Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
La era de la Industria 4.0 no solo es una realidad tangible, sino que ha modificado la manera en que se conceptualiza la gobernanza, el liderazgo y la proyección de la empresa para garantizar su competitividad en mercados crecientemente competitivos y digitalizados (Mohiuddin et al., 2023) (Santos et al., 2023) (Yaqub & Alsabban, 2023). Por ello, uno de los principales retos que afrontan las organizaciones es lograr un alto nivel de gestión de su talento humano, de los recursos tecnológicos y de la propia vida digital en entornos que demandan una mayor productividad.
Como puede observarse, cumplir con estos objetivos no es factible exclusivamente a partir de la introducción de tecnología (Kraus et al., 2022) (Feliciano-Cestero et al., 2023) (Rodríguez-Abitia & Bribiesca-Correa, 2021). En cambio, se precisa de una transformación profunda y duradera de la cultura de la organización, cuestión que trasciende con creces los aspectos humanos, tecnológicos e incluso los relacionados con la dirección y el liderazgo. En consecuencia, la literatura sugiere que esta evolución ocurre activamente en diversas organizaciones y campos a nivel mundial (Jones et al., 2021) (Su & Wu, 2024). Este estatus vital es debido a que constituye un requisito para elevar el desempeño de la organización y responder al dinamismo de los ecosistemas empresariales y de emprendimiento, donde la unidad entre producción y consumo es incrementalmente compleja.
En este sentido, la transformación digital (TD) es frecuentemente confundida con la digitalización de procesos o con el desarrollo de aplicaciones. De acuerdo con las fuentes revisadas, la TD es un proceso intrínsecamente cultural y multidimensional que marca la mediación que ejerce la tecnología en el progreso hacia la consecución de metas y la elevación del desempeño. (Deja et al., 2021) (Ji & Li, 2022). Por ende, la TD comprende aspectos como la actualización del modelo organizacional, la atención al cliente mejorada y asistida por herramientas tecnológicas, así como el perfeccionamiento constante de la elaboración, presentación y consumo del producto (Crișan & Marincean, 2023) (Lóska & Uotila, 2024) (Ullrich et al., 2023) (Zoppelletto et al., 2023).
Otro aspecto crucial para comprender el impacto de la TD en la vida cotidiana de la organización es su papel en el proceso de toma de decisiones (Hung et al., 2023) (Pérez Gamboa et al., 2022) (Zhu & Li, 2023). Como consecuencia de las transformaciones mencionadas, la TD facilita la innovación en la infraestructura, el procesamiento de datos, la comunicación, la evaluación del desempeño y la manera en que se ejecutan las decisiones, cambios que producen sinergias que posteriormente se expresan en un talento humano fortalecido con competencias digitales e informacionales avanzadas, aspecto que puede aportan a la cadena de valor (Bansal et al., 2023) (López González, 2023) (Machuca-Contreras et al., 2023) (Montero Guerra et al., 2023).
No obstante, a pesar de la diversidad de estudios sobre la TD, su conceptualización y teorización siguen siendo ambivalentes, debido a que se construye sobre la base de dominios separados del conocimiento, sujeta a cuestiones culturales y lingüísticas, no encontrando visiones unificadas de los atributos fundamentales de la TD. De acuerdo con Gong & Ribiere (2021), este fenómeno se debe fundamentalmente al solapamiento que se ha producido entre términos que de alguna manera u otra describen fenómenos relacionados con la TD y que son empleados indistintamente por la comunidad académica.
Uno de los aportes fundamentales de este estudio, basado en la revisión de 134 definiciones preexistentes, es que demuestra la tendencia a establecer como TD a cambios no fundamentales o aditivos, lo que resalta la verdadera naturaleza disruptiva de la transformación y ubica el papel de la tecnología en la causalidad de los cambios. Sin embargo, estudios recientes apuntan a que no basta con definir conceptualmente qué es la TD, además, se precisa una operacionalización clara de esta, así como marcos conceptuales y metodológicos adecuados para su sus estudio, implementación y evaluación (Elia et al., 2024) (Kao et al., 2024).
