Dataset Title / Título del conjunto de datos
============================================
Bibliographic references extracted from doctoral theses in psychology in Argentina, 2008–2025
Referencias bibliográficas extraídas de tesis doctorales en psicología en Argentina, 2008–2025

File / Archivo
--------------
dataset_v1.csv

Version / Versión
-----------------
v1.1 — DOAJ coverage correction applied (see Changelog).
v1.1 — corrección de cobertura DOAJ aplicada (ver Changelog).

Description / Descripción
-------------------------
EN: This file is the auditable, self-contained version of the dataset of
bibliographic references extracted from doctoral theses in psychology in
Argentina. It retains the variables that are essential for bibliometric
analyses, document-type analyses, journal/indexing analyses, quality control,
and traceability auditing. It includes the four basic Scimago indicators
(SJR, h-index, country, quartile) because they are core variables of any
journal-level impact and indexing analysis.

ES: Este archivo es la versión auditable y autocontenida del dataset de
referencias bibliográficas extraídas de tesis doctorales en psicología en
Argentina. Conserva las variables indispensables para análisis bibliométricos,
análisis de tipo documental, análisis de revistas e indexación, control de
calidad y auditoría de trazabilidad. Incluye los cuatro indicadores Scimago
básicos (SJR, índice H, país, cuartil) por ser variables centrales de
cualquier análisis de impacto e indexación a nivel de revista.

Unit of analysis / Unidad de análisis
-------------------------------------
EN: Individual bibliographic reference.
ES: La referencia bibliográfica individual.

Size / Tamaño
-------------
Rows / Filas: 30,603
Columns / Columnas: 33
Unique theses / Tesis únicas: 117
Institutions / Instituciones: UNLP (n=73), UNC (n=23), UNMdP (n=21)
Period / Período: 2008–2025

Variable naming / Convención de nombres
---------------------------------------
EN: Column names are in English using snake_case for international
accessibility. A bilingual variable dictionary is provided in
`variables_dictionary_v1.csv` with mappings between original Spanish names
and the current English names, plus descriptions in both languages.

ES: Los nombres de columnas están en inglés con snake_case para mayor
accesibilidad internacional. Se incluye un diccionario bilingüe
(`variables_dictionary_v1.csv`) con el mapeo entre los nombres originales en
español y los actuales en inglés, además de descripciones en ambos idiomas.

Reduction criterion / Criterio de reducción
-------------------------------------------
EN: The variables retained are necessary for:
1. Identifying the thesis and the reference (5 columns);
2. Analyzing authorship, title, year, DOI (6 columns);
3. Classifying document type and identifying journal/publisher (3 columns);
4. Evaluating indexing layers (8 columns);
5. Analyzing journal-level impact via Scimago (4 columns);
6. Auditing quality, multi-references, real duplicates, and corrections (7 columns).

ES: Se conservaron las variables necesarias para los seis grupos descritos
arriba (identificación, análisis bibliográfico, revistas, indexación,
Scimago, calidad y auditoría).

Scimago coverage / Cobertura Scimago
------------------------------------
EN: 10,611 references (34.7%) are indexed in Scimago. The four scimago_*
columns and `in_scimago` are coherent.

ES: 10.611 referencias (34,7%) están indexadas en Scimago.

DOAJ coverage / Cobertura DOAJ (v1.1)
-------------------------------------
EN: 2,371 references (13.8% of the journal layer; 7.7% of the corpus)
are indexed in DOAJ after correction using fuzzy matching ≥96%.

ES: 2.371 referencias (13,8% de la capa de revistas; 7,7% del corpus)
están indexadas en DOAJ tras corrección.

Quality assurance / Control de calidad (v1.1)
---------------------------------------------
- Total rows / Filas totales: 30,603
- Total columns / Columnas totales: 33
- Unique theses / Tesis únicas: 117
- Duplicated ref_uid / ref_uid duplicados: 0
- Empty raw_citation / cita_cruda vacía: 0
- Empty title / título vacío: 1
- Empty year / año vacío: 51
- DOI present / DOI presentes: 6,875
- Journal references / Refs de revista: 17,227
- Journal flagged but unnamed: 0
- Non-journal with journal name: 0
- Residual multi-references: 0
- Real duplicates in thesis: 2

Indexation coverage of the journal layer (n=17,227)
---------------------------------------------------
- Scopus: 12,554 (72.9%)
- SCImago: 10,611 (61.6%)
- Latindex: 2,876 (16.7%)
- DOAJ: 2,371 (13.8%)
- SciELO: 85 (0.5%)
- CAICYT Núcleo Básico: 569 (3.3%)
- Local psychology circuit: 264 (1.5%)
- Not in any layer: 2,831 (16.4%)

Recommended use / Uso recomendado
---------------------------------
EN: This dataset supports bibliometric and NLP analyses of doctoral
training, citation practices, and knowledge circulation.

ES: Este dataset permite análisis bibliométricos y de NLP sobre formación
doctoral, prácticas de citación y circulación del conocimiento.

Limitations / Limitaciones
--------------------------
EN: The dataset represents a delimited corpus of theses from three Argentine
universities and should not be generalized to the entire country.

ES: El dataset representa un corpus delimitado y no la totalidad del país.

Integrity verification / Verificación de integridad
---------------------------------------------------
MD5 hash (v1.1): 162b235db177477ab5d03f2a414e8730

License / Licencia
------------------
CC BY 4.0

Author / Autora
---------------
Chris Moreno
CONICET, Argentina