Revista Ibérica de Sistemas e Tecnologias de Informação

Recebido/Submission: 07/10/2018
Iberian Journal of Information Systems and Technologies Aceitação/Acceptance: 13/12/2018

Caracterización de factores que influyen en la baja

producción científica de las universidades usando
análisis de redes sociales

Jéssica Ponce1, Ariosto Vicuña1, Orlando Erazo1, Eduardo Samaniego1

jessica_ponceord@hotmail.es, {avicuna, oerazo, esamaniego}@uteq.edu.ec

1
Universidad Técnica Estatal de Quevedo, Av. Quito Km 1.5, 120301, Quevedo, Ecuador.
Pages: 156–169

Resumen: Con el paso de los años, las estructuras sociales se han transformado
en combinaciones complejas dando lugar a un incremento en el análisis de sus
conductas. Precisamente, un problema referente a ellas puede encontrarse en
las instituciones de educación superior donde la baja producción científica tiene
un impacto significativo en los indicadores de calidad. Ante esta situación, en
este artículo se describe un estudio sobre las complejidades no visibles en la baja
producción científica de universidades, aplicando el análisis de redes sociales
como herramienta para descubrir patrones de dicha producción. Para el efecto, se
construyeron cinco redes diferentes en base a información personal, de trabajo,
de publicaciones de contenidos académicos, de dirección de tesis y de estudios
de pregrado y postgrado de docentes universitarios. En base a la interpretación
de cada una de estas redes se extrajeron los factores que tienen influencia en las
publicaciones científicas realizadas.
Palabras-clave: redes sociales; producción científica; análisis de redes.

Characterization of factors that influence on the low scientific

production of universities using social network analysis

Abstract: Over the years, social structures have been transformed into complex
combinations, leading to an increase in the analysis of their behavior. Precisely,
a problem concerning them can be found in higher education institutions where
low scientific production has a significant impact on quality indicators. Given this
situation, this article describes a study on the not visible complexities in the low
scientific production of universities, applying the analysis of social networks as a
tool to discover patterns of such production. To do it, five different networks were
built based on personal information, work, academic content publications, thesis
management, and undergraduate and postgraduate studies of university professors.
Based on the interpretation of each of these networks, the factors that influence the
scientific publications carried out were extracted.
Keywords: social networks; scientific production; network analysis.

156 RISTI, N.º E17, 01/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

1. Introducción
Con el devenir de los años, las estructuras sociales se han transformado en combinaciones
complejas dando lugar a un incremento en el análisis de sus conductas. Básicamente, una
estructura social es un conjunto limitado de elementos estructurales como individuos,
grupos comunitarios, valores, instituciones y grupos asociativos. Estas estructuras
presentan conductas susceptibles de ser analizadas. Este análisis resulta de interés
porque permite entender el mundo desde la realidad y dar cuenta de ello. Para el efecto,
se puede recurrir al uso de técnicas que ayuden en el estudio de la información en redes
(como gestión del conocimiento, relaciones comunitarias, relaciones de productividad,
entre otros).
Precisamente, el análisis de redes sociales (ARS) es una de esas técnicas que se puede
utilizar para evaluar la actuación de estructuras sociales. Los estudios correspondientes
se realizan entre actores, ya sean estos humanos, organizaciones económicas,
profesionales, de diferentes clases sociales entre otros (Ronald L, 2004). Así, el ARS
puede ser empleado para caracterizar de manera eficiente los diversos comportamientos
de la estructura social observada. De manera similar, el ARS sirve para tratar de explicar
fenómenos sociales cualitativos (Velásquez Rodríguez, 2013, pp. 145-146). Además,
es posible graficar la forma en que se llevan a cabo los fenómenos sociales utilizando
algoritmos diseñados para tal fin (como por ejemplo Kamada–Kawai) (Vargas Quesada
& De Moya Anegón, 2007).
El ARS permite también responder de forma efectiva ante sucesos que pueden ocurrir
dentro de un contexto. Esto ha permitido utilizarlo en diferentes áreas como seguridad,
salud y educación. Jhon & Carrintong (Jhon & Carrintong, 2011) utilizaron el ARS
para modelar organizaciones sociales delincuenciales. A partir de ese modelamiento
analizaron los efectos de la delincuencia en los adolescentes, y en menor medida en
el crimen de los adultos, basándose fundamentalmente en la teoría del control social.
Por otra parte, el ARS ha sido aplicado en el campo de la salud pública para estudiar la
transmisión de enfermedades (Ramos-Vidal, 2015). En este ámbito, las redes se usan
para estudiar las conductas de salud y la estructura inter-organizativa de los servicios
ofrecidos que producen información de notable importancia para descubrir problemas
asociados a ese sector. En cuanto al uso educativo de las redes sociales, éstas pueden
ayudar a analizar las actitudes y expectativas de alumnos universitarios (Espuny Vidal,
et al., 2011). No obstante, las redes sociales podrían ser aprovechadas también para
resolver otro tipo de problemas en el ámbito educativo.
Precisamente, un problema referente a las estructuras sociales que puede encontrarse
en varias instituciones de educación superior (IESs) es la baja producción científica
(Rodríguez Morales, et al., 2016) evidenciada fundamentalmente como publicaciones
de artículos científicos y libros. Incluso, dicha producción puede considerarse como
deficiente y estacionaria en algunos casos (Caballero Rico, et al., 2012). Esta “escasez”
científica puede deberse a la baja colaboración entre pares (Gonzales Salda, et al., 2017),
a una capacidad limitada para adquirir y utilizar el conocimiento, entre otras. Además,
con el paso del tiempo la investigación se hace más compleja, multidisciplinaria, costosa
y se distribuye geográficamente, lo que en algunos casos dificulta o impide su realización
(Pérez Beltrán, et al., 2015). Finalmente, la falta de producción científica en las IESs
tiene también un impacto significativo en los indicadores educativos de calidad.

