Ítem
Acceso Abierto
Estudio de la red de coautores del proyecto Alianza EFI usando aprendizaje automático con grafos
Título de la revista
Autores
Garavito Cárdenas, Carlos Stivert
Fecha
2022-08-29
Directores
García Suaza, Andrés Felipe
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
El presente trabajo muestra el uso de técnicas de aprendizaje automático basado en grafos para analizar la red de coautoría entre autores afiliados al Proyecto Alianza EFI. El documento se divide en tres capítulos: el primero ofrece una visión general completa del contexto global y local de la Inteligencia Artificial (IA) de manera que justifica la importancia de trabajar con temas de IA en el mundo actual. El segundo capítulo está dedicado a construir el marco teórico para trabajar con grafos y aprendizaje automático. El capítulo final muestra los resultados de la implementación del aprendizaje automático basado en grafos para tareas predictivas a nivel de nodos, enlaces y comunidades. Específicamente, este capítulo revela que el proyecto Alianza EFI involucra contribuciones de 390 autores únicos, asociados con 112 instituciones distintas, lo que resulta en 274 productos únicos. También demuestra que la Universidad del Rosario desempeña un papel central en las colaboraciones institucionales, en contraste con las demás instituciones dentro de la alianza. Finalmente, después de aplicar técnicas de aprendizaje automático basado en grafos, se observó que estas estrategias permiten a la alianza identificar nuevos temas de investigación para los autores, establecer nuevas conexiones entre autores aislados y descubrir nuevas comunidades de intereses de investigación.
Abstract
The present work demonstrates the use of graph machine learning techniques to analyze the co-authorship network among affiliated authors of the Alianza EFI Project. The document is divided into three chapters: the first one provides a comprehensive overview of the global and local context of Artificial Intelligence (AI) in a way that justifies the significance of working with AI topics in today’s world. The second chapter is dedicated to constructing the theoretical framework for working with graphs and machine learning. The final chapter showcases the results of implementing graph machine learning for predictive tasks at the node, link, and community levels. Specifically, this chapter reveals that the Alianza EFI project involves contributions from 390 unique authors, associated with 112 distinct institutions, resulting in 274 unique products. It also demonstrates that the Universidad del Rosario plays a central role in institutional collaborations, in contrast to the other institutions within the alliance. Finally, after applying graph machine learning techniques, it was observed that these strategies enable the alliance to identify new research topics for authors, establish new connections among isolated authors, and discover new communities of research interests.
Palabras clave
Machine learning , Deep learning , Graphs , Graph machine learning
Keywords
Machine learning , Deep learning , Graphs , Graph machine learning
