Análisis bibliométrico de la producción científica de la Deep Web en Ciencias Computacionales
Bibliometric analysis of the scientific production of the Deep Web in Computer Science
DOI:
https://doi.org/10.56712/latam.v5i4.2458Palabras clave:
deep web, internet profundo, análisis bibliométrico, ciencias computacionalesResumen
El internet está dividido en dos: el espacio virtual, mundo donde nos movemos día a día en la navegación, y el espacio profundo, lugar anonimato que conforma cerca del 96% de todo el internet. La Deep Web ha sido anunciada por muchos como el último bastión de la privacidad en Internet en una era cada vez más intrusiva. Hay muchos estudios sobre las características y aspectos generales de la Deep web, pero ninguno involucró un análisis bibliométrico en el campo de la Ciencias Computacionales. Este trabajó investigó diversas publicaciones en la tecnología de la Deep Web, los datos fueron recopilados desde Scopus y analizados en el software de RStudio. Los resultados muestran a 907 artículos comprendidos entre el perodo de 2088 y 2022. Además, se detalla con claridad que los países con gran cantidad de producción de artículos son: China (37.82%), Estados Unidos (17.42%), India (8.82%) y España (5.07%). Asimismo, se puede observar cómo la productividad anual se ha ido incrementando año tras año teniendo el 2013 la mayor cantidad. Se concluye que, a través de este trabajo de investigación bibliométrica, se descubre el punto crítico de investigación sobre la Deep Web en el campo de Ciencias Computacionales y puede apuntar a futuras investigaciones en el campo. Se espera que más investigadores centren su trabajo en el estudio de la Deep Web, y que esta información se utilice en la creación de un repositorio exclusivo para este tipo de campos poco conocidos en la actualidad.
Descargas
Citas
Bernstein, P. A., Madhavan, J., & Rahm, E. (2011). Generic schema matching, ten years later. Proceedings of the VLDB Endowment, 4(11), 695-701.
Cafarella, M. J., Halevy, A., & Khoussainova, N. (2009). Data integration for the relational web. Proceedings of the VLDB Endowment, 2(1), 1090-1101.
Cafarella, M. J., Halevy, A., Wang, D. Z., Wu, E., & Zhang, Y. (2008). Webtables: exploring the power of tables on the web. Proceedings of the VLDB Endowment, 1(1), 538-549.
Camps D. Estudio bibliométrico general de colaboración y consumo de la información en artículos originales de la revista Universitas Médica, período 2002 a 2006, Universitas Médica 2007; 48(4): 358-365.
Camps D. Limitaciones de los indicadores bibliométricos en la evaluación de la actividad científica biomédica, Colombia Médica 2008; 39(1): 74-79
Chen, J., Chen, Y., Du, X., Li, C., Lu, J., Zhao, S., & Zhou, X. (2013). Big data challenge: a data management perspective. Frontiers of computer Science, 7(2), 157-164.
Chen, Y., Wang, J., Xia, R., Zhang, Q., Cao, Z., & Yang, K. (2019). RETRACTED ARTICLE: The visual object tracking algorithm research based on adaptive combination kernel. Journal of Ambient Intelligence and Humanized Computing, 10(12), 4855-4867.
Courset, F., Favennec, M., & Hamou, C. (2017). Un enfoque estratégico para la red Tor: Revista de Inteligencia Estratégica de Amenazas. Recuperado en septiembre de 2019, de https://blogs.harvard.edu/cybersecurity/tag/deep-web/
Dalvi, N., Kumar, R., & Soliman, M. (2011). Automatic wrappers for large scale web extraction. arXiv preprint arXiv:1103.2406.
Díaz, D. E. S. (2022). Análisis bibliométrico básico de la evolución científica de la deep web: web of science 2002-2021 (Doctoral dissertation, UNIVERSIDAD DE GRANADA).
Dong, X. L., Saha, B., & Srivastava, D. (2012). Less is more: Selecting sources wisely for integration. Proceedings of the VLDB Endowment, 6(2), 37-48.
Faruk, M., Rahman, M., & Hasan, S. (2021). How digital marketing evolved over time: A bibliometric analysis on scopus database. Heliyon, e08603.
Feng, D., Zhang, M., & Li, H. (2014). Big data security and privacy protection. Chinese Journal of computers, 37(1), 246-258.
Ferrara, E., De Meo, P., Fiumara, G., & Baumgartner, R. (2014). Web data extraction, applications and techniques: A survey. Knowledge-based systems, 70, 301-323.
Franco, J. A. R. (2021). Desmitificando a la deep web a través de un fugaz viaje por la dark web. Revista Ingeniería, Matemáticas y Ciencias de la Información, 8(15), 13-32.
Höffner, K., Walter, S., Marx, E., Usbeck, R., Lehmann, J., & Ngonga Ngomo, A. C. (2017). Survey on challenges of question answering in the semantic web. Semantic Web, 8(6), 895-920.
Hogan, A., Harth, A., Umbrich, J., Kinsella, S., Polleres, A., & Decker, S. (2011). Searching and browsing linked data with swse: The semantic web search engine. Journal of web semantics, 9(4), 365-401.
Kayed, M., & Chang, C. H. (2010). FiVaTech: Page-level web data extraction from template pages. IEEE transactions on knowledge and data engineering, 22(2), 249-263.
Lee, M. R., & Chen, T. T. (2012). Revealing research themes and trends in knowledge management: From 1995 to 2010. Knowledge-Based Systems, 28, 47-58.
Li, Z., Xu, H., Guo, S., & Chen, K. (2012). Cloudvista: interactive and economical visual cluster analysis for big data in the cloud. Proceedings of the VLDB Endowment, 5(12), 1886-1889.