RISTI, N.º E17, 01/2019 157

Caracterización de factores que influyen en la baja producción científica de las universidades usando análisis de redes sociales

Ante esta situación, en este artículo se describe un estudio sobre las complejidades no
visibles en la baja producción científica de IESs, aplicando el ARS como herramienta
para descubrir patrones de dicha producción dentro del entorno universitario. Para el
efecto, se construyeron cinco redes diferentes con los datos recolectados en una IES. Los
resultados permitieron determinar las relaciones existentes en los docentes que podrían
tener una influencia en las publicaciones científicas realizadas. Aunque la propuesta
del uso del ARS es aplicada a una universidad en particular, este estudio constituye
un referente para realizar análisis similares en otras IESs, que contribuyan a tomar las
decisiones adecuadas para mejorar la producción científica de sus docentes.

2. Metodología

2.1. Redes seleccionadas

Los estudios de redes sociales requieren que se defina la cantidad de redes a analizar.
Esta cantidad es determinada por las características propias de los actores involucrados
en el estudio; es decir, los límites del estudio se definen alrededor de los actores que
constituyen la red (Hanneman & Riddle, 2005). Como los sujetos que constituyen
las redes de interés son docentes universitarios, éstas deben corresponder a las
características profesionales y personales de ellos. Además, estas características deben
estar en concordancia con aquellos aspectos a considerar cuando se desea analizar la
baja producción científica universitaria (García Zárate, 2003). Por lo tanto, las redes a
ser analizadas en este trabajo son las siguientes: (1) Información personal: se estudian
datos como estado civil, edad, hábitos de lectura de los docentes entre otros. (2) Trabajo:
muestra si la carga horaria de los docentes, la realización de otros tipos de labores y
las bases de datos de consulta para su labor de docencia tienen influencia en la escasa
producción científica. (3) Dirección de tesis: permite estudiar la relación que hay entre
la dirección de tesis y la no publicación de contenidos científicos. (4) Publicaciones de
contenidos académicos: estudia variables como la elaboración de libros con ISBN y la no
publicación de los mismos. (5) Estudios de pregrado y postgrado: muestra la importancia
de estudios en los docentes para la realización de contenidos científicos.

