula cantidad de estudios acerca de la temática
de nuestra investigación. Nos proponemos como objetivos de este trabajo
compilar y referenciar documentos académicos incluidos en las bases de da-
tos Scopus y Web of Science con el fin de analizar los contenidos (títulos de
documentos y temáticamente) y cuantificar los resultados obtenidos.
DOI: http://dx.doi.org/10.22201/iibi.24488321xe.2020.82.58035
La informetría para el análisis de contenidos textuales
Los estudios informétricos expresan una nueva forma de análisis de la CI para
el estudio científico de los flujos de información (Wormell, 1998: 211); nosotros
añadiríamos, también, el análisis de los datos en tanto que éstos son el compo-
nente principal para conformar la información. Así, el término informetría se
propuso “para designar el conjunto de las actividades métricas relativas a la in-
formación, cubriendo tanto la bibliometría y la cientometría” (Egge y Rousseau,
en Santos y Kobashi, 2009: 159). En la actualidad la informetría ha extendido
su utilización a los estudios métricos en la web (webmetrics).
El término informetría en sí mismo “abarca el estudio de los aspectos
cuantitativos de la información, independientemente de la forma en que
aparezca registrada y del modo en que se genere” (Tague-Sutcliffe, 1994; Al-
mind e Ingwersen, 1997: 405). Por otra parte, de acuerdo a su objeto de es-
tudio, la información, es aplicable al análisis de variados aspectos tales como
características de la productividad de autores, el análisis de citas, el uso de la
información a partir de su demanda y uso, la obsolescencia de la literatura.
Para fines de nuestro estudio justificamos y nos adherimos al concepto en
tanto que “La informetría es el estudio de los aspectos cuantitativos de la
información en cualquier forma […]” (Macías-Chapula, 2001: 36). De la in-
formación seleccionamos a la información escrita, y de ésta, particularmente
las palabras.
Método
Artículos
En el periodo estudiado se localizaron 19 artículos, de los cuales seis son de au-
toría individual: Susan Athey (2017); Atul J. Butte, (2017); Yves Frégnac (2017);
Johannes Söding (2017); Jacques Bughin (2016); Nicholas B. Turk-Browne
(2013). Los 13 artículos restantes son multiautorales, en los cuales la cantidad
de autores fluctúa entre dos y cinco elementos con la peculiaridad de que nin-
gún individuo repite responsabilidad autoral. Los artículos localizados corres-
ponden a 11 títulos de journals distribuidos de la siguiente manera: Science (8),
Nature neuroscience (2), Advances in Astronomy (1), Computing in Science &
Engineering (1), Information Fusion (1), Journal of Big Data (1), Light: Science &
Applications (1), Nature biotechnology (1), Review of Policy Research (1), Science
translational medicine (1) y Scientific Reports (1). Como se puede observar, casi
la mitad de los artículos se concentran en la publicación Science, los demás do-
cumentos se distribuyen equitativamente en los demás journals.
Ahora bien, si ordenamos y relacionamos cronológicamente, desde el más
reciente, los artículos con sus respectivos autores, en primer lugar encontra-
mos a Sergio Ramírez-Gallego, Alberto Fernández, Salvador García, Min
Chen y Francisco Herrera (2018), les siguen Susan Athey (2017), Atul J. Butte
(2017), Yves Frégnac (2017), Johannes Söding (2017), Jacques Bughin (2016),
Matthew S. Lebo, Sutti Sheila y Robert C. Green (2016), Nataša Pržulj y Noël
Malod-Dognin (2016), Periklis Papakonstantinou, David P. Woodruff y Guang
Yang (2016), Julian Borrill, Reijo Keskitalo y Theodore Kisner (2015), Liran Ei-
nav y Jonathan Levin (2014), Adam R. Ferguson, Jessica L. Nielson, Melissa H.
Cragin, Anita E. Bandrowski y Maryann E. Martone (2014), Min Gu, Xiang-
ping Li y Yaoyu Cao (2014), Connie L. McNeely y Jong‐on Hahm (2014), Muin
J. Khoury y John P. A. Ioannidis (2014), David Lazer, Ryan Kennedy, Gary King
92 y Alessandro Vespignani (2014a), Jeff W. Lichtman, Hanspeter Pfister y Nir
BIG DATA-ANÁLISIS INFORMÉTRICO DE DOCUMENTOS INDEXADOS...
