El uso, apropiación e impacto de las TIC por las mujeres rurales jóvenes en el Perú
Bibliographic record
Abstract
PerúAndReA GARCíA AbAd, mARiAnA bARReto ÁvilA ResumenEl presente estudio surge a partir de los hallazgos obtenidos por el equipo de Perú del programa Nuevas Trenzas, esfuerzo de investigación desarrollado en seis países de América Latina, bajo la coordinación del Instituto de Estudios Peruanos.El programa busca profundizar el conocimiento sobre los cambios recientes en las vidas las mujeres rurales jóvenes.Este estudio se centrará en los actores, las mujeres rurales jóvenes, para analizar los usos y las formas de apropiación de las TIC, específicamente teléfono móvil e Internet, para averiguar qué impacto tienen estos procesos en sus dinámicas cotidianas y estrategias de vida.Asimismo, buscaremos discutir el efecto de las nuevas prácticas y experiencias que surgen a partir del uso de estas tecnologías tienen algún efecto en los márgenes de autonomía de este colectivo.El estudio presentará los hallazgos obtenidos durante el trabajo de campo en dos centros poblados rurales del Perú, donde se realizaron grupos focales y entrevistas en profundidad con mujeres rurales jóvenes.Si bien es un trabajo exploratorio, nuestra intención es contribuir a la discusión sobre los retos de las TIC para convertirse en herramientas que mitiguen las brechas de desigualdad que afectan a las mujeres rurales jóvenes, colectivo clave para el desarrollo rural.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".