2.2. Recolección de datos

El primer paso para la creación y análisis de las redes consistió en un estudio descriptivo
transversal basado en encuestas para recolectar los datos necesarios. Las encuestas
fueron diseñadas para obtener datos de los docentes tanto a nivel profesional como
personal. Se consideraron variables como edad, enfermedades, acceso a internet,
lugar de residencia, nivel de instrucción, libros, ponencias, investigaciones realizadas,
artículos científicos, direcciones de tesis, entre otros. Estas variables permitieron crear
los vínculos o lazos existentes entre los elementos involucrados para así explicar su
comportamiento (Requena Santos, 1996).
La recolección de datos fue llevada a cabo en una universidad ecuatoriana, acreditada
y categoriza en el tercero de cinco niveles1. Todos los profesores titulares de cada una
1
Categoría vigente al momento de realizar el estudio. Actualmente, dicha universidad de
encuentra en la segunda de cuatro categorías

158 RISTI, N.º E17, 01/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

de las cinco facultades existentes (Ciencias Empresariales, de la Ingeniería, Agrarias,

Ambientales y Pecuarias) completaron las encuestas en papel. Además, como este
estudio de redes sociales busca involucrar a todos los sujetos y sus relaciones no se
puede mencionar una población y/o una muestra.

2.3. Creación de redes

Una vez recolectados los datos, se crearon las cinco redes seleccionadas. Esta etapa se
llevó a cabo empleando la aplicación MTVAL (Matriz validadora) desarrollada por los
autores. MTVAL (figura 1) permite la creación de redes, nodos y relaciones que vinculan
los nodos en las redes sociales y genera un archivo compatible con otras aplicaciones
afines como Pajek.
Como siguiente paso, la visualización de las redes se realizó utilizando Pajek (Batagelj
& Mrvar, 1998) versión 4.10 (disponible en http://vlado.fmf.uni-lj.si/pub/networks/
pajek/). Pajek es un software libre enfocado al análisis de redes sociales que incluye la
opción de visualizarlas gráficamente. Este software ya ha sido aplicado antes en otras
investigaciones. Por ejemplo, Pajek fue usado en un estudio sobre células madre que
buscaba comparar “las líneas de investigación que ofrece el análisis de distintos tipos
de descriptores, según su naturaleza documental, a partir de su aparición conjunta en
los documentos” (Cantos Mateos, et al., 2013). En otro trabajo, Pajek se utilizó para
analizar la importancia del uso de indicadores relacionales en los estudios de producción
científica sobre grupos de investigación con el fin de determinar las dinámicas que
aplican estos grupos (Rodríguez Gutiérrez & Gómez Velasco, 2017). Estos trabajos
conducen a considerar que Pajek permite tener una mejor representación en redes
grandes utilizando los algoritmos de visualización apropiados (Batagelj & Mrvar, 2011).

Figura 1 – MTVAL: Diagrama de componentes y ventana administración de MTVAL

Uno de los algoritmos implementados en Pajek es Kamada-Kawai (Kamada & Kawai,

1989). Este algoritmo está basado en grafos que permiten la visualización de diseños
mostrando el comportamiento de una determinada situación (Vargas Quesada & De
Moya Anegón, 2007). En nuestro caso, Kamada-Kawai permitió distribuir los nodos
de la red de tal manera que aquellos que se encontraban conectados aparecieran más
cerca unos de otros, con una ubicación hacia el centro de la red, mientras que los que

RISTI, N.º E17, 01/2019 159

Caracterización de factores que influyen en la baja producción científica de las universidades usando análisis de redes sociales

no estaban conectados tendieran a ir hacia el exterior. Esta característica ofrecida por

Kamada-Kawai, junto con Pajek, contribuye a la realización de un mejor análisis de los
actores que conforman la red (Gil Mendienta & Schmidt, 2002).

