Aplicación de minería de texto para el análisis métrico sobre ahorro energético en proyectos del Séptimo Programa Marco
Palabras clave:
Ahorro Energético, Séptimo Programa Marco, Estudios métricos de la información, Minería de textosResumen
Objetivos. Este estudio analiza la actividad científica y tecnológica sobre ahorro energético a través de los proyectos del Séptimo Programa Marco. Se utiliza la base de datos europea CORDIS y se emplean herramientas de minería de texto para el análisis de contenido.Diseño/Metodología/Enfoque. El trabajo se desarrolla en dos fases. La primera utiliza un abordaje cienciométrico para obtener información sobre: países que participan y lideran los proyectos, distribución de la financiación y relación entre número de participantes y fondos obtenidos. La segunda, analiza la frecuencia de términos y tópicos principales de los proyectos.
Resultados/Discusión. Se han concedido 256 proyectos siendo los mayores participantes: Alemania, Francia, Reino Unido, España e Italia. La financiación recibida es muy variable y no hay relación entre el número de países e instituciones por proyecto y el monto conseguido. El análisis de contenido muestra que se destacan los proyectos relacionados con Gestión de la Energía Eléctrica; Obtención de energías alternativas; Vehículo Eléctrico y Eficiencia Energética.
Conclusiones. Los países más activos son los grandes productores. No hay relación entre el tamaño de los equipos de investigación y la financiación captada ya que hay proyectos con pocos países e instituciones participantes y una alta financiación. Los temas de los proyectos son muy variados, algunos son muy específicos (Vehículo Eléctrico) y otros generales relacionados con la gestión energética y la eficiencia urbana.
Originalidad/Valor. La aplicación de metodologías mixtas para el estudio de un campo científico se presenta como un abordaje prometedor para describir el área y analizar su dinámica.
Descargas
Citas
Bird S., Edward, L., & Ewan K. (2009), Natural Language Processing with Python. O’Reilly Media Inc.
Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research; 3, 993-1022.
Callon, M., Courtial, J. P., & Penan, H. (1995). Cienciometría: la medición de la actividad científica: de la bibliometría a la vigilancia tecnológica. Gijón: Trea.
De Filippo, D., Marugán, S., & García-Zorita, C. (2016). Actividad española en Ahorro Energético. Participación, captación de recursos y liderazgo en los proyectos europeos del Séptimo Programa Marco. Madrid, España: CONAMA.
Figuerola, C, García-Marco, F., & Pinto, M. (2017). Mapping the evolution of library and information science (1978-2014) using topic modeling on LISA. Scientometrics, 112:1507-1535. doi: 10.1007/s11192-017-2432-9.
Griffiths, T. L., & Steyvers, M. (2002). A probabilistic approach to semantic representation. En Proceedings of the 24th Annual Conference of the Cognitive Science Society.
Hofmann, T. (1999). Probabilistic Latent Semantic Analysis. En Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence.
IDAE. (2011). Informe de sostenibilidad ambiental del plan de energías renovables 2011-2020.
McCallum, A. K. (2002). MALLET: A Machine Learning for Language Toolkit. Recuperado de http://mallet.cs.umass.edu.
Nonato Macedo dos Santos, R., Pandiella-Dominique, A., Lascurain-Sánchez, M. L., & Sanz-Casado, E. (2017). Tecnologias verdes para um mundo autossustentável: um olhar sobre Brasil e Espanha. Em Questão, 23(2), 277-294.
OECD. (2011). Towards Green Growth, OECD, Paris.
OECD. (2012). Greening Development: Enhancing Capaci