Otra línea crítica actual es la atención a las particularidades de la TD en entornos mixtos, esto como consecuencia del impacto de la COVID-19 en la manera en que las organizaciones experimentaron para mantener sus niveles de rendimiento. Este movimiento a modelos mixtos mostró un éxito considerable en los diferentes estadios de la pandemia, especialmente en la Educación Superior, donde el blended learning ha mantenido su relevancia en la nueva normalidad (Alamri et al., 2021) (Anthony et al., 2022). Empero, los modelos mixtos de TD o basados en TD, según aparecen descritos, también han ganado espacio en la gestión empresarial, la gestión del talento humano y la atención a clientes (Jafari-Sadeghi et al., 2023) (Leso et al., 2024) (Lóska & Uotila, 2024) (Zhang & Chen, 2024).
A través de una meta-revisión realizada bajo el Protocolo de elementos para revisiones sistemáticas y metaanálisis de artículos (PRISMA), se dieron pasos significativos para examinar de manera crítica, rigurosa y transparente los sistemas de TD existentes. Mediante este análisis, los autores identificaron seis dimensiones y 17 categorías relacionadas con la TD, donde las dimensiones tecnológica y social fueron fundamentales, mientras que aparecían como nuevas dimensiones la sostenibilidad y las ciudades inteligentes, las cuales aún deben explorarse (Reis & Melão, 2023). El mencionado estudio concluyó en la necesidad de profundizar el conocimiento en TD y afinar las dimensiones encontradas, ya que estas implican una pronunciada complejidad en la dinámica organizacional y en las tecnologías de apoyo al proceso.
Los argumentos anteriores apuntan a la necesidad de reconocer a la tecnología como uno de los principales motores de la TD sin negar los factores socioculturales e históricos. Al ser reconocidas como factor habilitador del proceso, las herramientas tecnológicas provocan cambios en la creación de valor, ya que apoya el desarrollo de nuevos modelos de negocios, aprendizaje y en el enfoque en la adquisición de nuevas competencias (Ghosh et al., 2023) (Laplagne Sarmiento & Urnicia, 2023) (Schönherr et al., 2023).
Al respecto, las nuevas tendencias en la literatura destacan la Inteligencia Artificial (IA) y el Big data, en tanto impulsan importantes desarrollos en el conjunto de Tecnologías Habilitadoras para la Transformación Digital (THD) debido a su participación en actividades analítico-cognitivas (Lei et al., 2023) (Nguyen et al., 2023). Según se pudo comprobar, estas tecnologías son cruciales tanto en las organizaciones como en la industria, de conjunto con el Internet de las cosas (IoT), que implica la interconexión y el flujo de datos inteligente al permitir el control de procesos en la industria de servicios y la producción (Chavez Cano et al., 2024) (Kraus et al., 2021) (Leão & Da Silva, 2021).
En el caso de Cuba, se han realizado investigaciones enfocadas en el proceso de TD que reconocen la creciente necesidad de su uso en algunos sectores o actividades como, por ejemplo, en el comercio electrónico (Suárez González et al., 2022), la Educación Superior (Gkrimpizi et al., 2023), el turismo (Castro Díaz et al., 2022), y la industria (Gómez Dominguez & Escot, 2020 ). No obstante, la integración de las tecnologías habilitadoras de la TD constituye un desafío remarcable pues los costos asociados a este proceso suelen ser altos y el acceso a tales tecnologías se dificulta para algunos sectores, esto sin mencionar las cuestiones relacionadas con el talento humano y su adecuado entrenamiento (Delgado Fernández, 2021).
En la Educación Superior, un sector que a nivel internacional se ha posicionado como puntero en el estudio e implementación de la TD, en Cuba los esfuerzos han resultado en logros dispares e insuficientes. El estudio de Gkrimpizi et al. (2023) señaló como aspectos deficientes de este proceso, la pobre infraestructura tecnológica, el escaso desarrollo del claustro en cuanto a integración de las TIC, las limitaciones informacionales y digitales mostradas por el claustro y la brecha generacional de estos con respecto a las nuevas generaciones.
En atención a la problematización realizada, el presente trabajo tiene como objetivo: identificar las tendencias de la producción científica cubana sobre las Tecnologías Habilitadoras para la Transformación Digital (THD). Con el fin de cumplimentar este propósito, se analizaron los estudios relacionados con la temática en la base de datos Scopus en el periodo 1997 a 2022, rango temporal que posibilita analizar la actualidad y variabilidad de las THD que han surgido en el ecosistema digital.