2.4. Indicadores
Para el análisis de la red propiamente dicho se emplearon varios indicadores. Primero,
la densidad (density) de la red, que puede ser calculada sin necesidad de utilizar un
software específico. Para ello se divide el número de relaciones (n) entre las posibles
relaciones a existir (N) multiplicado por 100. Para obtener las posibles relaciones se
multiplica el número total de nodos (n) por el número de nodos menos uno (Valázquez
Álvarez & Aguilar Gallegos, 2005).
Otra medida utilizada es el grado de centralidad (Degree centrality) de la red.
Este indicador permite saber el impacto que tiene un nodo central en la red que está
siendo analizada basándose en la capacidad de conexión de dicho nodo. El nodo con
mayor conexión es aquel que tiene mayor capacidad de influir en los demás (Yan & Ding,
2009). Para conocer la centralidad se miden las entradas y las salidas de cada nodo. Las
entradas se calculan como la suma de las relaciones que los actores dicen tener sobre el
resto, mientras que las salidas corresponden a la suma de las relaciones referidas hacia
un actor por otros (Valázquez Álvarez & Aguilar Gallegos, 2005).
El tercer indicador aplicado es el grado de intermediación (betweenness), que es
la posibilidad que tiene un nodo o actor para controlar las comunicaciones entre pares
de nodos. Se calculó usando los caminos geodésicos entre todos los pares posibles. Un
camino geodésico es la ruta más corta que un actor debe seguir para llegar a otros nodos.
El grado de intermediación se obtiene al contar las veces en que los nodos aparecen en los
caminos geodésicos conectados entre sí (Valázquez Álvarez & Aguilar Gallegos, 2005).
Con este indicador se analizó la importancia de los actores en las redes conociendo la
proximidad entre ellos, lo que a su vez permitió evaluar la capacidad de comunicación
existente entre los actores y la red (Polanco, 2008).
Finalmente, el grado de cercanía (closeness) se empleó para medir “la distancia de
un nodo para alcanzar al conjunto de los otros (si es de salida) y de ser alcanzado por
los otros (si es de entrada)” (Prat Forga & Cànoves Valiente, 2013). Los valores altos de
una red indican una gran capacidad de los nodos al conectarse con los actores en la red
(Valázquez Álvarez & Aguilar Gallegos, 2005).

3. Resultados e interpretación
En esta sección se presentan los resultados obtenidos por medio de la metodología
descrita anteriormente. Al mismo tiempo se analiza la información obtenida en cada
una de las redes anteriormente mencionadas.

3.1. Red información personal

La red de información personal (figura 2) muestra los nodos con mayor impacto en la
no publicación de artículos científicos de los docentes. En general, se puede notar que
la relación de la lectura, el sueldo, los problemas de salud y la edad con la producción

160 RISTI, N.º E17, 01/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

científica. La tabla 1 por su parte muestra los valores de enlaces, cercanías y frecuencia
de los nodos que intervienen en la red de información personal. Se visualiza el número
de los nodos, los nombres de los nodos y los valores de los indicadores. Estos últimos
ponen de manifiesto la importancia y la influencia que tienen los nodos en la red de
información personal. Además, el nodo más influyente para el indicador grado de
centralidad es “no publica” con 163 enlaces lo que significa que la mayoría de docentes
no realiza publicaciones científicas. Esto no se debe precisamente a que no “les guste
leer” ya que en la columna cercanía este nodo tiene un valor alto (0,63643807); es decir,
cuenta con una gran relación hacia los demás nodos. Por lo tanto, nuestros resultados
sugieren que la no publicación está relacionada con los medios donde los docentes
realizan sus lecturas (como periódicos y libros por encima de los artículos científicos).

Figura 2 – Red información personal

Nº Nodos Centralidad Cercanía Intermediación

204 No publica 163 0,54375292 0,266763197
179 Si le gusta leer 127 0,63643807 0,300462297
165 Ingresos mensuales $2100-$2600 52 0,40584457 0,041436756
160 Casado 87 0,4849052 0,112223435
181 Lecturas en periódicos 39 0,37970543 0,017504406
182 Lecturas en libros 39 0,38229727 0,020349021
185 Lecturas en artículos científicos 35 0,38229727 0,023424902
157 55-60 años de edad 24 0,35113825 0,007845055
152 30-35 años de edad 22 0,35559714 0,01179288
154 40-45 años de edad 22 0,34786677 0,005312101
155 45-50 años de edad 22 0,34678979 0,008228019
169 Problema de salud Circulatorio 19 0,35113825 0,00545666
Densidad de la red: 0,04205930 = 4,2%

Tabla 1 – Valores de los indicadores para la red de información personal

RISTI, N.º E17, 01/2019 161

Caracterización de factores que influyen en la baja producción científica de las universidades usando análisis de redes sociales

Por otro lado, la columna intermediación indica que, después de los nodos “si publica”
y “le gusta leer”, el nodo “casado” tiene una frecuencia de 0,112223435 en comparación
con los demás nodos. Esto significa que aunque este nodo no presente una frecuencia
alta en comparación con el nodo “le gusta leer”, tiene influencia en la no publicación de
contenido científico. Finalmente, la densidad de la red es baja (4,2%), lo que sugiere que
hay características específicas en la parte personal de los docentes que influyen en la no
publicación de artículos científicos. Cabe notar que densidades como esta se encuentran
normalmente en redes grandes debido a que existe una gran cantidad de conexiones
entre los nodos con mayor influencia.

