TL;DR
Tras usar bib2graph 0.9.0 en un caso real (revisión sobre teoría de Hodge en grafos / statistical Hodge ranking, ~901 papers), creo que el mayor valor de la herramienta no es producir análisis bibliométricos como fin en sí mismos, sino alimentar la revisión de literatura de papers científicos "normales" para reducir el sesgo de selección. La mayoría de las secciones de related work se escriben de memoria —lo que el autor ya conoce, lo de su asesor, lo reciente y lo de su círculo—. Un barrido bibliométrico ligero, usado como capa de descubrimiento y auditoría (no de autoridad), es claramente mejor que ese piso. Propongo orientar parte del producto, la documentación y algunas features hacia ese flujo de uso.
Contexto y motivación
La discusión típica sobre análisis bibliométrico lo mide contra el estándar de un paper bibliométrico riguroso (PRISMA, censo completo, triangulación Scopus/WoS, co-citación con parámetros reportados, etc.). Bajo esa vara, una corrida exploratoria con bib2graph "no alcanza".
Pero esa es la vara equivocada para la mayoría de usuarios. El contrafáctico real no es "una revisión sistemática perfecta": es la sección de related work escrita de memoria, que arrastra sesgos bien documentados:
Sesgo de disponibilidad: se cita lo que se recuerda.
Sesgo de novedad: se sobre-representa lo reciente y se saltan obras fundacionales antiguas.
Efecto Mateo / sesgo de círculo: se cita a los autores ya famosos y a los conocidos.
Sesgo de idioma: predominio del inglés.
Contra ese piso, un barrido que obligue al investigador a ver la estructura real del campo (clusters que no sabía que existían, obras de alta centralidad ausentes de su lista mental) sí aporta valor, aunque no sea el análisis bibliométrico más riguroso. Mejor que nada es, en este caso, mucho mejor que nada.
La propuesta de valor central
bib2graph como motor de una "revisión narrativa asistida por bibliometría".
El análisis bibliométrico entra al principio del proceso (acotar el campo, auditar puntos ciegos) y sale antes de la escritura. No responde "¿qué debo citar?"; responde "¿qué me estoy perdiendo?" y "¿mi mapa mental del campo es correcto?". El juicio sobre qué entra y por qué sigue siendo del humano, que lee y sintetiza.
El riesgo que hay que diseñar para evitar: lavado de sesgo (bias-laundering)
Un análisis bibliométrico no elimina el sesgo: lo reubica. Pasa de "lo que yo recuerdo" a "lo que yo sembré + lo que OpenAlex indexa + cómo el algoritmo agrupó". Eso es mejor porque es explícito y reproducible… siempre que se mantenga visible como una elección.
El peligro es lo contrario: un mapa generado por una herramienta se ve objetivo. Es fácil que alguien concluya "la herramienta dice que estos son los papers clave", cuando el mapa solo refleja sus propias queries. Ahí el sesgo no se eliminó: se disfrazó de autoridad, lo cual es peor, porque ahora es difícil de cuestionar.
Ejemplo del caso de prueba: en mi corrida sobre Hodge ranking, el forward chaining arrastró un cluster entero de blockchain/consensus y un outlier de análisis de ligamiento bayesiano de 1998 —conectados por citación pero ajenos al tema—. Si alguien los reportara sin leer, no se habría guiado mejor: se habría guiado con falsa confianza.
Principio de diseño que lo resuelve: la herramienta debe empujar activamente al usuario a usar el bibliométrico como descubrimiento/auditoría, nunca como autoridad. Esto tiene implicaciones concretas de producto (ver abajo).
El flujo propuesto (5 pasos)
Lista ingenua primero. El investigador escribe lo que citaría de memoria, antes de correr nada. Esto es lo más importante y casi nadie lo hace: hace el sesgo visible y permite comparar el prior contra el mapa.
Barrido bibliométrico. Seed → expansión por citaciones → clusters (el flujo actual de bib2graph).
El diff (el oro). Comparar prior vs. resultado: ¿qué clusters no conocía? ¿qué papers de alta centralidad faltaban en mi lista? ¿qué obra fundacional vieja salté por sesgo de novedad?
Lectura dirigida a los huecos. No se lee el corpus entero; la herramienta señala dónde mirar, el humano hace la lectura crítica.
