Nuevas herramientas de investigación en turismo: el caso del Observatorio Turístico del Perú
Bibliographic record
Abstract
Nuevas herramientas de investigación en turismoEl caso del Observatorio Turístico del Perú Una de las dificultades que deben enfrentar los investigadores que estudian la real idad social de algunos países de América Latin a es la carencia de datos fi ables.Con el mismo problema se tropiezan empresarios interesados evaluar posibilidades de inversión .Si bien las instituc iones públicas responsables de producir datos estadísticos han desarrollado nuevas herrami entas para recoger y difundir sus informaciones, raramente éstas logran ofrecer datos desagregados para distintos sectores.En el caso del turismo el problema es aún más evidente.Tratándose de una actividad relativamente nueva en el ámbito latino americano, es raro encontrar información rigurosamente tratada sobre los distintos aspectos ligados al movimiento turístico .Es por ello que los agentes que participan en la actividad manejan y difunden datos que no tienen sustento real y crean así falsas expectativas, principalmente entre las poblaciones menos informadas.Una de las maneras de suplir esta carencia ha sido la creac ión de observatorios turísticos, espacios de investigación y análisis del fenómeno turístico.Éstos no son exclusivos a países donde la información estadística es pobre o superficial.
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 | 0.006 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".