3.2. Red trabajo

La figura 3 muestra una porción de la red trabajo. Esta red pone de manifiesto la relación
entre la carga horaria, la realización o no de otro tipo de labores y las fuentes de consulta
para labores docentes con escasa producción científica.

Figura 3 – Red trabajo

La tabla 2 detalla los valores que tienen los nodos en cada uno de los indicadores. El
indicador grado de centralidad muestra que la carga horaria de “8-10 horas de trabajo”
tiene 49 enlaces. Este valor indica que existe una asociación fuerte de dicha carga
laboral con la no publicación de contenido científico. Además, existe una alta cercanía
por parte del nodo “si tiene otro trabajo” (0,44897959), lo que puede significar
que, al poseer otro trabajo, los docentes no tienen tiempo suficiente para realizar
producciones de tipo científicas. También, una de las mayores fuentes de consultas
para la labor de docencia se la realiza en los Blogs, con un valor en el indicador
intermediación de 0,036102709, mismo que comparado con los valores de los nodos
Springer y Etechnologies tiene una frecuencia alta. Esto permite llegar a la conclusión
que las fuentes de consultas empleadas por los docentes influyen en la realización de
publicaciones de carácter científico. Por último, la densidad de la red es de 2,6% lo que
indica que las características con mayor peso de la red se corresponden entre ellas. En
base a esto se puede decir que la carga horaria, como las labores de trabajo aparte de
la docencia y las fuentes de consultas en la labor docencia, tienen un gran impacto en
la escasa publicación de artículos científicos.

162 RISTI, N.º E17, 01/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Nº Nodos Centralidad Cercanía Intermediación

174 No publica 163 0,56896552 0,646283736
154 8-10 horas de trabajo 49 0,39520958 0,16534511
151 No tiene otro trabajo 31 0,37078652 0,052562601
155 10-12 horas de trabajo 31 0,35044248 0,064717799
150 Si tiene otro trabajo 30 0,44897959 0,063702562
156 12-14 horas de trabajo 27 0,34920635 0,076044394
153 6-8 horas de trabajo 23 0,33616299 0,047484658
157 Blogs 19 0,34554974 0,036102709
175 Base de datos Springer 15 0,33962264 0,021465196
179 Base de datos Etechnologies 15 0,33962264 0,023747894
Densidad de la red: 0,02598853 = 2,6%

Tabla 2 – Valores de los Indicadores para la red trabajo

3.3. Red dirección de tesis

Figura 4 – Red dirección de tesis

En esta red (figura 4) se aprecia que la mayoría de docentes tiene una cantidad
considerable de tesis de grado dirigidas, mismas que oscilan entre 1 y 12 tesis. Esta
red demuestra también que los docentes no conocían las líneas de investigación de sus
facultades al momento de la investigación. Asimismo, una gran parte de los docentes
realizaban los cálculos estadísticos con herramientas no idóneas (como MS Excel).
Además, entre las causas que los docentes consideran importantes para que no se
haya desarrollado investigación están el aspecto económico, la falta de liderazgo y las
publicaciones de docencia realizadas a través de blogs.
Los aspectos observados en la figura 4 se complementan con los valores de los indicadores
recogidos en la tabla 3. El nodo con 163 enlaces corresponde a “no publica” lo que se

RISTI, N.º E17, 01/2019 163

Caracterización de factores que influyen en la baja producción científica de las universidades usando análisis de redes sociales

debe al gran número de docentes que no realizan publicaciones de contenido científico.

Por otro lado, aunque el nodo referente a la dirección de tesis tiene un valor considerable
(159 enlaces), los docentes no necesariamente conocen las líneas de investigación de su
institución (cercanía de 0,3533123 con los demás nodos). En cuanto a la cantidad de
tesis dirigidas, el indicador grado de centralidad muestra que la dirección de “1 a 5 tesis”
(29 enlaces) tiene una mayor relación en comparación con la dirección de “6 a 12 tesis”
(22 enlaces).

