Buscar artículos al realizar una investigación es uno de los pasos más importantes a la hora de plasmar los hallazgos en un escrito. Las fuentes no solo respaldan las afirmaciones presentadas, sino que también ofrecen un marco de referencia al lector, pues le brinda una idea clara sobre el tipo de artículo que se está elaborando y la línea de pensamiento que se sigue. Uno de los buscadores más utilizados y con una gran cantidad de información es actualmente Google Scholar.

Google Scholar es una de las bases de datos más grandes del mundo en su categoría. Con un robusto motor de búsqueda y la mayoría de revistas académicas afiliadas, esta plataforma es una excelente opción para encontrar artículos, ensayos o libros, sumando más de cuatro millones de documentos académicos. La clasificación de Google Scholar Metrics 2023 rastrea los artículos publicados entre 2016 y 2023 e incluye citas de todos los artículos indexados en Google Scholar hasta julio de 2016. A continuación, se presentan cinco de los artículos más citados en revistas científicas a partir de esta base de datos, destacando aquellos que están teniendo un impacto significativo en la investigación contemporánea: 

1.  “The biology, function, and biomedical applications of exosomes” / “Biología, función y aplicaciones biomédicas de los  exosomas”:
   Science 
   
   Con 6239 citas, este artículo ha sido una fuente importante en la biomedicina. Los exosomas, pequeñas vesículas extracelulares que median la comunicación entre células, son el tema central. La revisión profundiza en su biología, su papel en la medicina y su potencial para el tratamiento y diagnóstico de enfermedades. Este trabajo es fundamental para áreas como la biología molecular y la biotecnología, ya que ofrece una base sólida para futuras investigaciones sobre las aplicaciones biomédicas de los exosomas
   
   
2.  “Random Erasing Data Augmentation”:
   AAAI Conference on Artificial Intelligence
   
   En el campo de la inteligencia artificial, Random Erasing ha sido un enfoque innovador para mejorar el entrenamiento de redes neuronales convolucionales (CNN). Al borrar aleatoriamente regiones de imágenes, este método introduce variaciones en los datos de entrenamiento, haciéndolos más robustos. Con 3825 citas, este artículo ha sido fundamental en la reducción del sobreajuste en modelos de aprendizaje profundo, contribuyendo significativamente al avance del deep learning.
   
   
3. “Metascape provides a biologist-oriented resource for the analysis of systems-level datasets” / “Metascape proporciona un recurso orientado a los biólogos para el análisis de conjuntos de datos a nivel de sistemas”:
   Nature Communication 
   
   Un recurso invaluable para la biología de sistemas, este artículo se ha citado 9337 veces. Metascape es una herramienta diseñada para ayudar a los biólogos a analizar grandes volúmenes de datos, con el fin de inferir complejos proteicos y vías biológicas enriquecidas. La relevancia de esta herramienta radica en su capacidad para interpretar datos OMICs de manera accesible, consolidándose como una herramienta indispensable en la investigación biomédica.
   
   
4. “Nanomaterials with enzyme-like characteristics (nanozymes): next-generation artificial enzymes (II)” / “Nanomateriales con características similares a las enzimas (nanozimas): enzimas artificiales de nueva generación (II)”:
   Chemical Society Reviews
   
   Los nanoenzimas, nanomateriales con propiedades similares a las enzimas, son el foco de este artículo, que ha acumulado 2817 citas. Esta revisión explora los avances en el diseño y uso de estos materiales, que han superado las limitaciones de las enzimas naturales y artificiales. Se destacan aplicaciones en biomedicina, protección ambiental y teranóstica, lo que lo convierte en una referencia clave en el campo de la nanotecnología y la ciencia de la catálisis.
   
   
5. “A simple method to assess and report thematic saturation in qualitative research” / “Un método sencillo para evaluar e informar sobre la saturación temática en la investigación cualitativa”:
   PLOS ONE
   
   Para la investigación cualitativa, la saturación de datos es una métrica crucial para determinar el tamaño de la muestra. Este artículo propone un método sencillo para evaluar cuándo se ha alcanzado esa saturación. Con 2350 citas, su enfoque ha demostrado ser práctico y efectivo, validado a través de diversas técnicas de análisis de datos cualitativos. Se ha convertido en una referencia esencial para investigadores que buscan medir la representatividad de sus datos en estudios cualitativos.

Laura Valentina González Pardo
Editorial Assistant
Virtualpro
laura.gonzalez@ingco.co