Clasificando Publicaciones de Investigación en Teoría de Funcionales de Densidad

Con el aumento en el número de artículos científicos publicados cada año, se está volviendo más difícil para los investigadores mantenerse al tanto de los últimos hallazgos en sus campos. Clasificar estos artículos de manera precisa es clave para ayudar a los investigadores a encontrar literatura relevante. La Teoría de Funcionales de Densidad (DFT) es un método utilizado en varios estudios científicos, lo que lo convierte en un caso perfecto para analizar, ya que tiene una gran comunidad que publica muchos artículos.

Para abordar este problema, desarrollamos un nuevo método para clasificar publicaciones de Investigación usando una técnica llamada Modelado de temas. Este enfoque nos permite analizar los resúmenes de documentos relacionados con DFT, crear temas basados en patrones de palabras y luego asignar cada artículo a un tema específico. Al examinar las relaciones entre temas, revistas, países y años de Publicación, podemos obtener información valiosa sobre el estado actual de la investigación en esta área.

Tradicionalmente, los artículos científicos en ciencias básicas eran clasificados usando un sistema conocido como el Esquema de Clasificación de Física y Astronomía (PACS). Este sistema utiliza códigos y palabras clave para categorizar publicaciones. Sin embargo, este método está en transición hacia una forma más eficiente de clasificación debido a los desafíos en la administración y manejo de artículos por la organización detrás de él.

Como resultado, hay una necesidad de un método de clasificación más dinámico y flexible, uno que refleje los desarrollos e intereses en ciencia. Hoy en día, los métodos de aprendizaje automático, especialmente el modelado de temas, están ganando terreno en este sentido. En este trabajo, proponemos una técnica de aprendizaje no supervisado que se enfoca en encontrar correlaciones de texto para categorizar documentos basados en un número limitado de temas. Estos temas se crean agrupando palabras relacionadas encontradas en la selección de documentos.

Aunque el modelado de temas se ha utilizado para clasificar temas de investigación antes, nuestro estudio comienza con una base de datos bien definida de publicaciones relacionadas con paquetes de estructura electrónica. DFT se utiliza ampliamente para describir materiales a nivel atómico, con muchas herramientas de software que lo emplean. Esto ha fomentado comunidades de investigadores trabajando en temas relacionados con DFT.

Nuestra investigación se centra en artículos que citan bibliotecas de código computacional, asegurándonos de concentrarnos únicamente en publicaciones relacionadas con DFT. Aunque algunos estudios han intentado analizar artículos de DFT, a menudo se basaron en códigos PACS, que no siempre están disponibles en nuestro conjunto de datos. Así que necesitamos un sistema de clasificación basado en el contenido de los documentos.

Recopilamos artículos de investigación y sus resúmenes de la base de datos Web of Science, ampliando nuestros datos para incluir artículos de 2020. Para analizar los resúmenes, implementamos varios pasos de preprocesamiento para asegurarnos de que solo mantuvimos las palabras más significativas. Esto implicó eliminar símbolos matemáticos, caracteres y términos comunes que no ayudan a diferenciar entre campos. También agrupamos frases comunes en unidades más grandes y reducimos palabras a sus formas base para crear una lista completa de tokens.

Una vez que preparamos los datos, aplicamos un algoritmo de modelado de temas llamado Asignación de Dirichlet Latente (LDA). Este algoritmo utiliza métodos estadísticos para crear temas basados en los patrones de palabras en los resúmenes. Usamos la biblioteca de Python Gensim para implementar LDA, probando modelos con diferentes números de temas para encontrar el mejor ajuste para nuestros datos.

Después de construir los modelos, asignamos temas a cada publicación basado en las probabilidades de la salida de LDA. Esto nos permitió analizar la distribución de temas a través de diferentes países, revistas y años de publicación. Al examinar estas distribuciones, podemos identificar qué temas se han vuelto más prominentes en los últimos años.