Nº Nodos Centralidad Cercanía Intermediación

174 No publica 163 0,56896552 0,646283736

151 Si ha dirigido tesis 159 0,54368932 0,298374463

152 No dominan la estadística 135 0,46666667 0,150353823

157 Excel 83 0,47457627 0,080173362

166 1-5 tesis 29 0,36721312 0,011270619

167 6-12 tesis 22 0,35555556 0,006783996

177 Escases económica 92 0,51141553 0,107639446

175 Falta de liderazgo 37 0,37966102 0,014230412

172 No sabe las líneas de investigación 24 0,3533123 0,005748372

183 Blogs 19 0,35109718 0,005028656

Densidad de la red: 0,04607143= 4,6%

Tabla 3 – Valores de los Indicadores para la red dirección de tesis

3.4. Red publicación de contenidos académicos

Esta red (figura 5) revela que la publicación de libros con ISBN es una deficiencia en la
mayoría de docentes, característica importante para comprender la escasa publicación
de contenido científico académico. Además, se puede ver que una cantidad considerable
de docentes no han realizado publicaciones en revistas indexadas y no indexadas. De
hecho, existen también docentes que no han publicado artículos científicos y mucho
menos libros.
La información visualizada en la red es analizada a partir de los valores que tienen los
indicadores de los nodos con mayor peso de acuerdo a lo presentado en la tabla 4. La
densidad que presenta la red publicación de contenidos académicos es del 4,6%, el cual
es un porcentaje bajo debido a que las relaciones entre los nodos involucrados en la
baja producción científica tienen un alto grado de conexión. Por otro lado, los docentes
que no tienen libros ni de artículos científicos publicados tienen una frecuencia de
0,158257727 correspondiente al indicador grado de intermediación. El nodo “No
ISBN” presenta un valor alto de 143 enlaces en la columna centralidad; es decir, hay
una gran cantidad de docentes sin publicaciones con ISBN. Además, el no disponer
de publicaciones en revistas indexadas y no indexadas se ve reflejado en el valor del
indicador grado de cercanía.

164 RISTI, N.º E17, 01/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Figura 5 – Red de publicación de contenidos académicos

Nº Nodos Centralidad Cercanía Intermediación

168 No publica 163 0,563247271 0,187505112
193 No ISBN 143 0,742462312 0,263239886
195 No revista indexada 117 0,586856438 0,136707863
197 No revista no indexada 121 0,620284969 0,158257727
198 No publicación libro ni artículo científico 83 0,482783375 0,068553473
199 Si publicación libro y artículo científico 67 0,45163606 0,081299766
Densidad de la red: 0,04558144 = 4,6%

Tabla 4 – Valores de los Indicadores para la red dirección de tesis

3.5. Red de estudio de pregrado y postgrado

Figura 6 – Red de estudios pregrado y postgrado

La red de pregrado y postgrado, presentada en la figura 6, muestra la importancia de

los estudios de tercer nivel en las publicaciones de contenidos científicos. En la relación

RISTI, N.º E17, 01/2019 165

Caracterización de factores que influyen en la baja producción científica de las universidades usando análisis de redes sociales

del tipo y categoría de universidades en las que realizaron sus estudios los docentes,
se observa que en su mayoría estudiaron en universidades nacionales, estatales y que
se encuentran en categoría C2. A esto hay que añadir que las áreas del conocimiento
tales como “3399 otras especialidades tecnológicas (postgrado)”, “3106 ciencia forestal”
y “2390 química farmacéutica (postgrado)”, son las que menos incidencia tienen en la
publicación de los artículos científicos.

