Unveiling the Cognitive Structure of Renewable Energies, Sustainability, and Environment Research: A Large-Scale Longitudinal Co-Word Analysis

Resumen Técnico: Revelando la Estructura Cognitiva de la Investigación en Energías Renovables, Sostenibilidad y Medio Ambiente

Planteamiento del Problema
El campo de la investigación en Energías Renovables, Sostenibilidad y Medio Ambiente (RESER, por sus siglas en inglés), definido por la categoría temática ASJC 2105 de Scopus, se ha expandido drásticamente, alcanzando casi 780,000 publicaciones entre 2000 y 2022. A pesar de este crecimiento, la estructura cognitiva interna del campo —específicamente cómo emergen, se consolidan y evolucionan los frentes de investigación a lo largo del tiempo— no ha sido mapeada suficientemente a escala global. Los estudios bibliométricos previos se han centrado mayoritariamente en tecnologías específicas, unidades geográficas o ventanas temporales cortas, recurriendo a menudo a búsquedas de palabras clave no replicables. Existe una carencia de un mapa longitudinal de la estructura cognitiva completa del campo que utilice un protocolo transparente, sistemático y replicable aplicado a un corpus de escala comparable.

Metodología
El estudio emplea un protocolo de análisis de co-ocurrencia de palabras a gran escala y de carácter longitudinal aplicado a un corpus de 779,434 registros indexados en Scopus. La metodología sigue un proceso de ocho pasos:

1. Recuperación de Datos y Segmentación: Los datos fueron recuperados de Scopus (ASJC 2105) para el periodo 2000–2022. Se aplicó un método de segunda derivada a la curva de crecimiento anual de las publicaciones para identificar puntos de inflexión, lo que resultó en tres segmentos temporales basados en datos: 2000–2012, 2013–2019 y 2020–2022.
2. Normalización de Palabras Clave: Se desarrolló un tesauro de 25,728 descriptores para normalizar las variaciones formales (ortográficas, acrónimos, morfológicas) entre las palabras clave de los autores. Crucialmente, este proceso no fusionó términos basados en la similitud conceptual para evitar imponer el juicio del investigador; se mantuvieron términos distintos (por ejemplo, "solar energy" frente a "solar power") para reflejar las elecciones reales de los autores.
3. Construcción de la Red: Se utilizó VOSviewer para construir redes de co-ocurrencia. Se aplicó un umbral de co-ocurrencia mínima de 10 para reducir el ruido, resultando en una red final de 25,722 descriptores estandarizados.
4. Agrupamiento (Clustering) y Análisis de Sensibilidad: El agrupamiento se realizó mediante el algoritmo smart local moving. Para determinar el número óptimo de clusters, se llevó a cabo un análisis de sensibilidad sistemático sobre el parámetro de Tamaño Mínimo de Cluster (MCS). La solución óptima se determinó mediante la convergencia de cuatro criterios: análisis de modularidad (Q > 0.3), estabilidad del parámetro de resolución, un análisis de codo (elbow analysis) de la curva MCS y coherencia temática cualitativa.
5. Proyección Longitudinal y Detección: El mapa base (2000–2022) se proyectó sobre los tres periodos de tiempo. Crucialmente, se realizaron análisis de sensibilidad independientes para cada periodo para detectar cambios estructurales sin imponer un recuento fijo de clusters en todos los marcos temporales.
6. Visualización: Se utilizaron visualizaciones de superposición (overlay) y métricas de Fuerza de Enlace Total (TLS) para rastrear la evolución de los términos y la importancia estructural de los frentes de investigación.

Resultados Clave
El análisis revela una estructura cognitiva organizada en torno a cinco grandes frentes de investigación en el mapa base, con un sexto frente que emerge en el periodo más reciente:

• Estructura del Mapa Base (2000–2022): El campo está organizado en cinco frentes:

  1. Política de Sostenibilidad (24%): El frente más grande, anclado por "sostenibilidad", que refleja la integración de la gobernanza, la evaluación ambiental y las dimensiones normativas.
  2. Estructura de Energía Renovable (23%): Un dominio integrador que cubre tecnologías centrales (solar, eólica, hidroeléctrica) y optimización a nivel de sistema.
  3. Generación de Biocombustibles (21%): Enfocado en biomasa, biodiésel, biogás y rutas de hidrógeno.
  4. Almacenamiento de Energía Renovable (16%): Centrado en baterías de ion de litio, celdas de combustible y materiales avanzados.
  5. Generación de Energía Solar (16%): Enfocado en sistemas fotovoltaicos y térmicos solares, modelado y eficiencia.