Metodología
El artículo presenta un análisis de las principales tendencias en cuanto a la investigación sobre THD en Cuba. Estas tendencias fueron diagnosticadas mediante un diseño que combinó indicadores y técnicas para el mapeo de la producción científica en este campo particular.
Debido a que varios autores exponen sus consideraciones sobre cuáles son las THD, algunos consideran la existencia de 9 THD mientras que otros consideran que son 12, en este estudio se utilizaron a partir de la convergencia de las definiciones entre ellas (Ver material complementario en: https://doi.org/10.5281/zenodo.13731335), criterio que permitió una mejor definición de la estrategia de búsqueda, de manera que se pudiesen identificar las fuentes relevantes en función de términos clave como: robotics, IoT, AI, Big Data, Cloud Computing, Blockchain, Machine Learning, Augmented and Virtual Reality, entre otros estrechamente relacionados con la TD.
La búsqueda se realizó a partir de la base de datos Scopus debido a su diversidad de indicadores. La recuperación de la información publicada se estableció siguiendo el criterio de que al menos un autor fuese cubano, a partir de considerar algunas de las THD mencionadas. A continuación, se muestra en la ecuación de búsqueda:
(TITLE-ABS-KEY ("Cloud computing") OR TITLE-ABS-KEY ("Big Data") OR TITLE-ABS-KEY (blockchain) OR TITLE-ABS-KEY ("software quality") OR TITLE-ABS-KEY ("software management") OR TITLE-ABS-KEY ("Internet of things (IoT)") OR TITLE-ABS-KEY ("Artificial intelligence") OR TITLE-ABS-KEY (5g) OR TITLE-ABS-KEY (ipv6) OR TITLE-ABS-KEY ("Data center") OR TITLE-ABS-KEY ("virtual reality") OR TITLE-ABS-KEY ("Augmented reality") OR TITLE-ABS-KEY ("Machine learning") OR TITLE-ABS-KEY ("3D print") OR TITLE-ABS-KEY ("additive manufacturing") OR TITLE-ABS-KEY ("digital twin") OR TITLE-ABS-KEY (cybersecurity) OR TITLE-ABS-KEY ("Fixed Wireless Access (FWA)") OR TITLE-ABS-KEY ("quality of IT services") OR TITLE-ABS-KEY ("Fiber Optic to the Home (FTTH)) OR TITLE-ABS-KEY ("advanced robotics")) AND (LIMIT-TO (AFFILCOUNTRY, "Cuba"))
Se obtuvieron un total de 632 registros en el período 1997-2022, exportados a Endnote X9 para su limpieza y normalización, eliminando en el proceso de depuración los que no guardaban relación con el tema, quedando como datos finales un total de 610 registros. Para la evaluación de las tendencias de la THD, se utilizaron técnicas bibliométricas como el análisis de cocitación de autores (ACA), que contribuye al conocimiento de la estructura intelectual de las disciplinas científicas, entendiendo por “autor” el conjunto de trabajos escritos por una persona, o sea, la cocitación resulta cuando alguien cita cualquier trabajo de cualquier autor, junto con cualquier trabajo de cualquier otro autor en un nuevo documento que le es propio (White & Griffith, 1981; Miguel, 2005; Arencibia-Jorge et al., 2020).
Por otra parte, el acoplamiento bibliográfico muestra las relaciones existentes entre unidades bibliográficas a partir de la aparición conjunta de referencias (Jarneving, 2005), agrupa documentos similares y facilita la provisión de bibliografía como apoyo a la recuperación de información (Kessler, 1963), técnica clave para conocer frentes de investigación a partir de distintos elementos de las referencias (documentos, autores, revistas) y de las relaciones existentes en ellos, mostrando grados de similaridad (Zhao & Strotmann, 2015).
La explicación de los indicadores y técnicas empleadas en este trabajo se exponen en la Tabla 1, y para la visualización de los datos se utilizaron los softwares VOSViewer (Van-Eck & Waltman, 2010) y Bibliometrix (Aria & Cuccurullo, 2017).