Nº Nodos Centralidad Cercanía Intermediación

168 No publica 70 0,40259208 0,03017556

192 Universidades públicas 125 0,56086921 0,13074529

196 C Pregrado 75 0,41833252 0,03853729

194 A Pregrado 34 0,3552888 0,00947807

195 B Pregrado 28 0,35214067 0,00728985

198 Ingeniero 116 0,50215005 0,09776414

252 Universidad Nacional 110 0,51326776 0,09553743

256 C Postgrado 76 0,42022829 0,03401496

270 Ciencia Forestal Postgrado 127 0,55527171 0,13372484

276 Química farmacéutica Postgrado 118 0,5142165 0,10555361

274 Otras especialidades tecnológicas Postg. 76 0,43130407 0,04835152

Densidad de la red: 0,03859460 = 3,9%

Tabla 5 – Definición de algunos estilos

La tabla 5 muestra los valores de los indicadores para los nodos que cuentan con
mayor influencia en la red y que permiten entender las razones de la baja producción
en los docentes. El número de enlaces para el nodo “Universidades públicas” es de
125 lo que significa que los docentes en su mayoría han estudiado en universidades
estatales tipo C con un grado de cercanía (0,41833252) más alto con relación a las de
categoría A y B.
Para los estudios de postgrado los indicadores muestran que para el nodo de
“universidad nacional” hay una frecuencia alta (intermediación = 0,09553743), lo
que significa que existe una gran cantidad de docentes que realizaron sus estudios de
cuarto nivel en universidades categoría C. Por último, la red muestra que las áreas del
conocimiento con menor número de publicaciones de artículos científicos son: Ciencia
Forestal Postgrado (0,13372484), Química farmacéutica Postgrado (0,10555361) y
otras especialidades tecnológicas (0,04835152).

2
Categorización vigente al momento de realizar la investigación.

166 RISTI, N.º E17, 01/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

4. Conclusiones
En este artículo se presenta un estudio en el que se utilizan redes sociales para analizar
la baja producción científica de docentes universitarios. Para ello se crearon cinco redes
en base a información personal, de trabajo, de publicaciones de contenidos académicos,
de dirección de tesis y de estudios de pregrado y postgrado de los docentes de una
universidad de Ecuador. En base a la interpretación de cada una de estas redes se pueden
extraer factores que influyen en la baja producción científica.
Primero, la red información personal revela que los docentes con menos publicaciones
científicas son aquellos que presentan hábitos de lectura en periódicos o libros. La edad
también es una característica relevante al momento de realizar contenidos científicos, es
así que los docentes de 55 a 60 años tienen menos publicaciones que aquellos que están
entre los 30 a 50 años. Además, por medio de la relación ubicación, familia, estado
civil, edades, fuentes de ingresos y salud, se encontró que las características del contexto
personal en que se desenvuelven los docentes tienen un rol importante en la creación de
los contenidos científicos.
Segundo, los docentes con menos publicaciones a partir del estudio de la red trabajo son
aquellos que tienen de 8 a 10 horas de trabajo mostrado como el nodo más influyente
en la red. Las características “tienen otro trabajo” y realizan sus consultas para la labor
docencia en “Blogs” también muestran una alta frecuencia para la no publicación de
contenidos científicos de los docentes.
Tercero, en la red dirección de tesis los docentes que menos publican son aquellos que han
dirigido tesis pero que en su mayoría no dominan la Estadística. A este grupo se suman
aquellos que realizan los cálculos estadísticos en Excel e indican que las limitaciones
económicas no permiten publicaciones de contenido científico.
Cuarto, la red publicación de contenidos académicos revela que los docentes con
publicaciones sin ISBN son los que menos realizan publicaciones científicas.
Por último, los docentes con un menor número de contenidos científicos realizados, según
la red de pregrado y postgrado, se encuentran entre los que terminaron sus estudios
en universidades estatales de categoría C. Esta red también muestra la influencia de la
carrera de pregrado cursada, tales como las de las áreas de Ciencia Forestal y Química
Farmacéutica. Esta red pone de manifiesto además la influencia del poco conocimiento
del uso de nuevas tecnologías para la realización de cálculos estadísticos en la ejecución
de investigaciones científicas y académicas.
Aunque los factores mencionados fueron identificados a partir de los datos recolectados
en una universidad, estos pueden tener una utilidad que va más allá del beneficio
único de dicha institución. En primer lugar, este estudio muestra cómo emplear
el análisis de redes sociales en un problema de la educación superior. Luego, los
factores identificados podrían servir como referencia para que instituciones similares
a la tomada como referente puedan tomar las decisiones necesarias para mejorar su
producción científica. Sin embargo, dadas las diferencias que podrían existir entre
universidades, sería útil realizar a futuro una comparación de los factores identificados
en más de una universidad. Este estudio permitiría ratificar y/o eliminar/incorporar los

RISTI, N.º E17, 01/2019 167

Caracterización de factores que influyen en la baja producción científica de las universidades usando análisis de redes sociales

factores que inciden en la problemática de interés. Además, estas diferencias podrían

también analizarse realizando los estudios respectivos en más de un periodo de tiempo
y comparando tales resultados.

