Propuesta para el modelado y análisis de los indicadores de ciencia y tecnología.

Glenda Cecibel Intriago Alcívar; Dinora Alexandra Carpio Vera; Alex Vladimir Toapanta Suntaxi; Augusto Franklin Mendiburu Rojas.

doi:10.46377/dilemas.v30i1.1155

Glenda Cecibel Intriago Alcívar Universidad Estatal de Milagro, Ecuador.
Dinora Alexandra Carpio Vera Universidad Estatal de Milagro, Ecuador.
Alex Vladimir Toapanta Suntaxi Universidad Técnica de Babahoyo, Ecuador.
Augusto Franklin Mendiburu Rojas. Universidad Privada del Norte, Perú.

DOI: https://doi.org/10.46377/dilemas.v30i1.1155

Palabras clave: Indicadores de ciencia y tecnología, mapas cognitivos difusos, relaciones causales

Resumen

La toma de decisiones en materia de política científica, tecnológica y de innovación ha ido adquiriendo una creciente complejidad requiriendo de nuevos métodos para su formulación y seguimiento. En el presente trabajo se propone una metodología para análisis de indicadores de ciencia y tecnología como ayuda a la toma de decisiones y el diseño de políticas organizacionales. Esta metodología se basa en el modelado de las relaciones causales entre indicadores mediante mapas cognitivos difusos y en el posterior análisis estático. Se utilizan distintas medidas de centralidad para determinar la importancia de los nodos dentro del mapa. La metodología brinda importantes resultados en la aplicación en la toma de decisiones y el diseño de políticas en materia de ciencia y tecnología.

Citas

Amirkhani, A., Papageorgiou, E. I., Mohseni, A., & Mosavi, M. R. (2017). A review of fuzzy cognitive maps in medicine: Taxonomy, methods, and applications. Computer methods and programs in biomedicine, 142, pp.129-145.

Axelrod, R. (2015). Structure of decision: The cognitive maps of political elites: Princeton university press.

Brandes, U., Borgatti, S. P., & Freeman, L. C. (2016). Maintaining the duality of closeness and betweenness centrality. Social Networks, Vol.44, pp.153-159.

Chytas, P., Glykas, M., & Valiris, G. (2011). A proactive balanced scorecard. International Journal of Information Management, 31(5), pp.460-468.

González Ortega, R., Leyva Vázquez, M., AlcioneSganderla Figueiredo, J. & Guijarro-Rodríguez, A. (2018). Sinos River basin social-environmental prospective assessment of water quality management using fuzzy cognitive maps and neutrosophic AHP-TOPSIS. Neutrosophic Sets & Systems, Vol.23.

Hicks, D., Wouters, P., Waltman, L., de Rijcke, S., & Rafols, I. (2015). El Manifiesto de Leiden sobre indicadores de investigación. Revista Iberoamericana de Ciencia, Tecnología y Sociedad-CTS, 10(29), pp.275-280.

Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), pp.65-75.

Leyva-Vázquez, M., Pérez-Teruel, K., Febles-Estrada, A., & Gulín-González, J. (2013). Modelo para el análisis de escenarios basado en mapas cognitivos difusos: estudio de caso en software biomédico. Ingeniería y Universidad, 17(2), pp.373-390.

Maridueña Arroyave, M.R., Leyva Vazquez, M., & Flebes Estrada, A. (2016). Modelado y análisis de indicadores de ciencia y tecnología mediante mapas cognitivos difusos. Ciencias de la Información, 47(1), pp.17-24.

Osoba, O. & Kosko, B. (2019). Beyond DAGs: modeling causal feedback with fuzzy cognitive maps. arXiv. Recovered from: https://arxiv.org/pdf/1906.11247.pdf

Ping, C. W. (2009). A methodology for constructing causal knowledge model from fuzzy cognitive map to bayesian belief network. Unpublished PhD Thesis, Chonnam National University.