DOI: http://dx.doi.org/10.22201/iibi.24488321xe.2020.82.58035
Pesenson y Bruce McCollum (2010). En el rubro de la distribución de autores
verificamos que ninguno repite autoría; la mitad de las publicaciones se registra-
ron en el periodo 2015 y lo que va de 2018 al momento de ejecutar la búsqueda y
recuperación de la información.
La suma de palabras de los títulos de los 19 artículos muestra un total de
174 palabras, pero si omitimos los artículos, los verbos, los pronombres y los
nexos o preposiciones, y contando únicamente los sustantivos, adjetivos y ad-
verbios, tenemos como resultado 114 unidades lingüísticas (palabras); si con-
sideramos que algunas se repiten, contabilizamos únicamente 59 palabras,
de las cuales big y data son las que aparecen con más frecuencia y suman 45
menciones, de allí el resto de los términos sólo contabilizan una o dos apari-
ciones (Anexo).
Comentarios
Este tipo de documentos no son una editorial, artículos o reseñas de libros,
se trata de mensajes breves de especialistas que usualmente tratan la temática
del número o volumen correspondiente a la revista académica en la que se
incluyen. De este tipo de contribución encontramos 10 títulos: “Big Data, big
picture: Metabolomics meets systems biology” (May, 2017); “The State of Big
Data” (Kho, 2016); “Big Data: The power of petabytes” (Eisenstein, 2015);
“Dealing with Big Data” (Osborne, 2015); “Big Data stalking. Data brokers
cannot be trusted to regulate themselves” (Crawford, 2014); “Life science te-
chnologies: Big biological impacts from Big Data” (May, 2014); “The human
face of Big Data” (Smolan, 2013); “Saving Big Data from Itself” (Pentland,
2014); “Big Data: Distilling meaning from data” (Frankel y Reid, 2008), y
“Big Data: Data wrangling” (Goldston, 2008). En esta relación de autores
comentaristas, a diferencia de los artículos, Mike May repite con dos docu-
mentos: “Big Data, big picture: Metabolomics meets systems biology” (2017)
y “Life science technologies: Big biological impacts from Big Data” (2014);
ambos se publicaron en Science.
De los 10 títulos encontrados, omitiendo los artículos, preposiciones y ver-
bos, tenemos 26 palabras con 47 menciones (Anexo), entre las que predominan
Big y Data; el resto de las palabras sólo reciben una mención. Por otra parte, y a
diferencia de los artículos, donde encontrábamos mayormente los títulos de las
revistas científicas Nature y Science, en los comentarios hay más variedad, así
podemos mencionar ECONTENT y Scientific American donde publicaron Nan-
cy Davis Kho (2016) y Kate Crawford (2014), respectivamente.
93
INVESTIGACIÓN BIBLIOTECOLÓGICA, vol. 34, núm. 82, enero/marzo, 2020, México, ISSN: 2448-8321, pp. 87-102
Cartas al editor
Las cartas al editor son participaciones, generalmente cortas, en las cuales se
hacen aclaraciones, sugerencias o crítica a documentos ya publicados ante-
riormente. De este tipo de contribuciones encontramos seis cartas, escritas
por Isaac Chun-Hai Fung, Zion Tsz Ho Tse y King-Wa Fu (2015); David An-
dre Broniatowski, Michael J. Paul y Mark Dredze, (2014); David Lazer, Ryan
Kennedy, Gary King y Alessandro Vespignani (2014b); Ben Shneiderman
(2014); Hubert Gijzen (2013), y Bernardo A. Huberman (2012). Estos auto-
res publicaron en Science (Fung, Tse y Fu, 2015; Broniatowski, Paul y Dre-
dze, 2014; Lazer et al., 2014b; Shneiderman, 2014) y Nature (Gijzen, 2013;
Huberman, 2012). De esta relación de autores, David Lazer, Ryan Kennedy,
Gary King y Alessandro Vespignani (2014a) han publicado el artículo “The
parable of Google Flu: traps in Dig Data analysis” también en Science. Si
compilamos sólo los títulos de las cartas al editor, al igual que en los artículos
y los comentarios, si omitimos artículos, verbos, pronombres y nexos, dejan-
do únicamente los sustantivos, adjetivos y adverbios, tenemos 31 palabras;
si consideramos que varias de éstas se repiten, contabilizamos solamente 18
palabras (Anexo).