Liu, J., Li, J., Liu, C., & Chen, Y. (2010). Discover dependencies from data—a review. IEEE Transactions on Knowledge and Data Engineering, 24(2), 251-264.
Lobo, M. (2018). Un paseo por la Deep Web: Universitat Oberta de Catalunya. Recuperado en septiembre de 2019, de http://openaccess.uoc.edu/webapps/o2/bitstream/10609/72626/7/mloboromTFM0118memoria.pdf
Madhavan, J., Ko, D., Kot, Ł., Ganapathy, V., Rasmussen, A., & Halevy, A. (2008). Google's deep web crawl. Proceedings of the VLDB Endowment, 1(2), 1241-1252.
Manzano Nunez, R., & García Perdomo, H. (2016). Sobre los criterios de inclusión y exclusión. Más allá de la publicación. Revista Chilena de Pediatría, 87(6), 511-512. doi:10.1016/j.rchipe.2016.05.003
Martín-Martín, A., Thelwall, M., Orduna-Malea, E., & Delgado López-Cózar, E. (2021). Google Scholar, Microsoft Academic, Scopus, Dimensions, Web of Science, and OpenCitations’ COCI: a multidisciplinary comparison of coverage via citations. Scientometrics, 126(1), 871-906.
Medina López, C., Marín García, J., & Alfalla Luque, R. (2010). Una propuesta metodológica para la realización de búsquedas sistemáticas de bibliografía. 1(2), 13-30. doi:10.4995/wpom.v1i2.786
Mesbah, A., Van Deursen, A., & Lenselink, S. (2012). Crawling Ajax-based web applications through dynamic analysis of user interface state changes. ACM Transactions on the Web (TWEB), 6(1), 1-30.
Molina-Muñoz, J. (2021). ANÁLISIS BIBLIOMETRICO DEL USO DE MACHINE LEARNING EN FINANZAS A TRAVÉS DE UN MODELO K-MEANS. Revista Eficiencia, 3(3).
Monroy, M. (2020) ¿Qué es la Deep Web y qué información podemos encontrar? Publicación semestral, Vol. 3, No. 5 (2020) 1-4
Nentwig, M., Hartung, M., Ngonga Ngomo, A. C., & Rahm, E. (2017). A survey of current link discovery frameworks. Semantic Web, 8(3), 419-436.
Olston, C., & Najork, M. (2010). Web crawling. Foundations and Trends® in Information Retrieval, 4(3), 175-246.
Parameswaran, A., Sarma, A. D., Garcia-Molina, H., Polyzotis, N., & Widom, J. (2011). Human-assisted graph search: it's okay to ask questions. arXiv preprint arXiv:1103.3102.
Pérez, D. (2018). Las 10 cosas más impactantes de la Deep Web. Recuperado en septiembre de 2019, de https://www.linkedin.com/pulse/las-10-cosas-mas-impactantes-dela-deep-web-catal%C3%A1n-p%C3%A9rez-salazar
Ramírez, P. E., Mariano, A. M., & Salazar, E. A. (2014). Propuesta Metodológica para aplicar modelos de ecuaciones estructurales con PLS: El caso del uso de las bases de datos científicas en estudiantes universitarios. Revista ADMpg, 7(2).
Sánchez-Céspedes, J. M., Rodríguez-Miranda, J. P., & Salcedo-Parra, O. J. (2020). Análisis de la producción de publicaciones científicas en inteligencia artificial aplicada a la formulación de Políticas Públicas. Revista Científica, 39(3), 353–368. https://doi.org/10.14483/23448350.16301
Segura, Elena. (2021). Análisis bibliométrico básico de la evolución científica de la deep web: web of science 2002-2021 Universidad de Granada
Semaan-Llurba S. (2018). ¿Qué es Scopus? ¿Y para qué sirve? Biblioteca Sant Joan de Déu. Disponible en https://bibliosjd.org/2018/01/24/scopus-que-es-para-que-sirve/#.Y2XThnbMK3A
Sequeda, J. F., & Miranker, D. P. (2013). Ultrawrap: SPARQL execution on relational data. Journal of Web Semantics, 22, 19-39.
Shokouhi, M., & Si, L. (2011). Federated search. Foundations and trends® in information retrieval, 5(1), 1-102.
Toro, A. (2018). La web profunda, un sitio entre sombras y realidades. Universidad de Manizales. Facultad de Ciencias e Ingeniería. https://doi.org/10.30554/ventanainform.39.3311.2018
Villada, D. & Jiménez, A. (2017). La Web Semántica y la Web Profunda como Sistemas de Información: Análisis a una realidad. Revista Antioqueña de las Ciencias Computacionales y la Ingeniería de Software, RACCIS, Vol. 7, No. 1. Medellín (Colombia): Instituto Antioqueño de Investigación, IAI. p. 43-51. ISSN: 2248-7441. http://fundacioniai.org/raccis/v7n1/n12a4.pdf
Wang, G., & Gui, X. L. (2013). Selecting and trust computing for transaction nodes in online social networks. Jisuanji Xuebao(Chinese Journal of Computers), 36(2), 368-383.
Ye, Y., Wu, Q., Huang, J. Z., Ng, M. K., & Li, X. (2013). Stratified sampling for feature subspace selection in random forests for high dimensional data. Pattern Recognition, 46(3), 769-787.
Zhao, B., Rubinstein, B. I., Gemmell, J., & Han, J. (2012). A bayesian approach to discovering truth from conflicting sources for data integration. arXiv preprint arXiv:1203.0058.
