Confusión en la tasa de descuento: una perspectiva desde la economía ecológica
Bibliographic record
Abstract
Los factores que influyen en el proceso de descuento se reflejan en todos los aspectos de la actividad humana, ya sea lo filosófico, lo estético o lo religioso a través de las experiencias ambientales y científicas. En resumen, el descuento es un concepto controvertido, y, sin embargo, la profesión económica parece ignorar que las cuestiones relacionadas al descuento de “largo plazo” son complejas, multifacéticas, y lejos de resolverse. La comunidad ambientalista, en particular, haexpresado reservas acerca del descuento, ya que este proceso —uno inherentemente miope—incorpora un sesgo implícito contra las futuras generaciones. Se argumenta que el peligro para la sostenibilidad ecológica es de carácter específico, es decir, que se refiere a la falta de posibilidad de sustitución entre el capital hecho por el hombre y el capital natural. Si se acepta esta hipótesis, entonces se deduce que el uso de una tasa de descuento es un instrumento inadecuado para el logro de la sostenibilidad. Por lo tanto, se puede argumentar que la aplicación del principio de precaución, por ejemplo, en la forma de “normas mínimas de seguridad” de protección del ecosistema, proporciona un enfoque exitoso para lograr la sostenibilidad.
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 | 0.007 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.007 | 0.027 |
| Scholarly communication | 0.015 | 0.011 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".