Reseñas de libros
La menor cantidad de documentos recuperados con el registro Big Data en el
título fueron cuatro reseñas de libros: “Big Data meets human health” (Fa-
rrington, 2016); “Big Data: The revolution is digitized” (Seife, 2015); “Big
Data: Stealth control” (Aftergood, 2015), y “The Big Data debate” (Cate,
2014). El primer documento hace referencia a dos libros: Self-Tracking (Neft
y Nafus, 2016) y Crowdsourced Health How What You Do on the Internet Will
Improve Medicine (Yom-Tov, 2016); las reseñas de Charles Seife (2015) son
también de dos títulos: Big Data, Little Data, No Data: Scholarship in the Ne-
tworked World (Borgman, 2015) y Data-ism: The Revolution Transforming
Decision Making, Consumer Behavior and Almost Everything Else (Lohr,
2015). Por su parte, Steven Aftergood (2015) reseña el libro The Black Box
Society: The Secret Algorithms That Control Money and Information (Pasqua-
le, 2015). Finalmente, Fred H. Cate (2014) alude al libro Privacy, Big Data,
and the Public Good Frameworks for Engagement (Lane et al., 2014) (Tabla 1).
94
BIG DATA-ANÁLISIS INFORMÉTRICO DE DOCUMENTOS INDEXADOS...
DOI: http://dx.doi.org/10.22201/iibi.24488321xe.2020.82.58035
Títulos de artículos Libros referenciados
Discusión
Desde el punto de vista conceptual, tanto Big Data como CI son de reciente
cuño y se encuentran en redefinición constante. Por un lado, Muin J. Khoury
y John P. A. Ioannidis (2014: 1054) se expresan respecto a la dupla Big Data
como el concepto, donde los datos pueden ser vinculados con la información.
Desde el enfoque de la CI, los datos son los elementos clave para la conforma-
ción de la información después de un proceso de análisis. En la búsqueda de
una definición de Big Data y de CI podemos afirmar que, en ambos casos, se
encuentran en proceso de reconformación de sus dominios o campos de es-
tudios (Elankavi, Kalaiprasath y Udayakumar, 2017: 560). Observamos, ade-
más, que los datos son unidades mínimas que crecen exponencialmente y son
vehículo para conformar la información, en consecuencia, el fenómeno Big
Data es sujeto de análisis por la CI y sus herramientas, como la informetría o la
cientometría (Egge y Rousseau, en Santos y Kobashi, 2009: 159), entre otras.
Entonces, una vez examinadas las propuestas conceptuales, por Big Data re-
planteamos y proponemos la siguiente definición: el fenómeno de generación
masiva y constante de datos, cuyo tratamiento y organización requieren tanto de
recursos tecnológicos como de programas especializados de computadora y herra-
mientas de interpretación y análisis para lograr la cientificidad.
De acuerdo con los resultados obtenidos es posible, para futuras inves-
tigaciones, profundizar en el análisis interno de cada documento recupera-
do para encontrar la densidad del vocabulario o el análisis del discurso. En
otro orden, con la misma relación de artículos, comentarios, cartas al editor
y reseñas, proponemos indagar el factor de impacto o identificar la calidad
de las revistas científicas, o bien, plantear los cuestionamientos siguientes:
96
BIG DATA-ANÁLISIS INFORMÉTRICO DE DOCUMENTOS INDEXADOS...
¿tiene o debe tener la misma validez una reseña, los comentarios o las cartas
DOI: http://dx.doi.org/10.22201/iibi.24488321xe.2020.82.58035
al editor que los artículos científicos? Continuando con las derivaciones de
esta investigación, se hallaron fortalezas y debilidades. Por ejemplo, hay una
concentración de documentos recuperados en Science y Nature que el Journal
Citation Report categoriza como publicaciones multidisciplinarias. En este
rubro multitemático, aunque con menor de cantidad de escritos que Science y
Nature, identificamos las revistas Scientific Reports y Scientific American, y en
un sentido interdisciplinar, también con escasos artículos, podemos mencio-
nar los journals Big Data, Computing in Science & Engineering e Information
Fusion, en los cuales se circunscriben varios temas: ciencia, teoría y métodos
computacionales o aplicaciones interdisciplinarias, o la inteligencia artificial.
