Qualità dei dati nei database bibliometrici: Analisi empirica e classificazione degli errori più rilevanti = Data quality in bibliometric databases: Empirical analysis and classification of the most relevant errors

La tesi si propone di valutare la qualità dei database bibliometrici, concentrandosi in particolare sull'accuratezza della classificazione delle tipologie di documenti. I database bibliometrici, come Scopus e Web of Science, sono raccolte di dati di pubblicazioni scientifiche per l'analisi bibliometrica. In questi database, oltre ad altri criteri, le pubblicazioni sono indicizzate in base ai tipi di documento, che possono essere definiti come categorie predefinite che ne delineano la natura e le caratteristiche principali. Tra gli esempi vi sono articoli di ricerca, atti di conferenze, lettere e molti altri. Sfortunatamente, la classificazione dei documenti non è sempre accurata e anche i principali database non sono immuni a questi errori. Pochi studi si sono concentrati sugli errori di classificazione dei documenti e quelli esistenti hanno due limiti principali: (1) sono basati su campioni di piccole dimensioni e (2) si affidano esclusivamente ad analisi manuali. Introducendo una nuova metodologia semi-automatica per valutare l'accuratezza dei tipi di documento è possibile estendere la dimensione del campione a decine di migliaia di documenti. La metodologia viene illustrata attraverso un esempio applicativo delle fasi metodologiche, fornendo risultati significativi e suggerendo percorsi per migliorare l'accuratezza dei database bibliometrici. Il miglioramento dell'accuratezza e della precisione dei dati contenuti nei database bibliometrici contribuisce e influenza gli indicatori bibliometrici, uno dei principali fattori di valutazione della produzione scientifica. Grazie al miglioramento, la comunità scientifica potrebbe beneficiarne, almeno in parte, in termini di processi decisionali finalizzati alla reputazione accademica e al finanziamento della ricerca.