Escritura de la revisión narrativa con el juicio de siempre, ahora mejor informado.
La herramienta entra en los pasos 1–4 y se retira en el 5.
Implicaciones concretas para bib2graph (sugerencias de features)
Estas ideas operacionalizan el flujo y, sobre todo, estructuralmente desincentivan el lavado de sesgo:
Capturar el prior del investigador (p. ej. b2g prior o un import de una lista/.bib ingenua) antes del seed, como artefacto de primera clase del workspace.
Reporte de diff / puntos ciegos (b2g blindspots o similar): obras de alta centralidad ausentes del prior; clusters no representados en el prior; comparación de la distribución temporal prior vs. corpus (para evidenciar sesgo de novedad); idealmente, señal de sesgo de idioma/región.
Guardrails anti-laundering en los exports: que cada artefacto (GraphML, CSV, reportes) embeba la procedencia: cadenas de búsqueda exactas, fecha de extracción, topes (max_results), versión de la herramienta, y un disclaimer de que es un barrido exploratorio, no un censo.
Export "narrativa-friendly": además del GraphML para Gephi, un resumen legible para humanos (clusters + obras centrales + huecos detectados) pensado para alguien que escribe un paper, no un bibliómetra.
Plantilla de "Métodos" auto-generada: bloque de texto citable con la cadena de búsqueda, fecha y parámetros reales de la corrida, para reportar con honestidad y sin esfuerzo (ver plantilla abajo).
Encuadre en la documentación: documentar explícitamente este caso de uso ("revisión narrativa asistida por bibliometría") como primary use case, con un quickstart del flujo de 5 pasos. Esto baja la barrera de adopción para investigadores que no se piensan como bibliómetras.
Plantilla de reporte sugerida (para que el usuario reporte sin sobrevender)
Una de las mayores aportaciones sería enseñar al usuario a reportarlo de forma honesta y suficiente, sin invocar PRISMA ni llamarlo "revisión sistemática" (no lo es, y un revisor lo tumbaría). Algo como:
"Para reducir el sesgo de selección en la revisión de literatura, se realizó un barrido bibliométrico exploratorio sobre OpenAlex (fecha: AAAA-MM-DD; términos de búsqueda: […]; N = […] registros) usando bib2graph vX.Y. Los clusters temáticos y las obras de mayor centralidad resultantes guiaron —sin sustituir— la lectura y la síntesis crítica de la literatura."
Es modesto, transparente y de hecho otorga una ventaja ante revisores: demuestra que la cobertura no se limitó a lo que el autor tenía a mano. (Opcional para blindarlo: triangular los hallazgos clave con bibliometrix/VOSviewer/CiteSpace, convirtiendo "usé una herramienta nueva" en "verifiqué con herramientas establecidas".)
Qué NO es (alcance honesto)
Para evitar malentendidos sobre la propuesta:
No es convertir bib2graph en una herramienta para escribir papers de análisis bibliométrico Q1.
No reemplaza la revisión sistemática PRISMA ni el censo completo de la literatura.
No reemplaza la lectura crítica ni la síntesis narrativa: las habilita y dirige.
Sí posiciona la herramienta como un antídoto pragmático y reportable contra el sesgo del related work escrito de memoria.
Evidencia (caso de prueba)
Corrida real con bib2graph 0.9.0 sobre "teoría de Hodge en grafos / statistical Hodge ranking":
Seed multi-concepto (5 queries) → 157 papers → forward chaining → 901 papers; enriquecimiento: 31.642 referencias únicas, 25.919 resueltas a DOI; 4 redes construidas.
Las obras fundacionales emergieron correctamente por centralidad interna (encabezando Lim, Jiang, Ye & Yao 2010, "Statistical ranking and combinatorial Hodge theory").
Los clusters mapearon bien la estructura del campo (núcleo de ranking estadístico; aplicación a calidad de imagen/video; redes de orden superior/complejos simpliciales; econofísica; cálculo exterior discreto).
También evidenció la deriva temática esperable del chaining (cluster de blockchain, outlier de 1998), que es justo el punto donde el diff humano y el cribado importan, y donde un guardrail anti-laundering sería valioso.
La experiencia de extremo a extremo fue fluida y el resultado, interpretable y útil para orientar una revisión —exactamente el caso de uso que esta propuesta busca elevar a primary use case.