Por otra parte, encontramos títulos de revistas académicas con tópicos
muy especializados que tratan temas como neurociencias, biotecnología o
microbiología aplicada (Nature biotechnology), biología celular o medicina
(Science Translational Medicine), óptica (Light-Science & Applications), as-
tronomía o astrofísica (Advances in Astronomy), ciencia política o adminis-
tración pública (Review of Policy Research), ciencia bibliotecaria y de la in-
formación (ECONTENT). Además, al localizar sólo un artículo de economía,
pueden sugerirse, para posteriores investigaciones, estudios cuantitativos o
bien la compilación y aplicación de herramientas para la extracción de ma-
crodatos y sus respectivos análisis e interpretación, por ejemplo, la econome-
tría (Varian, 2014: 5), o la combinación e integración de diferentes utensilios
y modelos como sugieren Kambatla et al. (2014: 2568), lo cual puede redun-
dar en nuevas oportunidades y retos (Tabares y Hernández, 2014: 1).
La CI y estudios de Big Data identifican, respectivamente, a la informa-
ción y los datos como elementos u objetos de estudio, pero hay voces, como
las de Silvia Martínez-Martínez y Pablo Lara-Navarra (2014), que sugieren
analizar los medios sociales, con lo cual estamos de acuerdo. Finalmente,
podemos formular otras propuestas investigativas y cuestionamientos. En
primer lugar, proponemos considerar la demografía y plantear las relaciones
intergeneracionales, la migración o los estudios de género, por mencionar al-
gunos subtemas; en segundo término, podemos formular las siguientes pre-
guntas: ¿cuál es el documento científico más citado?, ¿cuál será el porvenir
y por cuánto tiempo se seguirá investigando el fenómeno Big Data? ¿Dicha
dupla se consolidará como ciencia de los datos o sólo es una moda pasajera?
¿Se establecerá una confrontación, desplazamiento o complemento, tanto de
la CI y la ciencia de los datos?
97
INVESTIGACIÓN BIBLIOTECOLÓGICA, vol. 34, núm. 82, enero/marzo, 2020, México, ISSN: 2448-8321, pp. 87-102
Conclusiones
Referencias
Aftergood, Steven. 2015. “Big Data: Stealth control”. Nature 517 (7535): 435.
Almind, Tomas C. y Peter Ingwersen. 1997. “Informetric analyses on the world wide
web: methodological approaches to ‘webometrics’”. Journal of documentation 53
(4): 404-426.
Athey, Susan. 2017.“Beyond prediction: Using Big Data for policy problems”. Science
355 (6324): 483-485.
Borgman, Christine L. 2015. Big Data, Little Data, No Data: Scholarship in the Ne-
tworked World. Cambdridge, MA; London, England: MIT Press.
Borrill, Julian, Reijo Keskitalo y Theodore Kisner. 2015. “Big bang, big data, big
iron: fifteen years of cosmic microwave background data analysis at NERSC”.
Computing in Science & Engineering 17 (3): 22-29.
98
BIG DATA-ANÁLISIS INFORMÉTRICO DE DOCUMENTOS INDEXADOS...
Broniatowski, David Andre, Michael J. Paul y Mark Dredze. 2014. “Twitter: Big Data
DOI: http://dx.doi.org/10.22201/iibi.24488321xe.2020.82.58035
opportunities”. Science 345 (6193): 148-148.
Bughin, Jacques. 2016. “Big Data, Big bang?” Journal of Big Data 3 (1): 2.
Butte, Atul J. 2017. “Big Data opens a window onto wellness”. Nature biotechnology
35 (8): 720.
Cate, Fred H. 2014. “The Big Data debate”. Science 346 (6211): 818.
Crawford, Kate. 2014. “Big Data stalking. Data brokers cannot be trusted to regulate
themselves”. Scientific American 310 (4): 14-14.