Tabla 1 Dimensiones e indicadores utilizados
| Dimensión | Descripción | Indicadores |
|---|---|---|
| Producción e impacto | Representa el comportamiento anual y acumulado de la producción científica y de citas. | Evolución de la producción anual de documentos y citas. |
| Visualiza el aporte de la investigación nacional sobre TH. | Revistas e instituciones más productivas. | |
| Estructura intelectual | Identificar la contribución de los autores en una determinada comunidad científica, al conocimiento de la estructura intelectual de un dominio. | Cocitación de autores (ACA) |
| También expone los frentes de investigación temáticos y el mapa de la disciplina a partir de la literatura de base utilizada. | Acoplamiento de documentos y revistas | |
| Estructura conceptual o temática | Permite identificar la estructura conceptual y temática del dominio TH, a partir de obtener la descripción de los clústeres temáticos | Análisis de coocurrencia de descriptores (co-words). |
| Estructura social | Muestra la forma en que autores, instituciones y los países interactúan mediante colaboración dentro del dominio que se analiza, además, permite conocer el comportamiento de liderazgos. | Red de colaboración de autores e instituciones. |
Resultados
Seguidamente, se exponen cada uno de los resultados alcanzados de acuerdo con las dimensiones e indicadores analizados.
Dimensión Producción e impacto
La Figura 1 muestra la relación entre publicación y citación para los 610 documentos sobre THD, donde se aprecia que ha recibido un total 305 citas. Esta relación señala que las publicaciones recibieron una media de 0,5 citas por documento sobre la razón de 25 documentos por año, de ellos 473 trabajos han recibido al menos una cita, para una tasa de documentos citados de 77,54%. Sin embargo, en tres documentos se encuentra el mayor impacto citas. Estos resultados indican un escaso impacto en comparación con estudios similares en los sectores bancario (Osei et al., 2023), de las ingenierías y de las manufacturas (Lee et al., 2021). En cambio, sí coinciden en el creciente interés por la TD como campo de estudio, particularmente desde 2015 (Lee et al., 2021) (Rana & Daultani, 2023).
La tendencia por año mostró un crecimiento lineal significativo tanto en documentos como en el número de citas recibidas (Figura 1 b), con marcado aumento a partir de 2018, asociado a los efectos de las políticas científicas del país sobre estos temas como por ejemplo: la Política Integral para la Informatización (MINCOM, 2017) hasta la más reciente convertida en Política para la transformación digital en Cuba (MINCOM, 2024) y un conjunto de disposiciones jurídicas en el campo de las Telecomunicaciones, la Informatización de la Sociedad y la Automática, que favorecen el desarrollo de la transformación digital en Cuba (Decreto Ley No. 370, 2018; Decreto No. 359, 2019; Decreto No. 360, 2019; Decreto 45, 2021; Decreto 59, 2021; Ley 149, 2022). Sin embargo, las citas decrecen anualmente (Figura 1b), situación que puede estar asociado a poca relevancia en los resultados obtenidos sobre las THD, o al propio proceso de maduración de las citas diferentes para cada disciplina. También, pueden considerarse los factores enunciados por Gkrimpizi et al. (2023).
Entre los resultados expuestos en la Figura 1 fueron encontrados en un total de 314 fuentes, de las cuales, el 50,49 % estuvo relacionado con artículos en revistas científicas y el 18,36 % correspondió a documentos de investigación presentados en conferencias (Tabla 2). Las siete primeras fuentes de la lista pertenecieron a la zona núcleo de revistas de la temática en estudio.
Tabla 2 Principales revistas que registran la producción científica.
| Revistas | Cantidad de artículos | % | Quartil | País | Área Temática |
|---|---|---|---|---|---|
| Lecture Notes in Computer Science | 143 | 23 | Q3 | Alemania | Ciencias de la Computación |
| Studies in Computational Intelligence | 12 | 2 | Q4 | Alemania | Ciencias de la Computación |
| Information Sciences | 9 | 1 | Q1 | USA | Ciencias de la Computación |
| Communications In Computer and Information Science | 8 | 1 | Q4 | Alemania | Ciencias de la Computación |
| Computación y Sistemas | 8 | 1 | Q3 | México | Ciencias de la Computación |
| Ingeniare | 8 | 1 | Q4 | Chile | Ingeniería |
| Neurocomputing | 8 | 1 | Q1 | Países Bajos | Ciencias de la Computación |
| IEEE Latin America Transactions | 7 | 1 | Q3 | USA | Ciencias de la Computación |
| Journal Of Chemical Information and Modeling | 5 | 1 | Q1 | USA | Ingeniería Química |
| Knowledge-Based Systems | 5 | 1 | Q1 | Países Bajos | Negocios, Gestión y Contabilidad |
En la Tabla 3, se puede observar que, en cuanto a la afiliación, el desarrollo de estos temas es realizado mayormente por las universidades, con menor presencia de centros de investigación, y la aportación de instituciones extranjeras mostró una tendencia hacia la colaboración con universidades españolas, relacionado quizás con la cercanía idiomática. Seguidamente en importancia apareció el intercambio con universidades belgas, con las que se realizan trabajo en proyectos conjuntos. Es importante destacar que las tres primeras universidades cubanas de la Tabla 3, aportan el 51,48 % de las investigaciones sobre estos temas.
