Bibliographic record
Abstract
En la búsqueda de ventanas de oportunidad para incorporar la gestión del riesgo de desastres en la educación de negocios, en el año 2015, la Alianza del Sector Privado para Inversiones Sensibles al Riesgo (ARISE) de la Estrategia Internacional para la Reducción de Desastres de las Naciones Unidas (UNISDR), en asocio con el Instituto de Eventos Extremos de la Florida International University Florida International University (FIU-EEI) y 12 importantes escuelas internacionales de negocios. Esta alianza comenzó con una convocatoria de libro blancos (White Papers) para proponer enfoques innovadores para integrar contenido de vanguardia de gestión del riesgo de desastres a los programas de educación de negocios y demás ofertas académicas, basadas en siete temas o nichos identificados: (1) Inversión Estratégica y Decisiones Financieras; (2) Generación de Valor de Negocio; (3) Gestión Sostenible; (4) Ética en los Negocios y Responsabilidad Social; (5) Planeación de la Continuidad de Negocio; (6) Métricas del Riesgo de Desastre; y (7) Transferencia de Riesgo. En marzo de 2016, se realizó un taller internacional en Toronto, Canadá para la presentación de los libros blancos preparados por las escuelas de negocios, y discutir los enfoques más apropiados para abordar áreas de: enseñanza y currículo; desarrollo profesional y extensión de programas; pasantías y colocaciones; oportunidades de investigación; y alianzas y colaboraciones. Finalmente, el grupo propuso metas para avanzar en la fase de implementación de las iniciativas de las escuelas de negocios y para proponer mecanismos para su monitoreo y seguimiento.
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 | 0.005 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.012 | 0.005 |
| Open science | 0.001 | 0.010 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.027 | 0.002 |
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".