Desouza, Kevin. 2014. Realizing the promise of Big Data. Washington, DC: IBM Cen-
ter for the Business of Government.
Einav, Liran y Jonathan Levin. 2014. “Economics in the age of Big Data”. Science 346
(6210): 1243089.
Eisenstein, Michael. 2015. “Big Data: The power of petabytes”. Nature 527 (7576): S2.
Elankavi, R., R. Kalaiprasath y R. Udayakumar. 2017. “Data Mining with Big Data
Revolution Hybrid”. International Journal on Smart Sensing & Intelligent Systems
10: 560-573.
Faibisoff, Sylvia G. y Donald P. Ely. 1976. “Information and information needs”.
Information Reports and Bibliographies 5 (5): 2-16.
Farrington, Conor. 2016. “Big Data meets human health”. Science 353 (6296): 227.
Ferguson, Adam R., Jessica L. Nielson, Melissa H. Cragin, Anita E. Bandrowski y
Maryann E. Martone. 2014. “Big Data from small data: data-sharing in the’long
tail’of neuroscience”. Nature neuroscience 17 (11): 1442.
Frankel, Felice y Rosalind Reid. 2008. “Big Data: Distilling meaning from data”. Nature
455 (7209): 30.
Frégnac, Yves. 2017. “Big Data and the industrialization of neuroscience: A safe
roadmap for understanding the brain?” Science 358 (6362): 470-477.
Fung, Isaac Chun-Hai, Zion Tsz Ho Tse y King-Wa Fu. 2015. “Converting Big Data
into public health”. Science 347 (6222): 620-620.
Gijzen, Hubert. 2013. “Development: Big Data for a sustainable future”. Nature 502
(7469): 38.
Goldston, David. 2008. “Big Data: Data wrangling”. Nature News 455 (7209): 15-15.
Gu, Min, Xiangping Li y Yaoyu Cao. 2014. “Optical storage arrays: a perspective for
future Big Data storage”. Light: Science & Applications 3 (5): e177.
Huberman, Bernardo A. 2012. “Sociology of science: Big Data deserve a bigger au-
dience”. Nature 482 (7385): 308.
Kambatla, Karthik, Giorgos Kollias, Vipin Kumar y Ananth Grama. 2014. “Trends
in big data analytics”. Journal of Parallel and Distributed Computing 74 (7): 2561-
2573.
Kho, Nancy Davis. 2016. “The State of Big Data”. ECONTENT 39 (1): 28-29.
Khoury, Muin J. y John P.A. Ioannidis. 2014. “Big Data meets public health”. Science
346 (6213): 1054-1055.
Lane, Julia, Victoria Stodden, Stefan Bender y Helen Nissenbaum, eds. 2014. Priva-
cy, Big Data, and the Public Good Frameworks for Engagement. Cambridge, MA:
Cambridge University Press.
Lazer, David, Ryan Kennedy, Gary King y Alessandro Vespignani. 2014a. “The para-
ble of Google Flu: traps in Big Data analysis”. Science 343 (6176): 1203-1205.
99
INVESTIGACIÓN BIBLIOTECOLÓGICA, vol. 34, núm. 82, enero/marzo, 2020, México, ISSN: 2448-8321, pp. 87-102
Lazer, David, Ryan Kennedy, Gary King y Alessandro Vespignani. 2014b. “Twitter:
Big Data opportunities—response”. Science 345 (6193): 148-149.
Lebo, Matthew S., Sheila Sutti y Robert C. Green. 2016. “Big Data gets personal”.
Science Translational Medicine 8 (322): 322fs3-322fs3.
Lichtman, Jeff W., Hanspeter Pfister y Nir Shavit. 2014. “The Big Data challenges of
connectomics”. Nature Neuroscience 17 (11): 1448.
Lohr, Steve. 2015. Data-ism: The Revolution Transforming Decision Making, Consu-
mer Behavior and Almost Everything Else. New York, NY: Harper Business.
Macías-Chapula, César A. 2001. “Papel de la informetría y de la cienciometría y su
perspectiva nacional e internacional”. Acimed 9: 35-41.
Martínez-Martínez, Silvia y Pablo Lara-Navarra. 2014. “El Big Data transforma la inter-
pretación de los medios sociales”. El Profesional de la Información 23 (6): 575-581.
