A bibliometric analysis of the interdisciplinary ﬁeld of cultural evolution

Introducción

El estudio de la evolución cultural es un esfuerzo interdisciplinario que incluye la biología evolutiva, la antropología, la psicología, la sociología y la informática.
Los evolucionistas culturales suelen considerar la biología evolutiva como un punto de referencia en cuanto a la forma en que una ciencia interdisciplinaria puede integrarse sobre una base teórica (Mesoudi et al. 2006). Sin embargo, la historia de la biología evolutiva también ilustra la diversidad de hipótesis de trabajo o supuestos que pueden subyacer a la investigación en un campo interdisciplinario (Mayr, 1982). Si esas comunidades tienen poca interacción o cooperación, esas diferencias se arraigarán y obstaculizarán el progreso en el campo.
En la actualidad, se está llevando a cabo la comprensión y la síntesis entre las comunidades que componen el campo de la evolución cultural. P.e. con la fundación de la Sociedad de Evolución Cultural (CES), en donde se describe a sus participantes como procedentes de un

“crisol de disciplinas que deben integrarse para crear una ciencia del cambio cultural informada por la teoría de la evolución”.

En un estudio reciente se comprobó que los investigadores que colaboran a través de las fronteras disciplinarias tienden a publicar menos trabajos, pero más citados. Curiosamente, esta “penalización de la productividad” fue significativamente más baja para los autores en campos más interdisciplinarios (Leahey et al. 2017). Esto indica que, para los autores de un campo ya interdisciplinario como el de la evolución cultural, el beneficio de mayor citación probablemente supera a cualquier costo para la productividad.
Si bien existen valiosos trabajos cualitativos acerca de la estructura interdisciplinaria del campo (Wimsatt, 2013; Mesoudi y otros, 2006; Henrich y otros, 2008), sólo los datos cuantitativos sobre la estructura del campo pueden delinear las comunidades reales, evaluar los grados de comunicación y de fecundación cruzada, e informar a objetivos especificos sobre cómo fomentar la integración y la síntesis.
La bibliometría, o el análisis estadístico de las obras publicadas, ha sido utilizada para el análisis de la literatura científica. La evidencia sugiere que la colaboración puede aumentar positivamente la productividad (Landry y otros, 1996; Lee y Bozeman, 2005), el impacto (Larivière y otros, 2014) y la tasa de citaciones (Figg y otros, 2006).
El análisis de las redes sociales sobre conjuntos de datos bibliométricos permite investigar la forma en que están estructurados campos científicos. La construcción de redes de coautoría, en las que cada nodo representa a un autor y cada enlace representa una relación de coautoría, puede proporcionar una visión particularmente valiosa de la topografía de un determinado campo La coautoría representa una relación de trabajo directa entre los autores y se suele utilizar como medida indirecta para la colaboración de campos en estudios bibliométricos.

Objetivo: Representar la estructura del campo y evaluar el nivel de integración disciplinaria.

Metodología

Combinación de análisis de redes, clusters y bibliometría a un conjunto de datos de publicaciones extraido de WoS.
Extracción de datos de WoS. “Evolución Cultural” hasta 2017 + lista de frecuencias de categorías temáticas.

Red de coautoría

Generación de red de coautoría con VoSViewer. Exclusión de artículos con más de 10 autores y normalización de las iniciales. Resolución en 0.03.
Descripción cualitativa de los clusters resultantes basada en los “autores principales” (autores con más vínculos de coautoría). Evaluación de afiliación departamental, enfoques experimentales, palabras claves y categorías temáticas más salientes (con paquete GeneMerge).

Mapa de superposición científica

Los mapas de superposición de ciencias superponen los datos de una red local a un “mapa mundial de la ciencia” basado en una matriz de cocitación de las categorías de temas de ISI de 2007. Proporciona una visión general de cómo el campo focal está situado en el resto de la ciencia (Rafols et al. 2010).
Se construyeron mapas de superposición de la ciencia a partir de las categorías temáticas utilizadas dentro de cada grupo de coautores identificado en VOSviewer.

Medidas estadísticas

Estructura de la red:

Se calcularon los índices de small-worldness y de network density [qgraph & igraph]:

Small-worldness: indica si una red presenta o no la estructura del mundo pequeño que muestran muchas redes de colaboración con alta agrupación y longitudes de camino cortas (Humphries y Gurney, 2008; Ebadi y Schiffauerova, 2015a, 2015b). Valores superiores a 1 reflejan estructura de mundo pequeño.
Network density: relación entre las conexiones observadas y las posibles conexiones de una red.

La lista de frecuencias de las categorías temáticas se utilizó para calcular la medida de la diversidad Stirling-Rao, un indicador de la interdisciplinariedad que tiene en cuenta las distancias entre las categorías temáticas de la red, tanto para la totalidad de la red como para cada grupo (Rao, 1980; Stirling, 2007; Leydesdorff y Rafols, 2011).

Se identíficaron y calcularon las medidas de centralidad que explicaban la mayor varianza en la estructura de la red: eigenvector y closeness centrality (Ashtiani et al. 2017) – [paquete CINNA para análisis de redes].

Eigenvector centrality: medida de la influencia de un nodo en una red. Se asignan puntuaciones relativas a todos los nodos de la red basándose en el concepto de que las conexiones a los nodos de alta puntuación contribuyen más a la puntuación del nodo en cuestión que las conexiones iguales a nodos de baja puntuación. Una puntuación eigenvectorial alta significa que el nodo está conectado a muchos nodos que a su vez tienen una puntuación alta [proxy de influencia].
Closeness centrality: indica la longitud del camino más eficiente de un nodo a todos los demás nodos [proxy de distancia del centro] (Landherr et al. 2010).