En nuestro análisis, notamos algunas tendencias interesantes. Por ejemplo, los temas comunes de 1990 a 2019 mostraron un cambio en los intereses al compararlos con las publicaciones de 2020. Algunos sujetos, como el estudio de transiciones de fase cristalina y modelado atómico, han seguido siendo cruciales, mientras que nuevos temas relacionados con métodos de desarrollo y procesos electroquímicos han ganado terreno.

Para entender los cambios en el interés a través de diferentes temas a lo largo del tiempo, calculamos el número normalizado y ponderado de publicaciones por tema por año. La mayoría de los temas vieron un crecimiento significativo en los números de publicación, reflejando un interés creciente en la investigación relacionada con DFT. Sin embargo, algunos temas se han estabilizado o incluso han disminuido en interés, indicando un cambio en el enfoque entre los investigadores.

También exploramos la distribución geográfica de la investigación de DFT. Inicialmente dominada por EE.UU., ha habido un aumento notable en las publicaciones de China. Cuando China entró en el campo de DFT alrededor de 2005, comenzó a concentrarse en las transiciones de fase cristalina y ha diversificado sus intereses desde entonces. Este cambio sugiere que China está en camino de convertirse en un actor importante en la investigación de DFT.

Igualmente, investigamos qué revistas han publicado más artículos relacionados con DFT. Notablemente, Physical Review B sigue siendo una revista prominente para publicaciones de DFT, aunque otras revistas están contribuyendo cada vez más al campo. La diversificación de temas entre varias revistas arroja luz sobre el panorama evolutivo de la investigación en DFT.

Examinar las Citas fue otro aspecto clave de nuestro análisis. Dado que los artículos más nuevos citan frecuentemente estudios más antiguos, rastrear tendencias de citas puede proporcionar información sobre la relevancia continua de los temas de investigación. Encontramos que los temas que recientemente han ganado popularidad en las publicaciones tienden a tener un aumento correspondiente en las citas.

En resumen, la clasificación automática de artículos de investigación basada en sus resúmenes es una vía prometedora para una categorización más eficiente y objetiva. Los hallazgos de nuestro estudio reflejan la naturaleza dinámica de la investigación en DFT, ilustrando intereses cambiantes y destacando temas emergentes en el campo. La investigación futura podría expandir nuestro enfoque al analizar los textos completos de todas las publicaciones en nuestro conjunto de datos, permitiendo una comprensión aún más profunda de las tendencias dentro de DFT y más allá.

#Resumen del Conjunto de Datos

Para construir nuestro conjunto de datos, utilizamos la base de datos Web of Science (WoS) y recopilamos todos los artículos que citan paquetes computacionales populares utilizados en el estudio de sistemas cristalinos. Nuestro conjunto de entrenamiento comprende artículos publicados hasta 2019, mientras que el conjunto de prueba se centra en las citas de 2020.

El primer paso en el análisis de nuestro conjunto de datos implicó examinar la distribución de documentos por temas. Esta distribución nos ayuda a entender qué tan bien los temas identificados se alinean con las publicaciones. Al calcular los pesos de los temas basados en su presencia en los documentos, podemos observar qué temas son más comunes y cómo se relacionan entre sí.

#Análisis de Distribución de Temas

En nuestro análisis, observamos la distribución de documentos en varios temas. Notamos que ciertos modelos con menos temas tendían a mostrar una distribución desequilibrada, lo que significa que solo unos pocos temas representaban la mayor parte de los documentos. Un modelo con 35 temas demostró una representación más equilibrada de los temas, indicando la necesidad de tener un número adecuado de temas para reflejar la diversidad de la investigación en DFT.

Al analizar las palabras clave asociadas con cada tema, obtuvimos conocimientos sobre las áreas de enfoque de la investigación. Algunos temas estaban estrechamente relacionados, como los que tratan sobre propiedades magnéticas, mientras que otros se centraban en asuntos distintos como la investigación de hidrógeno e hidruros. La efectividad de nuestro enfoque de modelado de temas es evidente en qué tan bien captura estos diferentes temas.