TL;DR
Tras usar bib2graph 0.9.0 en un caso real (revisión sobre teoría de Hodge en grafos / statistical Hodge ranking, ~901 papers), creo que el mayor valor de la herramienta no es producir análisis bibliométricos como fin en sí mismos, sino alimentar la revisión de literatura de papers científicos "normales" para reducir el sesgo de selección. La mayoría de las secciones de related work se escriben de memoria —lo que el autor ya conoce, lo de su asesor, lo reciente y lo de su círculo—. Un barrido bibliométrico ligero, usado como capa de descubrimiento y auditoría (no de autoridad), es claramente mejor que ese piso. Propongo orientar parte del producto, la documentación y algunas features hacia ese flujo de uso.
Contexto y motivación
La discusión típica sobre análisis bibliométrico lo mide contra el estándar de un paper bibliométrico riguroso (PRISMA, censo completo, triangulación Scopus/WoS, co-citación con parámetros reportados, etc.). Bajo esa vara, una corrida exploratoria con bib2graph "no alcanza".
Pero esa es la vara equivocada para la mayoría de usuarios. El contrafáctico real no es "una revisión sistemática perfecta": es la sección de related work escrita de memoria, que arrastra sesgos bien documentados:
Sesgo de disponibilidad: se cita lo que se recuerda.
Sesgo de novedad: se sobre-representa lo reciente y se saltan obras fundacionales antiguas.
Efecto Mateo / sesgo de círculo: se cita a los autores ya famosos y a los conocidos.
Sesgo de idioma: predominio del inglés.
Contra ese piso, un barrido que obligue al investigador a ver la estructura real del campo (clusters que no sabía que existían, obras de alta centralidad ausentes de su lista mental) sí aporta valor, aunque no sea el análisis bibliométrico más riguroso. Mejor que nada es, en este caso, mucho mejor que nada.
La propuesta de valor central
bib2graph como motor de una "revisión narrativa asistida por bibliometría".
El análisis bibliométrico entra al principio del proceso (acotar el campo, auditar puntos ciegos) y sale antes de la escritura. No responde "¿qué debo citar?"; responde "¿qué me estoy perdiendo?" y "¿mi mapa mental del campo es correcto?". El juicio sobre qué entra y por qué sigue siendo del humano, que lee y sintetiza.
El riesgo que hay que diseñar para evitar: lavado de sesgo (bias-laundering)
Un análisis bibliométrico no elimina el sesgo: lo reubica. Pasa de "lo que yo recuerdo" a "lo que yo sembré + lo que OpenAlex indexa + cómo el algoritmo agrupó". Eso es mejor porque es explícito y reproducible… siempre que se mantenga visible como una elección.
El peligro es lo contrario: un mapa generado por una herramienta se ve objetivo. Es fácil que alguien concluya "la herramienta dice que estos son los papers clave", cuando el mapa solo refleja sus propias queries. Ahí el sesgo no se eliminó: se disfrazó de autoridad, lo cual es peor, porque ahora es difícil de cuestionar.
Ejemplo del caso de prueba: en mi corrida sobre Hodge ranking, el forward chaining arrastró un cluster entero de blockchain/consensus y un outlier de análisis de ligamiento bayesiano de 1998 —conectados por citación pero ajenos al tema—. Si alguien los reportara sin leer, no se habría guiado mejor: se habría guiado con falsa confianza.
Principio de diseño que lo resuelve: la herramienta debe empujar activamente al usuario a usar el bibliométrico como descubrimiento/auditoría, nunca como autoridad. Esto tiene implicaciones concretas de producto (ver abajo).
El flujo propuesto (5 pasos)
Lista ingenua primero. El investigador escribe lo que citaría de memoria, antes de correr nada. Esto es lo más importante y casi nadie lo hace: hace el sesgo visible y permite comparar el prior contra el mapa.
Barrido bibliométrico. Seed → expansión por citaciones → clusters (el flujo actual de bib2graph).
El diff (el oro). Comparar prior vs. resultado: ¿qué clusters no conocía? ¿qué papers de alta centralidad faltaban en mi lista? ¿qué obra fundacional vieja salté por sesgo de novedad?
Lectura dirigida a los huecos. No se lee el corpus entero; la herramienta señala dónde mirar, el humano hace la lectura crítica.