May, Mike. 2014. “Life science technologies: Big biological impacts from Big Data”.
Science 344 (6189): 1298-1300.
May, Mike. 2017. “Big Data, big picture: Metabolomics meets systems biology”.
Science 356 (6338): 646-648.
McNeely, Connie L. y Jong‐on Hahm. 2014. “The Big (Data) bang: Policy, prospects,
and challenges”. Review of Policy Research 31 (4): 304-310.
Neft, Gina y Dawn Nafus. 2016. Self-Tracking. Cambridge, MA: MIT Press.
Osborne, Ian S. 2015. “Dealing with Big Data”. Science 349 (6247): 491-492.
Papakonstantinou, Periklis A., David P. Woodruff y Guang Yang. 2016. “True Ran-
domness from Big Data”. Scientific Reports 6: 33740.
Pasquale, Frank. 2015. The Black Box Society: The Secret Algorithms That Control Money
and Information. Cambridge, MA; London, England: Harvard University Press.
Pentland, Alex. 2014. “Saving Big Data from Itself”. Nature 314 (2): 64-67.
Pesenson, Meyer Z., Isaac Z. Pesenson y Bruce McCollum. 2010. “The data big bang
and the expanding digital universe: High-dimensional, complex and massive da-
ta sets in an inflationary epoch”. Advances in Astronomy, Article ID 350891, 1-16.
Pržulj, Nataša y Noël Malod-Dognin. 2016. “Network analytics in the age of Big Da-
ta”. Science 353 (6295): 123-124.
Ramírez-Gallego, Sergio, Alberto Fernández, Salvador García, Min Chen y Francis-
co Herrera. 2018. “Big Data: Tutorial and guidelines on information and process
fusion for analytics algorithms with MapReduce”. Information Fusion 42: 51-61.
Russom, Philip y Big Data Analytics. 2011. TDWI best practices report. Fourth Quarter
19 (4): 1-34.
Santos, Raimundo Nonato Macedo dos y Nair Yumiko Kobashi. 2009. “Bibliome-
tria, cientometria, infometria: conceitos e aplicações”. Pesquisa Brasileira em
Ciência da Informação (Brasília) 2 (1): 155-172.
Seife, Charles. 2015. “Big Data: The revolution is digitized”. Nature 518 (7540): 480.
Shneiderman, Ben. 2014. “The big picture for Big Data: Visualization”. Science 343
(6172): 730-730.
Smolan, Rick. 2013. “The human face of Big Data”. Science 351 (6274): 673.
Söding, Johannes. 2017. “Big-Data approaches to protein structure prediction”.
Science 355 (6322): 248-249.
Tabares, Luis F. y Jhonatan. F. Hernández. 2014. Big Data Analytics: Oportunidades,
Retos y Tendencias.
https://www.academia.edu/15043636/Big_Data_Analytics_Oportunidades_
Retos_y_Tendencias
100
BIG DATA-ANÁLISIS INFORMÉTRICO DE DOCUMENTOS INDEXADOS...
DOI: http://dx.doi.org/10.22201/iibi.24488321xe.2020.82.58035
Turk-Browne, Nicholas B. 2013. “Functional interactions as Big Data in the human
brain”. Science 342 (6158): 580-584.
Varian, Hal R. 2014. “Big data: New tricks for econometrics”. Journal of Economic
Perspectives 28 (2): 3-28.
Ward, Jonathan S. y Adam Barker. 2013. “Undefined by data: a survey of big data de-
finitions”. Preprint, presentado el 20 de septiembre de 2013.
https://arxiv.org/abs/1309.5821
Wormell, Irene. 1998. “Informetria: explorando bases de dados como instrumentos
de análise”. Ciência da Informação 27 (2): 210-216.
Yom-Tov, Elad. 2016. Crowdsourced Health How What You Do on the Internet Will
Improve Medicine. Cambridge, MA; London, England: MIT Press.
101
102
INVESTIGACIÓN BIBLIOTECOLÓGICA, vol. 34, núm. 82, enero/marzo, 2020, México, ISSN: 2448-8321, pp. 87-102
Anexo
Palabras de tipo de documento y su frecuencia de aparición en los títulos