#Tendencias Temporales en la Investigación de DFT

Más allá de analizar distribuciones de temas, también exploramos cómo evolucionaron los temas a lo largo del tiempo. Comparar la distribución de documentos de diferentes períodos ilustró cómo los intereses de investigación han cambiado. Notablemente, algunos temas, como el desarrollo de nuevos métodos y procesos electroquímicos, han ido ganando prominencia recientemente, señalando un cambio en el enfoque de la comunidad de DFT.

Al investigar el número normalizado y ponderado de documentos publicados por año por tema, reconocimos una tendencia de crecimiento exponencial en las publicaciones relacionadas con DFT. Aunque algunos temas han comenzado a estabilizarse, muchos están experimentando aumentos significativos, mostrando la importancia de DFT en diversos campos de investigación.

#Distribución Geográfica de la Investigación

Nuestro análisis también incluyó explorar la distribución geográfica de artículos de investigación por país. Inicialmente, EE.UU. lideraba el campo, produciendo un número significativo de publicaciones en múltiples temas. Sin embargo, al analizar las publicaciones de años más recientes, notamos que China ha emergido como un importante contribuyente. El cambio de enfoque hacia transiciones de fase cristalina y otras áreas de investigación de DFT indica una diversificación de intereses y representa una creciente influencia en el campo.

#Análisis de Revistas y Editores

Examinamos las tendencias de publicación en varias revistas para entender mejor cómo se difunde la investigación de DFT. Algunas revistas, como Physical Review B y Journal of Physical Chemistry C, siguen siendo jugadores clave en la publicación de artículos relacionados con DFT. Sin embargo, la diversificación entre revistas refleja un interés más amplio en temas de DFT, significando la evolución continua del campo.

Al comparar el número normalizado de publicaciones en diferentes revistas, identificamos que las revistas de acceso abierto tienden a centrarse en menos temas en comparación con las revistas por suscripción. Mientras que estas últimas cubren un rango más amplio de temas, las revistas de acceso abierto concentran sus esfuerzos en áreas específicas, indicando diferentes estrategias editoriales y compromiso con la audiencia.

#Tendencias y Efectos de Citas

Por último, rastrear las tendencias de citas puede ofrecer información sobre la importancia de varios temas dentro de la investigación de DFT. Dado que los artículos más nuevos a menudo hacen referencia a estudios más antiguos, entender cómo evolucionan las citas a lo largo del tiempo puede aclarar la relevancia de temas específicos. Al analizar tendencias de citas, podemos identificar qué áreas de investigación siguen atrayendo interés y cuáles se están estabilizando o declinando.

En este sentido, los temas que recientemente han ganado tracción en las publicaciones a menudo corresponden a un aumento en las citas, lo que sugiere su creciente importancia en la comunidad de DFT. Al monitorear estas tendencias, podemos predecir qué áreas pueden experimentar crecimiento en el futuro.

#Conclusión

En conclusión, nuestro estudio resalta los beneficios de usar modelado de temas para clasificar y analizar artículos de investigación en el campo de la Teoría de Funcionales de Densidad. Los conocimientos derivados de nuestro análisis revelan la naturaleza dinámica de los intereses de investigación, mostrando cómo los temas evolucionan a lo largo del tiempo y a través de fronteras geográficas.

El método de clasificación automática empleado aquí permite una categorización mejorada, más rápida y más objetiva de artículos de investigación. Nuestros hallazgos sugieren un futuro vibrante para la investigación de DFT, como lo evidencian el auge de nuevos temas y la creciente influencia de países como China.

Mientras que nuestro análisis se centró en DFT, el enfoque que desarrollamos puede ser adaptado para su uso en otros campos, convirtiéndolo en una herramienta versátil para investigadores que buscan mantenerse informados sobre desarrollos en sus áreas de interés. La investigación futura podría profundizar aún más nuestra comprensión de DFT y potencialmente descubrir nuevas tendencias que darán forma al panorama científico en los próximos años.