Una aproximación basada en Linked Data para la detección de potenciales redes de colaboración científica a partir de la anotación semántica de producción científica: Piloto aplicado con producción científica de investigadores ecuatorianos

En este documento se propone un marco de trabajo basado en tecnologías de la Web Semántica para detectar potenciales redes de colaboración, mediante el enriquecimiento semántico de artículos científicos producidos por investigadores que publican con afiliaciones ecuatorianas. El marco de trabajo se describe a través de un ciclo de publicación de datos enlazados. Como alcance se consideraron publicaciones que tienen al menos un autor con afiliación ecuatoriana. Las redes de colaboración detectadas son un insumo importante para fortalecer los esfuerzos del gobierno ecuatoriano y las autoridades universitarias del país, priorizar los esfuerzos y recursos invertidos en investigación y determinar la pertinencia o coherencia de los programas de investigación.

Caracterización de Líneas de Investigación de la Universidad de Cuenca

Contenido 1 INTRODUCCIÓN ......................................................................................................................................... 1 2 DEFINICIÓN ................................................................................................................................................ 1 3 CLASIFICACIÓN ......................................................................................................................................... 1 4 CÓMO IDENTIFICAR Y DEFINIR LÍNEAS DE INVESTIGACIÓN............................................................... 2 4.1 Líneas de investigación de nivel institucional ........................................................................................... 2 4.2 Líneas de investigación de nivel de grupos de investigación ................................................................... 2 5 INSTRUMENTO PARA RECONOCER UNA LÍNEA DE INVESTIGACIÓN ................................................ 4 6 INDICADORES DE MADUREZ DE LA LÍNEA DE INVESTIGACIÓN ......................................................... 4 6.1 Grado de Madurez de la Línea ................................................................................................................. 6 7 FOMENTANDO LÍNEAS Y GRUPOS DE INVESTIGACIÓN ...................................................................... 6 8 REFERENCIAS ........................................................................................................................................... 8 9 ANEXO 1: Manual de Frascati .................................................................................................................... 9 10 ANEXO 2: Encuesta INEC–ACTI ............................................................................................................ 10

Análisis de viajes con la aplicación de teléfonos inteligentes

Se han desarrollado varios modelos prometedores para la captura digital de datos de movilidad, que pueden ser aplicados en la planificación urbana, de transporte y de ordenamiento territorial. Por ello el objetivo de este trabajo es desarrollar una metodología que recolecte información de movilidad con la cual se generen matrices Origen-Destino (OD) y de tiempos de viajes, además que identifique puntos de interés, modos y rutas frecuentes de viaje mediante el desarrollo e implementación de una aplicación para dispositivos móviles Android. Metodología: Se produjo una aplicación para dispositivos móviles con sistema operativo Android, en base a modelos existentes. Esta aplicación obtuvo datos de movilidad a partir de los sensores de localización incorporados en los móviles (GPS), para su posterior migración a una base de datos en la nube y consiguiente post proceso con herramientas de análisis como KNIME, Python y QuantumGis. La aplicación fue probada por 68 estudiantes voluntarios de la Universidad de Cuenca, durante 14 días del mes de enero de 2016. Resultados: Con la información completa de 44 participantes se obtuvieron matrices OD y de tiempos de viajes para diferentes períodos del día, las cuales permitieron identificar variaciones de interacción entre zonas, variaciones de número y tiempo de viajes. Fueron reconocidos también modos de transporte como caminata, bicicleta y motorizados para una sub muestra (n=6). Se detectaron los POIs Residencia (91%), Trabajo/Estudio (74%) y puntos intermedios (20% del total de POIs) y se logró observar comportamientos de movilidad atípico. Finalmente se compararon las rutas más frecuentadas por los usuarios con las rutas óptimas teóricas calculadas, encontrando que el 63.6% de los usuarios coincidían con el recorrido de estas últimas. Conclusiones: El método planteado presenta coherencia con trabajos previos, mostrando niveles de confianza equiparables. El mayor reto es la implementación masiva del modelo creado para la recolección de datos útiles para planes de movilidad.