Notes

#Nota: Este é um arquivo Tinn-R. Sentenças iniciadas com # são apenas comentários e aparecem sempre na cor cinza. Os comandos devem ser copiados daqui e colados no programa R para que sejam rodados.

#Baixar Tinn-R
# http://nbcgib.uesc.br/lec/software/editores/tinn-r/pt

## ANÁLISE - BIBLIOMÉTRIA ##

#Passo 0 - Instalar pacote bibliometrix
install.packages("bibliometrix", dependencies=TRUE)


#Passo 1 - Carregar a biblioteca para realizar a analise de bibliometria [fazer isto sempre que abrir o programa R]
library(bibliometrix)

#Passo 2 - Mudar diretório para Pasta em que estão localizados os arquivos [deverá modificar caminho]
setwd("C:/Users/Bruno/Downloads")

#PASSO 3 - Carregar dados e Converter dados [Neste caso, usei os dados que você me enviou no último anexo]
data_pre <-readFiles("scopus.bib")
data <- convert2df(data_pre, dbsource = "scopus", format = "bibtex")

# Para anexar o banco de dados [nomeado como 'data']
attach(data)

# Para conferir os nomes das variáveis presentes no banco de dados
names(data)

##PASSO 4 - Análise Descritiva dos dados bibliográficos [função biblioAnalysis - principais medidas]
#primeiro - criar objeto nomeado como 'results'
results <- biblioAnalysis(data, sep = ";")

#descritiva - primeiras 10 observações
S=summary(object = results, k = 10, pause = TRUE)

#descritiva - todas as 116 observações
R=summary(object = results, k = 116, pause = TRUE)

#plotagem
plot(x = results, k = 10, pause = TRUE)
# Para ver um gráfico de cada vez [ pause = TRUE ]
plot(x = results, k = 10, pause = TRUE)

#### ACESSO A VARIÁVEIS ###
#primeira linha do banco de dados [Neste caso, todas as informações sobre o primeiro manuscrito]
data[1,]
#listar vigésima linha do banco[manuscrito 20]
data[20,]
#listar a primeira coluna do banco de dados [Neste caso, a variável AU - autores dos artigos]
data[,1]
#listar décima terceira coluna
data[,13]
#digamos que você queira apenas informação sobre autores do manuscrito de número 20 [primeira coluna, vigésima linha]
data[20,1]

#outra maneira de acessar a variável AU [que corresponde à primeira coluna]:
data$AU

#PASSO 5 - Análise das citações
#primeiro - [de acordo com tutorial] identificar separadores entre as diferenças referências [variável utilizada é a 'CR']. Para tanto, necessário observar estrutura desta variável no banco de dados [Separador = '. ' [um ponto e três espaços]]
data$CR[1]

#Para obter os primeiros 10 artigos mais citados:
CR <- citations(data, field = "article", sep = ". ")
CR$Cited[1:10]
#primeiros 50 artigos mais citados
CR$Cited[1:50]

#Para obter os 'primeiro' autores mais citados:
CR <- citations(data, field = "author", sep = ". ")
CR$Cited[1:10]
CR$Cited[1:50]

#Autores locais mais citados - ou seja, citações de autores que também estão presentes neste banco [existem apenas 8 autores locais citados por seus pares do banco de dados]
CR <- localCitations(data, results, sep = ". ")
CR[1:10]


##PASSO 6 - Fator de dominância - primeiro autor de artigos com vários autores
DF <- dominance(results, k = 10)
DF
FD <-dominance(results, k=49)
FD

## PASSO 7 - h-index - produtividade e impacto das citações
#To calculate the h-index of HEMLIN S in this collection:
indices <- Hindex(data, authors="HEMLIN S", sep = ";",years=10)
# HEMLIN's impact indices:
indices$H
# HEMLIN's citations
indices$CitationList

#To calculate the h-index of ABRAMO,GIOVANNI in this collection:
indicesG <- Hindex(data, authors="ABRAMO G", sep = ";",years=10)
# HEMLIN's impact indices:
indicesG$H
# HEMLIN's citations
indicesG$CitationList

#h-index primeiros 10 mais produtivos do banco
authors=gsub(","," ",names(results$Authors)[1:10])
indices <- Hindex(data, authors, sep = ";",years=50)
indices$H

