BibFusion: paquete en Python para integrar, desduplicar y armonizar registros bibliográficos exportados de Scopus y Web of Science para análisis bibliométrico

Autores/as

DOI:

https://doi.org/10.47909/ijsmc.342

Palabras clave:

bibliometría, cienciometría, integración entre bases de datos, Scopus, Web of Science, preprocesamiento de metadatos, desambiguación de autores, redes de citas, investigación reproducible

Resumen

Objetivo. Presentamos BibFusion, un paquete de software en Python que armoniza exportaciones bibliográficas de Scopus y Web of Science en un corpus único, trazable y listo para el análisis, orientado a la investigación bibliométrica y cienciométrica.

Diseño/Metodología/Enfoque. BibFusion ingiere archivos CSV de Scopus y TXT de Web of Science, aplica una normalización sistemática (p. ej., estandarización ASCII y en mayúsculas de títulos y claves SR; análisis de afiliaciones con extracción de país) y, de forma opcional, enriquece los registros mediante resolución basada en DOI contra OpenAlex para recuperar identificadores persistentes (p. ej., IDs de obras en OpenAlex, ORCID cuando está disponible e IDs de autores en OpenAlex). La integración entre bases utiliza una cascada de desduplicación con prioridad al DOI y un respaldo conservador (título–año–primer autor) cuando el DOI falta. Los autores se desambiguan mediante una jerarquía canónica de PersonID (ORCID → OpenAlexAuthorID → nombre normalizado). Las cadenas de citación se depuran y se remapean para preservar vínculos de citación consistentes y la información de revistas/SCImago se consolida mediante reglas basadas en ISSN/EISSN.

Resultados/Discusión. En una demostración sobre una consulta de marketing emprendedor, BibFusion consolida 436 registros de origen en 253 obras principales únicas y materializa un corpus unificado de 8.569 artículos. El conjunto de datos resultante logra una alta completitud de identificadores y de información geográfica y proporciona una capa de citaciones lista para análisis; los indicadores completos de control de calidad se reportan en las Tablas 2–3.

Conclusiones/Valor. BibFusion ofrece un flujo de trabajo de integración reutilizable y auditable que reduce la inflación por duplicados y la fragmentación de metadatos, al tiempo que hace explícitas las decisiones de fusión y la incertidumbre residual para habilitar análisis posteriores transparentes.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Sebastian Robledo, Universidad Nacional de Colombia

Sebastian es profesor e investigador en la Universidad Nacional de Colombia, sede Manizales, donde obtuvo los títulos de Ingeniero Industrial (2005), Magíster en Administración de Empresas (2013) y Doctor en Ingeniería – Industria y Organizaciones (2018). Su labor investigativa se enfoca en la cienciometría y el marketing emprendedor, con una trayectoria que articula el análisis de datos y la aplicación práctica en contextos académicos y empresariales. Es además uno de los creadores de Tree of Science, una herramienta innovadora para la gestión y análisis de información científica. Sus investigaciones han abordado temas como el diseño de herramientas informáticas para la ingeniería industrial, el potencial de ingresos pasivos en empresas de mercadeo multinivel y el networking como estrategia de marketing de boca a boca en contextos emprendedores. Actualmente combina su labor docente con la publicación y revisión de artículos científicos, aportando al fortalecimiento del conocimiento en sus campos de especialización.

Citas

Aria, M., & Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959–975. https://doi.org/10.1016/j.joi.2017.08.007 DOI: https://doi.org/10.1016/j.joi.2017.08.007

Chavarro, D., Alperin, J. P., & Willinsky, J. (2025). On the open road to universal indexing: OpenAlex and Open Journal Systems. Quantitative Science Studies, 6, 1039–1058. https://doi.org/10.1162/qss.a.17 DOI: https://doi.org/10.1162/QSS.a.17

Chen, C. (2006). CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature. Journal of the American Society for Information Science and Technology, 57(3), 359–377. https://doi.org/10.1002/asi.20317 DOI: https://doi.org/10.1002/asi.20317

Chen, X., Mao, J., & Li, G. (2024). A co-citation approach to the analysis on the interaction between scientific and technological knowledge. Journal of Informetrics, 18(3), Article 101548. https://doi.org/10.1016/j.joi.2024.101548 DOI: https://doi.org/10.1016/j.joi.2024.101548