No obstante, a pesar de que varias universidades como la Universidad Central “Marta Abreu” de las Villas, Universidad de las Ciencias Informáticas, Universidad Tecnológica de la Habana, Universidad de La Habana y la Universidad de Oriente, las cuales se encuentran entre las primeras cinco instituciones con mayor productividad, no todas son lideres en la participación de la actividad científica en esa producción realizada en colaboración. Por ejemplo, el Centro de Aplicaciones de Tecnologías de Avanzada posee el mayor liderazgo con un 76 %, seguido por dos universidades cubanas (Universidad de las Ciencias informáticas y la Universidad de Oriente) y una universidad extranjera (Universidad do Porto), a ellas le preceden el Instituto de Cibernética, Matemática y Física, centro de investigación con un 52,94 %. La Central “Marta Abreu” de las Villas, que posee el top 1 de la producción científica con un total de 187 documentos, solo alcanzó un liderazgo del 49,20%.
Tabla 3 Top 20 de instituciones más productivas y su liderazgo en la actividad científica
| No | Instituciones | No doc. | No Citas locales | No Citas globales | No Citas locales/ No doc. | No Citas/ No doc. | No doc. autoría ppal | Liderazgo en la actividad científica |
|---|---|---|---|---|---|---|---|---|
| 1 | Universidad Central “Marta Abreu” de las Villas | 187 | 122 | 2389 | 0,7 | 12,8 | 92 | 49,20 |
| 2 | Universidad de las Ciencias Informáticas | 66 | 5 | 252 | 0,1 | 3,8 | 46 | 69,70 |
| 3 | Universidad Tecnológica de la Habana | 61 | 10 | 514 | 0,2 | 8,4 | 32 | 52,46 |
| 4 | Universidad de La Habana | 58 | 13 | 247 | 0,2 | 4,3 | 30 | 51,72 |
| 5 | Universidad de Oriente | 47 | 6 | 308 | 0,1 | 6,6 | 27 | 57,45 |
| 6 | Universidad de Camagüey | 36 | 15 | 217 | 0,4 | 6,0 | 22 | 61,11 |
| 7 | Universidad de Holguín | 35 | 35 | 456 | 1,0 | 13,0 | 18 | 51,43 |
| 8 | Universidad de Granada | 34 | 12 | 452 | 0,4 | 13,3 | 12 | 35,29 |
| 9 | Universidad de Matanzas | 29 | 4 | 354 | 0,1 | 12,2 | 11 | 37,93 |
| 10 | Universidad de Valencia | 25 | 31 | 455 | 1,2 | 18,2 | 7 | 28,00 |
| 11 | Centro de Aplicaciones de Tecnologías de Avanzada | 25 | 0 | 94 | 0,0 | 3,8 | 19 | 76,00 |
| 12 | Ghent University | 24 | 14 | 337 | 0,6 | 14,0 | 12 | 50,00 |
| 13 | Universidad de Ciego de Ávila | 22 | 11 | 173 | 0,5 | 7,9 | 8 | 36,36 |
| 14 | Universidad de Alicante | 22 | 11 | 146 | 0,5 | 6,6 | 2 | 9,09 |
| 15 | Hasselt University | 21 | 17 | 291 | 0,8 | 13,9 | 3 | 14,29 |
| 16 | Universidade Do Porto | 19 | 16 | 393 | 0,8 | 20,7 | 11 | 57,89 |
| 17 | Vrije Universiteit Brussel | 18 | 6 | 64 | 0,3 | 3,6 | 6 | 33,33 |
| 18 | Instituto Nacional de Astrofísica, Óptica y Electrónica de México | 18 | 4 | 220 | 0,2 | 12,2 | 7 | 38,89 |
| 19 | Instituto de Cibernética, Matemática y Física | 17 | 3 | 105 | 0,2 | 6,2 | 9 | 52,94 |
| 20 | Centro de Neurociencias de Cuba | 17 | 3 | 175 | 0,2 | 10,3 | 5 | 29,41 |
Nota:Numero de documentos. No doc.