Referencias
Batagelj, V., & Mrvar, A. (1998). Pajek-program for large network analysis. Connections,
21(2), 47–57.
Batagelj, V., & Mrvar, A. (24 de septiembre de 2011). Program for Analysis and
Visualization of Large Networks. Recuperado el 20 de julio de 2016, de
http://vlado.fmf.uni-lj.si/pub/networks/pajek/doc/pajekman.pdf
Caballero, F. C., Uresti, R. M., & Ramírez de León, J. (2012). Análisis de la producción
científica de la Universidad Autónoma de Tamaulipas y evaluación de su impacto en
los indicadores educativos de calidad. Scielo, 41(161), 33–51.
Cantos Mateos, G., Zulueta, M. Á., Vargas Quesada, B., & Chinchilla Rodríguez, Z.
(2013). Estudio comparativo sobre la visualización de redes de co-words a través de
los descriptores del Science Citation Index y de Medline. Actas I Congresso ISKO
Espanha e Portugal (págs.173-189). Portugal: Univ. do Porto.
Espuny, C., González, J., Lleixà, M., & Gisbert, M. (2011). Actitudes y expectativas
del uso educativo de las redes sociales en los alumnos universitarios. Revista de
Universidad y Sociedad del conocimiento, 8(1), 174.
García Zárate, Ó. A. (2003). Hacia una nueva universidad en el Perú. Lima: UNMSM.
Gil Mendienta, J., & Schmidt, S. (2002). Análisis de redes: aplicaciones en ciencias
sociales. Mexico: UNAM.
Gonzales, J., Chavez, T., Lemus, K., Silva, I., Galvez, T., & Galvez, J. (2017). Producción
científica en educación médica en Latinoamérica en Scopus, 2011-2015.
Edumed, 1–7.
Hanneman, R., & Riddle, M. (2005). Introduction to social network methods. Obtenido
de http://faculty.ucr.edu/~hanneman/
Jhon, S., & Carrintong, P. (2011). Sage Handbook of Social Network. Londres: SAGE
Publications Ltd.
Kamada, T., & Kawai, S. (1989). An algorithm for drawing general undirected graphs.
Information processing letters, 31(1), 7–15.
Pérez, J. E., Ureña, G. V., & Rodríguez, L. (2015). Social network analysis for the study of
intellectual production in research groups. Scielo, 37(150), 124–142.
Polanco, X. (28 de Junio de 2008). Análisis de redes: introducción.
Prat, J. M., & Cànoves, G. (2013). La centralidad de las administraciones públicas en las
redes sociales del turismo industrial. Una comparación entre el Bages -Berguedà y
el Haut -Rhin. Turismo y patrimonio cultural, 11(4), 513–524.

168 RISTI, N.º E17, 01/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Ramos-Vidal, I. (2015). Análisis de redes sociales: una herramienta efectiva para evaluar
coaliciones comunitarias. Rev. salud pública, 17(3), 324.
Requena Santos, F. (1996). Redes sociales y cuestionarios. Revista de Sociologia(18),
191–201.
Rodríguez Gutiérrez, J. K., & Gómez Velasco, N. Y. (2017). Redes de coautoría como
herramienta de evaluación de la producción. Informática y documentación, 27(2),
279–297.
Rodríguez Morales, A., Culquichicón Sánchez, C., & Gil Restrepo, A. F. (2016). Baja
producción científica de decanos en facultades de medicina y salud de Colombia:
¿una realidad común en Latinoamérica? Scielo, 58(4), 402–403.
Ronald L, B. (2004). The Analisys of social Network. 505–526.
Valázquez Álvarez, A., & Aguilar Gallegos, N. (Junio de 2005). Manual introductorio al
análisis de redes sociales. Medidas de centralidad. México.
Vargas, B., & De Moya, F. (2007). Visualizing the Structure of Science. Springer.
Velásquez, C. A. (Mayo de 2013). Análisis de redes sociales del alumnado de la
Universidad de San Carlos de Guatemala (Vol. 315). Universidad Almería.
Yan, E., & Ding, Y. (2009). Applying centrality measures to impact analysis: A
coauthorship network analysis. Journal of the American Society for.

RISTI, N.º E17, 01/2019 169

 © 2019. This work is published under
https://creativecommons.org/licenses/by-nc-nd/4.0(the
“License”). Notwithstanding the ProQuest Terms and
Conditions, you may use this content in accordance with the
terms of the License.