Cioffi, A., Coppini, S., Massari, A., Moretti, A., Peroni, S., Santini, C., & Shahidzadeh Asadi, N. (2022). Identifying and correcting invalid citations due to DOI errors in Crossref data. Scientometrics, 127(6), 3593–3612. https://doi.org/10.1007/s11192-022-04367-w DOI: https://doi.org/10.1007/s11192-022-04367-w

Crystal-Ornelas, R., Varadharajan, C., O’Ryan, D., Beilsmith, K., Bond-Lamberty, B., Boye, K., Burrus, M., Cholia, S., Christianson, D. S., Crow, M., Damerow, J., Ely, K. S., Goldman, A. E., Heinz, S. L., Hendrix, V. C., Kakalia, Z., Mathes, K., O’Brien, F., Pennington, S. C., … Agarwal, D. A. (2022). Enabling FAIR data in Earth and environmental science with community-centric (meta)data reporting formats. Scientific Data, 9(1), Article 700. https://doi.org/10.1038/s41597-022-01606-w DOI: https://doi.org/10.1038/s41597-022-01606-w

Culbert, J. H., Hobert, A., Jahn, N., Haupka, N., Schmidt, M., Donner, P., & Mayr, P. (2025). Reference coverage analysis of OpenAlex compared to Web of Science and Scopus. Scientometrics, 130(4), 2475–2492. https://doi.org/10.1007/s11192-025-05293-3 DOI: https://doi.org/10.1007/s11192-025-05293-3

Delgado-Quirós, L., & Ortega, J. L. (2024). Completeness degree of publication metadata in eight free-access scholarly databases. Quantitative Science Studies, 5(1), 31–49. https://doi.org/10.1162/qss_a_00286 DOI: https://doi.org/10.1162/qss_a_00286

Delgado-Quirós, L., & Ortega, J. L. (2025). Citation counts and inclusion of references in seven free-access scholarly databases: A comparative analysis. Journal of Informetrics, 19(1), Article 101618. https://doi.org/10.1016/j.joi.2024.101618 DOI: https://doi.org/10.1016/j.joi.2024.101618

Demaine, J. (2022). Fractionalization of research impact reveals global trends in university collaboration. Scientometrics, 127(5), 2235–2247. https://doi.org/10.1007/s11192-021-04246-w DOI: https://doi.org/10.1007/s11192-021-04246-w

Elstad, M., Ahmed, S., Røislien, J., & Douiri, A. (2023). Evaluation of the reported data linkage process and associated quality issues for linked routinely collected healthcare data in multimorbidity research: A systematic methodology review. BMJ Open, 13(5), Article e069212. https://doi.org/10.1136/bmjopen-2022-069212 DOI: https://doi.org/10.1136/bmjopen-2022-069212

Hottenrott, H., Rose, M. E., & Lawson, C. (2021). The rise of multiple institutional affiliations in academia. Journal of the Association for Information Science and Technology, 72(8), 1039–1058. https://doi.org/10.1002/asi.24472 DOI: https://doi.org/10.1002/asi.24472

Kara, B. C., Şahin, A., & Dirsehan, T. (2025). BibexPy: Harmonizing the bibliometric symphony of Scopus and Web of Science. SoftwareX, 30, Article 102098. https://doi.org/10.1016/j.softx.2025.102098 DOI: https://doi.org/10.1016/j.softx.2025.102098

Kim, J., & Owen-Smith, J. (2021). ORCID-linked labeled data for evaluating author name disambiguation at scale. Scientometrics, 126(3), 2057–2083. https://doi.org/10.1007/s11192-020-03826-6 DOI: https://doi.org/10.1007/s11192-020-03826-6

Kumpulainen, M., & Seppänen, M. (2022). Combining Web of Science and Scopus datasets in citation-based literature study. Scientometrics, 127(10), 5613–5631. https://doi.org/10.1007/s11192-022-04475-7 DOI: https://doi.org/10.1007/s11192-022-04475-7

Lastilla, L., Ammirati, S., Firmani, D., Komodakis, N., Merialdo, P., & Scardapane, S. (2022). Self-supervised learning for medieval handwriting identification: A case study from the Vatican Apostolic Library. Information Processing & Management, 59(3), Article 102875. https://doi.org/10.1016/j.ipm.2022.102875 DOI: https://doi.org/10.1016/j.ipm.2022.102875