• Evolución Longitudinal:

  • 2000–2012 (Fundamentos): Caracterizado por una fuerte orientación tecnológica. La Generación de Biocombustibles (33%) y el Almacenamiento de Energía Renovable (27%) fueron dominantes. La Política de Sostenibilidad fue el frente menos representado (10%).
  • 2013–2019 (Consolidación): Se produjo un cambio donde la Política de Sostenibilidad (24%) y la Estructura de Energía Renovable (23%) crecieron significamente. La Generación de Biocombustibles declinó relativamente (al 21%) pero maduró tecnológicamente.
  • 2020–2022 (Reorientación): La Política de Sostenibilidad se convirtió en el frente más grande (28%). Un sexto frente, Inteligencia Artificial y Energía Renovable (9%), emergió como un cluster estructuralmente estable centrado en "machine learning", indicando un cambio estructural donde la IA pasó de ser una herramienta metodológica dispersa a un dominio cognitivo distinto.

• Tendencias Estructurales: El estudio identifica una reversión en la prominencia: los frentes tempranos de tecnología específica (biocombustibles, almacenamiento) han declinado en peso relativo a medida que el campo se diversifica hacia una investigación más sistémica y orientada a las políticas. Existe una creciente permeabilidad entre los frentes, evidenciada por la convergencia de la movilidad eléctrica, la gestión de la red y las herramientas digitales.

Contribuciones Clave

1. Mapa Cognitivo Empírico: El estudio proporciona el primer mapa cognitivo longitudinal a gran escala del campo RESER, identificando cinco grandes frentes de investigación y la reciente emergencia de un frente centrado en la IA.
2. Protocolo Metodológico: Propone un protocolo transparente y reproducible para el análisis de co-palabras a gran escala. Esto incluye un enfoque específico para la normalización de palabras clave (preservando la distinción terminológica), un riguroso análisis de sensibilidad para la determinación de clusters y un método de segmentación temporal basado en datos. El protocolo detectó con éxito el sexto frente en el periodo 2020–2022 mediante un análisis independiente en lugar de una imposición del investigador.
3. Evidencia para Políticas: Los hallazgos ofrecen evidencia empírica para gestores de investigación y agencias de financiación sobre el cambio de equilibrio entre la investigación tecnológica y la normativa, la maduración de dominios específicos y la rápida integración estructural de la inteligencia artificial.

Significado y Reivindicaciones
El artículo afirma proporcionar una comprensión exhaustiva y empíricamente fundamentada de cómo un campo de investigación grande, interdisciplinario e institucionalmente definido se reorganiza a lo largo del tiempo. Argumenta que el campo no solo se está expandiendo, sino que está experimentando una reconfiguración estructural desde una exploración temprana de tecnologías específicas hacia una producción de conocimiento más integrada, sistémica y alineada con las políticas.

El estudio se posiciona como una herramienta para el análisis comparativo, ofreciendo un marco práctico para monitorear carteras de investigación. Establece explícitamente que su mapa cognitivo sirve como un insumo para la deliberación estratégica y las decisiones de inversión, complementando pero no reemplazando otras formas de evidencia como los flujos de financiación o las métricas de calidad de la investigación. Los autores enfatizan que la emergencia del frente de la IA representa una reorganización estructural del campo, no solo un crecimiento en el volumen de publicaciones.

Limitaciones
Los autores reconocen que el análisis depende exclusivamente de los datos de Scopus (ASJC 2105), que abarcan una scholarship de sostenibilidad más amplia que las tecnologías estrictas de energía renovable. Además, el uso de palabras clave de autor excluye el 4.1% de los registros que carecen de ellas, y la agregación global enmascara posibles diferencias nacionales o regionales en los sistemas de investigación. Se sugiere que investigaciones futuras apliquen el protocolo a otras bases de datos o corpus más estrechos y realicen análisis regionales desagregados.