Escritura de la revisión narrativa con el juicio de siempre, ahora mejor informado.
La herramienta entra en los pasos 1–4 y se retira en el 5.
Implicaciones concretas para bib2graph (sugerencias de features)
Estas ideas operacionalizan el flujo y, sobre todo, estructuralmente desincentivan el lavado de sesgo:
Capturar el prior del investigador (p. ej. b2g prior o un import de una lista/.bib ingenua) antes del seed, como artefacto de primera clase del workspace.
Reporte de diff / puntos ciegos (b2g blindspots o similar): obras de alta centralidad ausentes del prior; clusters no representados en el prior; comparación de la distribución temporal prior vs. corpus (para evidenciar sesgo de novedad); idealmente, señal de sesgo de idioma/región.
Guardrails anti-laundering en los exports: que cada artefacto (GraphML, CSV, reportes) embeba la procedencia: cadenas de búsqueda exactas, fecha de extracción, topes (max_results), versión de la herramienta, y un disclaimer de que es un barrido exploratorio, no un censo.
Export "narrativa-friendly": además del GraphML para Gephi, un resumen legible para humanos (clusters + obras centrales + huecos detectados) pensado para alguien que escribe un paper, no un bibliómetra.
Plantilla de "Métodos" auto-generada: bloque de texto citable con la cadena de búsqueda, fecha y parámetros reales de la corrida, para reportar con honestidad y sin esfuerzo (ver plantilla abajo).
Encuadre en la documentación: documentar explícitamente este caso de uso ("revisión narrativa asistida por bibliometría") como primary use case, con un quickstart del flujo de 5 pasos. Esto baja la barrera de adopción para investigadores que no se piensan como bibliómetras.
Plantilla de reporte sugerida (para que el usuario reporte sin sobrevender)
Una de las mayores aportaciones sería enseñar al usuario a reportarlo de forma honesta y suficiente, sin invocar PRISMA ni llamarlo "revisión sistemática" (no lo es, y un revisor lo tumbaría). Algo como:
"Para reducir el sesgo de selección en la revisión de literatura, se realizó un barrido bibliométrico exploratorio sobre OpenAlex (fecha: AAAA-MM-DD; términos de búsqueda: […]; N = […] registros) usando bib2graph vX.Y. Los clusters temáticos y las obras de mayor centralidad resultantes guiaron —sin sustituir— la lectura y la síntesis crítica de la literatura."
Es modesto, transparente y de hecho otorga una ventaja ante revisores: demuestra que la cobertura no se limitó a lo que el autor tenía a mano. (Opcional para blindarlo: triangular los hallazgos clave con bibliometrix/VOSviewer/CiteSpace, convirtiendo "usé una herramienta nueva" en "verifiqué con herramientas establecidas".)
Qué NO es (alcance honesto)
Para evitar malentendidos sobre la propuesta:
No es convertir bib2graph en una herramienta para escribir papers de análisis bibliométrico Q1.
No reemplaza la revisión sistemática PRISMA ni el censo completo de la literatura.
No reemplaza la lectura crítica ni la síntesis narrativa: las habilita y dirige.
Sí posiciona la herramienta como un antídoto pragmático y reportable contra el sesgo del related work escrito de memoria.
Evidencia (caso de prueba)
Corrida real con bib2graph 0.9.0 sobre "teoría de Hodge en grafos / statistical Hodge ranking":
Seed multi-concepto (5 queries) → 157 papers → forward chaining → 901 papers; enriquecimiento: 31.642 referencias únicas, 25.919 resueltas a DOI; 4 redes construidas.
Las obras fundacionales emergieron correctamente por centralidad interna (encabezando Lim, Jiang, Ye & Yao 2010, "Statistical ranking and combinatorial Hodge theory").
Los clusters mapearon bien la estructura del campo (núcleo de ranking estadístico; aplicación a calidad de imagen/video; redes de orden superior/complejos simpliciales; econofísica; cálculo exterior discreto).
También evidenció la deriva temática esperable del chaining (cluster de blockchain, outlier de 1998), que es justo el punto donde el diff humano y el cribado importan, y donde un guardrail anti-laundering sería valioso.
La experiencia de extremo a extremo fue fluida y el resultado, interpretable y útil para orientar una revisión —exactamente el caso de uso que esta propuesta busca elevar a primary use case.