Lim, W. M., Kumar, S., & Donthu, N. (2024). How to combine and clean bibliometric data and use bibliometric tools synergistically: Guidelines using metaverse research. Journal of Business Research, 182, Article 114760. https://doi.org/10.1016/j.jbusres.2024.114760 DOI: https://doi.org/10.1016/j.jbusres.2024.114760

Maisano, D. A., Mastrogiacomo, L., Ferrara, L., & Franceschini, F. (2025). A large-scale semi-automated approach for assessing document-type classification errors in bibliometric databases. Scientometrics, 130(3), 1901–1938. https://doi.org/10.1007/s11192-025-05244-y DOI: https://doi.org/10.1007/s11192-025-05244-y

Massari, A., Mariani, F., Heibi, I., Peroni, S., & Shotton, D. (2024). OpenCitations Meta. Quantitative Science Studies, 5(1), 50–75. https://doi.org/10.1162/qss_a_00292 DOI: https://doi.org/10.1162/qss_a_00292

Matveeva, N., Sterligov, I., & Lovakov, A. (2022). International scientific collaboration of post-Soviet countries: A bibliometric analysis. Scientometrics, 127(3), 1583–1607. https://doi.org/10.1007/s11192-022-04274-0 DOI: https://doi.org/10.1007/s11192-022-04274-0

McKay, A. S. (2026). Common errors in bibliometric reviews and a novel method for correcting them. Scientometrics. https://doi.org/10.1007/s11192-026-05544-x DOI: https://doi.org/10.1007/s11192-026-05544-x

Mischo, W., Schlembach, M., & Cabada, E. (2024). Relationships between journal publication, citation, and usage metrics within a Carnegie R1 university collection: A correlation analysis. College and Research Libraries, 85(2), 234–253. https://doi.org/10.5860/crl.85.2.234 DOI: https://doi.org/10.5860/crl.85.2.234

Ng, J. Y., Liu, H., Masood, M., Syed, N., Stephen, D., Ayala, A. P., Sabé, M., Solmi, M., Waltman, L., Haustein, S., & Moher, D. (2025). Guidance for the reporting of bibliometric analyses: A scoping review. Quantitative Science Studies, 6, 988–1001. https://doi.org/10.1162/qss.a.12 DOI: https://doi.org/10.1162/QSS.a.12

Nikolić, D., Ivanović, D., & Ivanović, L. (2024). An open-source tool for merging data from multiple citation databases. Scientometrics, 129(7), 4573–4595. https://doi.org/10.1007/s11192-024-05076-2 DOI: https://doi.org/10.1007/s11192-024-05076-2

Nowakowska, M. (2025). A comprehensive approach to preprocessing data for bibliometric analysis. Scientometrics, 130(9), 5191–5225. https://doi.org/10.1007/s11192-025-05415-x DOI: https://doi.org/10.1007/s11192-025-05415-x

Ornstein, J. T. (2025). Probabilistic record linkage using pretrained text embeddings. Political Analysis, 1–12. https://doi.org/10.1017/pan.2025.10016 DOI: https://doi.org/10.1017/pan.2025.10016

Priem, J., Piwowar, H., & Orr, R. (2022). OpenAlex: A fully-open index of scholarly works, authors, venues, institutions, and concepts. arXiv [cs.DL]. https://doi.org/10.48550/ARXIV.2205.01833

Purnell, P. J. (2022). The prevalence and impact of university affiliation discrepancies between four bibliographic databases—Scopus, Web of Science, Dimensions, and Microsoft Academic. Quantitative Science Studies, 3(1), 99–121. https://doi.org/10.1162/qss_a_00175 DOI: https://doi.org/10.1162/qss_a_00175

Rehs, A. (2021). A supervised machine learning approach to author disambiguation in the Web of Science. Journal of Informetrics, 15(3), Article 101166. https://doi.org/10.1016/j.joi.2021.101166 DOI: https://doi.org/10.1016/j.joi.2021.101166

Robledo, S., Valencia, L., Zuluaga, M., Echeverri, O. A., & Valencia, J. W. A. (2024). tosr: Create the tree of science from WoS and Scopus. Journal of Scientometric Research, 13(2), 459–465. https://doi.org/10.5530/jscires.13.2.36 DOI: https://doi.org/10.5530/jscires.13.2.36

