Tarea 3, Apartado 4.- Elegid 2 papers de vuestra
disciplina (tema de tesis o lo que sea) y analizad (brevemente) sus referencias
1. ¿Cuántas hay?
2. ¿En qué secciones se concentran?
3. ¿Son recientes, antiguas, mezcla?
Para abordar este apartado, he seleccionado dos artículos en los que he
participado, aunque no son objeto del tema de la tesis: uno es sobre la predicción
del precio del platino COMEX y otro sobre la predicción de la temperatura
crítica de superconductores mediante machine learning.
Artículo 1: Predicción del precio del platino
COMEX
Título: "Time series
analysis for COMEX platinum spot price forecasting using SVM, MARS, MLP, VARMA
and ARIMA models: A case study".
(https://doi.org/10.1016/j.resourpol.2024.105148)
1. ¿Cuántas referencias hay? En la sección de Referencias hay 89 entradas
distintas.
2. ¿En qué secciones se concentran las citas? Las citas en el
texto se concentran principalmente en dos secciones:
a) La Introducción: Utilizo numerosas referencias para contextualizar el
estudio, describir las propiedades y usos del platino, sus fuentes de
producción y demanda, su rol como commodity financiero, y para revisar trabajos
previos relacionados con la predicción de precios de metales preciosos o
commodities. Esto establece el estado del arte y justifica la investigación.
b) La sección de Materiales y Métodos: Aquí se citan las fuentes de los
datos utilizados y, de los fundamentos teóricos y aplicaciones de los modelos
de series temporales (ARIMA, VARMA) y las técnicas de machine learning (SVM,
MARS, MLP) empleadas. Para la descripción de los métodos me fundamento bastante
en la literatura existente.
Por otro lado, en la sección de Resultados y Discusión también incluyo
citas al comparar los resultados propios con estudios previos y al discutir las
variables importantes, conectando los hallazgos con el conocimiento existente.
3. ¿Son recientes, antiguas, mezcla? Las referencias presentan una mezcla
de trabajos recientes y más antiguos. Hay una presencia significativa de citas
de los últimos años (principalmente 2020-2024), que se utilizan para fuentes de
datos actuales, investigaciones recientes sobre mercados y aplicaciones de
técnicas avanzadas. Sin embargo, el artículo también referencia trabajos
fundacionales y textos clásicos sobre análisis de series temporales y machine
learning, así como estudios previos sobre el platino y otros mercados que,
aunque no son de los últimos 5 años, son relevantes como antecedentes. La
conclusión que puedo extraer de esta mezcla es que en el estudio me baso tanto
en los fundamentos teóricos establecidos como en los avances más actuales del
campo, aunque no me había percatado tanto hasta analizarlo ahora.
Artículo 2: Predicción de la temperatura crítica
de superconductores
Título: "Predicting the
critical superconducting temperature using the random forest, MLP neural
network, M5 model tree and multivariate linear regression".
(https://doi.org/10.1016/j.aej.2023.11.034)
1. ¿Cuántas referencias hay? La sección de Referencias tiene 79 entradas.
2. ¿En qué secciones se concentran las citas? La concentración de
citas es similar a la del artículo anterior, estando fuertemente presentes en:
a) La Introducción, ya que se citan fuentes para describir los usos
prácticos de los superconductores, definir y explicar la temperatura crítica, y
realizar una extensa revisión de los trabajos previos que aplican diversas
técnicas de machine learning para predecir la temperatura crítica.
b) La sección de Materiales y Métodos: Esta sección contiene abundantes
citas al detallar la fuente de los datos experimentales y, especialmente, al
describir en profundidad las técnicas de machine learning utilizadas para la
predicción, así como los métodos de optimización y las métricas de evaluación
del modelo.
Por otro lado, en la sección de Análisis de resultados y discusión también
incluyo citas para discutir la importancia de las variables y para fundamentar
las explicaciones teóricas de los resultados.
3. ¿Son recientes, antiguas, mezcla? La lista de referencias muestra también
una mezcla, con una proporción considerable de trabajos que se consideran
"antiguos" en el contexto de la literatura científica, pues se tratan
de textos fundacionales sobre superconductividad y sobre los métodos
matemáticos y de machine learning empleados. Es cierto que algunos son de las
décadas de 1970, 1980, 1990 y principios de 2000, pero se tratan de documentos “de
referencia”. Sin embargo, el artículo también incorpora un número relevante de
referencias recientes (principalmente 2020-2022), que cubren aplicaciones de
machine learning a la predicción de propiedades de materiales, y avances
recientes en las técnicas de modelado.
Un saludo,
Luis Alfonso Menéndez