Productividad y colaboración:

índice h de cada autor: medida común para la producción individual, se calculó utilizando únicamente los registros del conjunto de datos para determinar el impacto individual dentro del campo (Hirsch, 2005).
índice de colaboración anual: relación entre el número de autores de los artículos de los que son coautores y el número total de artículos de los que son coautores, se calculó para todo el conjunto de datos y cada grupo.
Coeficiente de la ley de Lotka: medida para determinar la frecuencia relativa de los autores clasificados por productividad (Lotka, 1926). La ley de Lotka predice que la distribución de frecuencia relativa de la productividad de los autores para cualquier campo será una función cuadrada inversa hiperbólica (y=1/x2), de tal manera que una minoría de los autores del conjunto de datos publica la mayoría de los artículos.
Citation overlap: A fin de determinar cuánta información se compartió entre los grupos de coautores, se compilaron las referencias colectivas citadas por los autores de cada grupo y se recortaron para eliminar los duplicados. Las superposiciones entre las listas de referencias colectivas de los grupos se analizaron utilizando SuperExactTest.

Resultados generales

- Incremento en la productividad y colaboración en el tiempo.

- Alta desigualdad en la productividad de los autores.

Generalidades acerca de los datos

Los criterios de búsqueda dieron como resultado 2091 registros publicados por 3451 autores.

67 países están representados en el conjunto de datos. Los mejor representados son:

Aunque 685 revistas están representadas en el conjunto de datos, las 5 más productivas fueron:

Productividad

Los análisis temporales indican que el campo se ha vuelto más productivo con el tiempo, con una tasa de crecimiento porcentual anual del 13,61%.

Sin embargo, la productividad presenta una gran desigualdad. La proporción media de autores con una sola publicación es más alta que la que presentan otros campos científicos (promedio 69%, según Ruiz-Castillo y Costas, 2014).
El autor más productivo, Alex Mesoudi, publicó 35 (1,67%) de los trabajos incluidos en el conjunto de datos.

Ley de Lotka

[Distribución observada de la productividad de los autores (línea continua) junto con la función teórica de Lotka (línea discontinua).]

La prueba de Kolmogorov-Smirnov determinó que la productividad de los autores no se ajusta a la predicción de la ley de Lotka, sugieriendo que el campo de la evolución cultural no se ajusta a la ley de Lotka, y tiene menos autores altamente productivos de lo esperado.

Esta gran desigualdad de productividad en la evolución cultural podría ser el resultado de una tendencia de la mayoría de los investigadores a ser sólo ocasionalmente interdisciplinarios.

Cálculo de índices

CI = número medio de autores en trabajos de varios autores
SW = la red exhibe la estructura del mundo pequeño

indice	valor
Colaboration index	2.43
Small-Worldness index	22.42
Network density	0.0083
Stirling-Rao Diversity	0.8188

Se evidenció un aumento lineal en el CI en el periodo estudiado (r2=0,4333).

Resultados clusters

The degree of citation overlap between groups. The groups included in each pairwise comparison are designated by the black dots below each bar. For each pairwise comparison, the y-axis is the number of articles that are shared between the two collective reference lists. The total size of each collective reference list appears to the right of each row of dots. Only pairwise comparisons with statistically significant intersections are included, and the results are sorted by increasing p-value

Discusión

Limitaciones

El término de búsqueda {“evolución cultural”} excluye el trabajo de investigadores que se dedican a los cambios en los rasgos culturales pero usan una terminología diferente. Aunque incluir otros términos como “cambio cultural” y “evolución del lenguaje” se habrían ampliado nuestros resultados, elegimos limitar nuestra búsqueda a un término para evitar sobrerepresentar en exceso determinadas subdisciplinas.
Muchos de los libros más influyentes y los capítulos de libros sobre la evolución cultural no están indexados en el WoS. Como resultado, los campos con más énfasis sobre la publicación de formatos largos, como la antropología cultural, pueden estar subrepresentados en este análisis.
El análisis excluye documentos de un solo autor, ya que se centró en la coautoría como un indicador de colaboración e integración de campo.
Los artículos anteriores tienen menos probabilidades que los artículos más recientes de estar representados en la red de coautores porque es menos probable que los autores hayan podido colaborar en su producción. Sin embargo, este sesgo ayudó a evitar otro sesgo: el término “evolución cultural” fue utilizado ocasionalmente, especialmente antes de 1975, de manera inconsistente con el uso contemporáneo.
Los resultados a nivel de grupo dependen de los ajustes de resolución del cluster analysis.

Discusión nuestra

Red altamente clusterizada con diversidad temática.
Los clusters más importantes son modelado matemático y teoría de la herencia dual [mayor centralidad eigenvectorial, mayor índice de centralidad de cercanía y mayor diversidad temática hacia adentro del cluster], antropología biológica y arqueología, y linguística cognitiva y evolución cultural experimental.
2 clusters muy pequeños: psicología evolutiva y canto de pájaros, poco conectados con el resto de la red.
Resultado de la ley de Lotka sugiere que hay muchos autores que escribieron ocasionalmente dentro del área, sin ser contribuyentes usuales (no elegir esos papers!)
Memética no figura en ningún clúster. ¿Repetir estudio en memética?