Número de documentos en autoría principal (corresponding autor). No doc. autoría ppal
Liderazgo en la actividad científica = No doc. autoría ppal/ No doc.
Dimensión Estructura Intelectual
Se coincidió con Gregorio-Chaviano et al (2023), quienes expresan que el análisis de la co-citación permite visualizar las tendencias disciplinares dentro de un campo determinado. Además, favorece una mejor comprensión de la estructura intelectual, la cual está dada por la relación entre las publicaciones que citan y son citadas. Al enfocarse en documentos que coinciden en al menos dos referencias con respecto a otro documento, permite la representación de la dinámica de búsqueda y procesamiento de información en esa área particular.
Por otra parte, la red de co-citación de autores se visualizó en 7 clústeres (Figura 2), los cuales revelan que los autores Herrera, Marrero-Ponce, Bello Pérez, González-Díaz, Nápoles, Torrens, Uriarte, García y Frank son los que aparecieron con mayor fuerza total del enlace (Total link strength - TLS). En función de la centralidad evidenciada y que alrededor de estos se aglutinaran los correspondientes clústeres, se puede afirmar que los autores más relevantes y líderes dentro del campo fueron Herrera, Marrero-Ponce y Bello Pérez.
En la Figura 3 se observan 11 clústeres en los documentos y 14 en las revistas, los cuales fueron analizados mediante el análisis por acoplamiento bibliográfico.
Como resultado de la aplicación del acoplamiento documental (TLS), se muestra un grupo de documentos relevantes según las fuentes donde aparecieron publicados. En cuanto a las áreas, resaltaron las Ciencias de la Computación, la Inteligencia Artificial, las aplicaciones informáticas y la Bioingeniería. A continuación, se expone una síntesis temática de los documentos más relevantes:
Comparative study to predict toxic modes of action of phenols from molecular structures (Brito-Sánchez, Y; Castillo-Garit, J. A; Le-Thi-Thu, H; González-Madariaga, Y.; Torrens, F.; Marrero-Ponce, Y; Rodríguez-Borges, J. E. SAR and QSAR in Environmental Research, 2013). En la investigación utilizan cuatro técnicas de aprendizaje automático, como el machine learning (ML).
Machine learning-based models to predict modes of toxic action of phenols to Tetrahymena pyriformis (Castillo-Garit, J. A; Casañola-Martin, G. M.; Barigye, S. J.; Pham-The, H.; Torrens, F.; Torreblanca, A. SAR and QSAR in Environmental Research, 2017). Utilizan cuatro técnicas de aprendizaje automático (ML), para desarrollar varios modelos con mayor de precisión y capacidades predictivas para distinguir entre cuatro modos de acción toxica.
Large-scale distance metric learning for k-nearest neighbors regression (Nguyen, Bac; Morell, Carlos; De Baets, Bernard. Neurocomputing, 2016). Mediante estudios experimentales, aborda el aprendizaje de métricas a distancia y su aplicación a varios problemas relacionados con el aprendizaje automático (ML) como la recuperación de información, clasificación, la visión artificial y la bioinformática.
Supervised distance metric learning through maximization of the Jeffrey divergence (Nguyen, Bac; Morell, Carlos; De Baets, Bernard. Pattern Recognition, 2017). En este trabajo se propone un marco de optimización para el aprendizaje de métricas a distancia a través de transformaciones lineales, la cual se utiliza en varias aplicaciones de aprendizaje automático, como la recuperación de información, la categorización de texto, y particularmente en la clasificación.