#h-index primeiros 20 mais produtivos do banco
authors20=gsub(","," ",names(results$Authors)[1:20])
indices20 <- Hindex(data, authors20, sep = ";",years=50)
indices20$H

#PASSO 8 - Lotka’s law coefficients for scientific productivity
L <- lotka(results)
L$AuthorProd
# Beta coefficient estimate
L$Beta
# Constant
L$C
# Goodness of fit
L$R2
# P-value of K-S two sample test
L$p.value


#PASSO 9

###PLOTS###

#PASSO 10 - Bibliographic coupling

#The function biblioNetwork calculates, starting from a bibliographic data frame, the most frequently used coupling networks: Authors, Sources, and Countries.
# analysis argument can be “co-citation”, “coupling”, “collaboration”, or “co-occurrences”.
# network argument can be “authors”, “references”, “sources”, “countries”, “universities”, “keywords”, “author_keywords”, “titles” and “abstracts”.
#The following code calculates a classical article coupling network:

NetMatrix <- biblioNetwork(data, analysis = "coupling", network = "references", sep = ". ")

# relative measure of bibliographic coupling.
NetMatrix <- biblioNetwork(data, analysis = "coupling", network = "authors", sep = ";")

# calculate jaccard similarity coefficient
S <- couplingSimilarity(NetMatrix, type="jaccard")

# plot authors' similarity (first 20 authors)
net=networkPlot(S, n = 20, Title = "Authors' Coupling", type = "fruchterman", size=FALSE,remove.multiple=TRUE)

##Bibliographic co-citation
#Two articles are cited in a third article - counterpart of bibliographic coupling.
NetMatrix <- biblioNetwork(data, analysis = "co-citation", network = "references", sep = ". ")

##Biliographic collaboration
#authors’ collaboration network - network where nodes are authors and links are co-authorships

NetMatrix <- biblioNetwork(data, analysis = "collaboration", network = "authors", sep = ";")


###PLOTAGEM DAS COLABORAÇÕES POR PAÍSES - FALHOU!!!!!!! [Field AU_CO is not a column name of input data frame"]
#country collaboration network
NetMatrix <- biblioNetwork(data, analysis = "collaboration", network = "countries", sep = ";")
#Country Scientific Collaboration
# Create a country collaboration network
M <- metaTagExtraction(data, Field = "AU_CO", sep = ";")
NetMatrix <- biblioNetwork(data, analysis = "collaboration", network = "countries", sep = ";")
# Plot the network
net=networkPlot(NetMatrix, n = 20, Title = "Country Collaboration", type = "circle", size=TRUE, remove.multiple=FALSE)


#PASSO 11 - Co-Citation Network
# Create a co-citation network

NetMatrix <- biblioNetwork(data, analysis = "co-citation", network = "references", sep = ". ")

# Plot the network
net=networkPlot(NetMatrix, n = 15, Title = "Co-Citation Network", type = "fruchterman", size=T, remove.multiple=FALSE)


##PASSO 12 - Palavras-chave - Keyword co-occurrences
# Create keyword co-occurrencies network
NetMatrix <- biblioNetwork(data, analysis = "co-occurrences", network = "keywords", sep = ";")

# Plot the network
net=networkPlot(NetMatrix, n = 20, Title = "Keyword Co-occurrences", type = "kamada", size=T)


##PASSO 13 - Co-Word Analysis: Conceptual structure of a field
#mapear estrutura conceitual
# example using the function conceptualStructure that performs a MCA ()Multiple Correspondence Analysis) to draw a conceptual structure of the field and K-means clustering to identify clusters of documents which express common concepts. Results are plotted on a two-dimensional map.

# Conceptual Structure using keywords
CS <- conceptualStructure(data,field="ID", minDegree=4, k.max=5, stemming=FALSE)
#diminuir número de clusters para 2
CS <- conceptualStructure(data,field="ID", minDegree=4, k.max=2, stemming=FALSE)

##PASSO 14 - Historical Co-Citation Network
histResults <- histNetwork(M, n = 15, sep = ". ")
# Plot a historical co-citation network
net <- histPlot(histResults, size = FALSE)