Rose, M. E., & Kitchin, J. R. (2019). pybliometrics: Scriptable bibliometrics using a Python interface to Scopus. SoftwareX, 10, Article 100263. https://doi.org/10.1016/j.softx.2019.100263 DOI: https://doi.org/10.1016/j.softx.2019.100263

Ruiz-Rosero, J., Ramirez-Gonzalez, G., & Viveros-Delgado, J. (2019). Software survey: ScientoPy, a scientometric tool for topics trend analysis in scientific publications. Scientometrics, 121(2), 1165–1188. https://doi.org/10.1007/s11192-019-03213-w DOI: https://doi.org/10.1007/s11192-019-03213-w

Schmal, W. B. (2024). How transformative are transformative agreements? Evidence from Germany across disciplines. Scientometrics, 129(3), 1863–1889. https://doi.org/10.1007/s11192-024-04955-y DOI: https://doi.org/10.1007/s11192-024-04955-y

Sivertsen, G., Rousseau, R., & Zhang, L. (2025). The motivations for and effects of modified fractional counting. Journal of Informetrics, 19(3), Article 101681. https://doi.org/10.1016/j.joi.2025.101681 DOI: https://doi.org/10.1016/j.joi.2025.101681

Vaccaro, G., Sánchez-Núñez, P., & Witt-Rodríguez, P. (2022). Bibliometrics evaluation of scientific journals and country research output of dental research in Latin America using Scimago Journal and Country Rank. Publications, 10(3), 26. https://doi.org/10.3390/publications10030026 DOI: https://doi.org/10.3390/publications10030026

van Eck, N. J., & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 84(2), 523–538. https://doi.org/10.1007/s11192-009-0146-3 DOI: https://doi.org/10.1007/s11192-009-0146-3

Velez-Estevez, A., Perez, I. J., García-Sánchez, P., Moral-Munoz, J. A., & Cobo, M. J. (2023). New trends in bibliometric APIs: A comparative analysis. Information Processing & Management, 60(4), Article 103385. https://doi.org/10.1016/j.ipm.2023.103385 DOI: https://doi.org/10.1016/j.ipm.2023.103385

Visser, M., van Eck, N. J., & Waltman, L. (2021). Large-scale comparison of bibliographic data sources: Scopus, Web of Science, Dimensions, Crossref, and Microsoft Academic. Quantitative Science Studies, 2(1), 20–41. https://doi.org/10.1162/qss_a_00112 DOI: https://doi.org/10.1162/qss_a_00112

Wang, F., Dong, J., Lu, W., & Xu, S. (2023). Collaboration prediction based on multilayer all-author tripartite citation networks: A case study of gene editing. Journal of Informetrics, 17(1), Article 101374. https://doi.org/10.1016/j.joi.2022.101374 DOI: https://doi.org/10.1016/j.joi.2022.101374

Yang, J., Wu, L., & Lyu, L. (2024). Research on scientific knowledge evolution patterns based on ego-centered fine-granularity citation network. Information Processing & Management, 61(4), Article 103766. https://doi.org/10.1016/j.ipm.2024.103766 DOI: https://doi.org/10.1016/j.ipm.2024.103766

Zhang, L., Cao, Z., Shang, Y., Sivertsen, G., & Huang, Y. (2024). Missing institutions in OpenAlex: Possible reasons, implications, and solutions. Scientometrics, 129(10), 5869–5891. https://doi.org/10.1007/s11192-023-04923-y DOI: https://doi.org/10.1007/s11192-023-04923-y

Descargas

Publicado

2026-02-14

Cómo citar

Britto, A., Robledo, S., & Zuluaga, M. (2026). BibFusion: paquete en Python para integrar, desduplicar y armonizar registros bibliográficos exportados de Scopus y Web of Science para análisis bibliométrico. Iberoamerican Journal of Science Measurement and Communication, 6(1), 1–21. https://doi.org/10.47909/ijsmc.342

Número

Vol. 6 Núm. 1 (2026): Iberoamerican Journal of Science Measurement and Communication

Sección

Artículo original

Licencia

Derechos de autor 2026 Angelo Britto, Sebastian Robledo, Martha Zuluaga

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

This is an open access article distributed under the terms of the CC BY-NC 4.0, which permits copying and redistributing the material in any medium or format, adapting, transforming, and building upon the material as long as the license terms are followed.

Datos de los fondos