El acoplamiento de revistas (Figura 4) mostró las más frecuentes en las referencias bibliográficas, tendencia de citación que expresa la relación temática, donde destacan tres revistas internacionales: Lecture Notes in Computer Science, Information Scienes y Neurocomputing. En ellas se abordaron temáticas relacionadas con las Ciencias de la Computación, la Inteligencia artificial, las aplicaciones de la ciencia de la computación y software. Este resultado es consistente con el alcanzado mediante el acoplamiento de documentos.
Dimensión Estructura conceptual
La coocurrencia terminológica posibilita el establecimiento de las principales categorías, líneas de investigación y relaciones temáticas dentro de una determinada área de conocimientos. Además, se tomó en cuenta la representación por superposición, procedimiento que ofrece una aproximación a la evolución temporal de las líneas temáticas (Figura 5). Como resultado, se obtuvo una imagen más clara de las tendencias en cuanto a indexación por palabras clave en el periodo estudiado, donde destacaron los siguientes términos: artificial inteligente, machine learning, learning systems, human computer interaction y data minning.
Seguidamente, se consideró la centralidad y el tamaño nodal en la red. Esto permitió la consulta de investigaciones relacionadas con la amplia diversidad temática y las tendencias actuales, donde cada clúster mostró los términos incluidos para comprender los perfiles temáticos de las THD.
Mediante el diagrama estratégico o temático (Figura 6), fue posible resaltar los diferentes temas de un dominio del conocimiento al considerar la centralidad como medida de la relevancia del tema, y la densidad como una medida del desarrollo del tema. Es decir, esta representación se organizó en función de los temas motores, los cuales a su vez se organizan por cuadrantes, lo que facilitó observar aquellos temas en auge, marcados por la centralidad y densidad de los clústeres, así como los temas en declive, los cuales muestran la tendencia opuesta.
Esta estructuración de la figura evidencia la presencia de temas motores que agruparon la utilización práctica de algunas de las THD. Por ejemplo, en la salud aparecieron tecnologías utilizadas para el diagnóstico de ciertas enfermedades neurológicas (esquizofrenia y psicosis), así como la discapacidad auditiva y los trastornos infantiles.
Como temas transversales entre los más relevantes se encontraron: la inteligencia artificial, el machine learning, el big data y el IoT. A su vez, se observaron los mapas cognitivos borrosos y modelos matemáticos como QSAR (relación cuantitativa entre estructura y actividad) empleados en el análisis predictivo del funcionamiento de productos farmacológicos.
En el centro, se ubicó la red neuronal artificial (artificial neural network), modelo computacional que consiste en un conjunto de unidades, llamadas neuronas artificiales, conectadas entre sí para transmitirse señales.
Dentro del cuadrante que agrupa los temas aislados, pero con cierto desarrollo se observaron el blockchain, el agrupamiento (clustering) el cual es la principal tarea de la minería de datos exploratoria y es una técnica común en el análisis de datos estadísticos. También se encontró la electroencefalografía cuantitativa (Quantitative egg) o mapeo cerebral, que está relacionado con el análisis numérico de los datos de electroencefalografía y los correlatos de comportamiento asociados a los patrones de comunicación cerebral que se establecen a partir de la medición de la actividad bioeléctrica generada principalmente por potenciales postsinápticos de las neuronas piramidales del córtex cerebral, así como la monitorización (monitoring); la cual es utilizada para el seguimiento y control médico de pacientes, pero también como un modelo de entrega informática en la nube que ofrece múltiples beneficios para las empresa.
En menor medida se encontró la impresión 3D y el QoS (Quality of Service-Calidad de servicio), utilizado para definir la capacidad de una red para proporcionar diferentes niveles de garantías de servicio a las diversas formas de tráfico.
Por último, emergieron temas relacionados con los algoritmos (algorithm) debido a la necesidad de surgimiento de nuevos algoritmos para el ML, la clusterización, la optimización y el data mining, y otro tema emergente son los riesgos (risks), asociado a su gestión, la percepción y la evaluación.
Dimensión Estructura social
Con un total de 1 948 autores solo 12 realizaron sus investigaciones con autoría individual, lo cual muestra una alta colaboración en los temas sobre THD, donde 456 de los documentos (74,75%) fueron realizados en colaboración internacional, mientras que 57 (9,34%) se realizaron en colaboración nacional donde participaron autores de al menos 2 instituciones cubanas, por último, 85 documentos (13,93%) se realizaron por autores de una misma institución.
El análisis de la colaboración indicó las relaciones entre actores del sistema científico, que para los autores mostró 7 clústeres o agrupaciones principales, con distintos colores, determinantes de las formas en que estos se organizaron (Figura 7). Al considerar la centralidad y tamaño de la variable autores, se pudo observar la relevancia de autores como Rafael Bello, Carlos Morel y Yovani Marrero-Ponce, los cuales aparecieron en el centro de sus respectivos clústeres como líderes.
En la red de instituciones en 7 clústeres se observó la importante colaboración de universidades nacionales (Figura 8), dentro de ella la que tuvo mayor relevancia fue la Universidad Central Marta Abreu de las Villas (UCLV), líder en producción científica, con el mayor peso en la generación de conocimiento en los temas que integran las TH a nivel nacional en revistas de Scopus, además de tener una posición clave dentro de la red. A ella le continuó, a nivel nacional, la Universidad de la Habana.
Discusión y conclusiones
Los hallazgos realizados apuntan hacia la necesidad de una contextualización crítica de las tendencias bibliométricas identificadas. En primer lugar, debe tomarse en consideración que los principales países productores en cuanto THD son desarrollados o economías pujantes como China e India (Osei et al., 2023), mientras que la distribución geográfica tiende hacia el Norte Global, especialmente en Estados Unidos y Europa (Rana & Daultani, 2023).
A pesar de ello, en el periodo analizado, Cuba muestra una tendencia anual en el periodo analizado con un crecimiento lineal significativo tanto en documentos como en el número de citas recibidas, pero es necesario analizar las condiciones económicas, sociales y organizacionales preponderantes en Cuba, las cuales no facilitan la introducción, estudio y generación de las THD. Aunque se reconozca en el país la importancia de un enfoque holístico que articule las dimensiones de la TD (Gkrimpizi et al., 2023), es esencial reconocer la importancia de factores como la infraestructura, la preparación previa, la estrategia de comunicación, el trabajo en equipo y la gestión organizacional (Castro Benavides et al., 2020) (Wang et al., 2023).
Una valoración crítica de estos factores apunta hacia las limitadas posibilidades de integrar estas tecnologías de manera que generen los cambios fundamentales deseados y trascienda la mera utilización de las mismas. Un ejemplo particular ha sido el empleo de la IA, que de acuerdo con Aly (2022), a pesar de ser identificada como una tecnología capaz de promover la TD, en los países en vías de desarrollo su impacto en la productividad es considerablemente menor.
Si se analiza desde el punto de vista del desarrollo sostenible, esta relación entre nivel socioeconómico y TD es incluso más clara (ElMassah & Mohieldin, 2020). Por tanto, los indicadores referentes a la evolución de la producción científica no pueden ser interpretados en función de las tendencias mundial sin antes considerar el escenario social, tecnológico y cultural cubano en el periodo y de cara a futura investigaciones.
En esta misma línea, destaca que la colaboración internacional ocupa el 74,75%, principalmente con instituciones de España, México y Bélgica, lo que subraya la importancia de la colaboración científica y académica en el campo de la THD. Sin embargo, estudios similares que han mostrado una tendencia a colaboraciones entre países desarrollados (Radanliev & De Roure, 2023), las dificultades en el establecimiento de alianzas creadas por factores contextuales (D’Oliveira Andrade & Reis Gonçalo, 2021), así con el necesario alto grado de desarrollo para el avance de la Industria 4.0 (Jiménez-Pitre et al., 2023) (Yaqub & Alsabban, 2023). A juzgar por estos hallazgos, la producción científica explorada refleja el estado actual de estos factores en el país.
En cuanto a las temáticas, se apreciaron tendencias similares a las internacionales, como
Artificial intelligent, machine learning, learning systems, data mining, Human computer interaction, Comparative studies, internet of thing, mathematical models, entre otras, lo que supone una potencialidad he indica el creciente interés por las THD. A pesar de ello, se mantienen en este sentido los argumentos ya presentados con anterioridad. Una de las limitaciones del estudio está relacionado con la utilización de una sola base de datos, en este caso Scopus, los hallazgos de esta investigación facilitan una aproximación a la problemática de académicos, investigadores y decisores en este tema. Además, se resalta el carácter vital de la inversión, la colaboración y el estudio de los factores culturales, humanos y organizacionales del país, para su futura implementación.
