Efectos de la contaminación ambiental en la flora y fauna en el cantón La Maná
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Actualmente, en nuestro país observamos a diario como están las ciudades, contaminadas de residuos sólidos, basura, objetos sin vida, así como también existen factores artificiales como la lluvia ácida y la deforestación ya que esto afecta a la contaminación de la flora y fauna en el cantón.
 La contaminación en su definición imposibilita el crecimiento de muchas especies vegetales, porque la presencia de sustancias químicas en el suelo altera los procesos vitales de las plantas. No existe una gran variedad de especies, como ocurre en los sectores no urbanos, donde el hombre ha tenido un menor grado de influencia y son menores los niveles de contaminación.
 La consecuencia de las actividades industriales y del transporte, contamina la atmósfera, es responsable de la destrucción de grandes bosques, afecta el suelo que se contamina con sustancias ácidas que dificultan o impiden el crecimiento de nuevas especies vegetales, con lo cual se favorece la erosión del suelo.
 La contaminación de la flora y fauna ha provocado la destrucción de la biodiversidad en el Planeta. Actualmente en el Ecuador incluyen aproximadamente el 11% de las especies existentes en el mundo y el 30% de las especies enumeradas en América Latina, lo cual en sus datos anteriores era de un 13%.Tabla 1: Flora y fauna contaminada
 Actualmente el territorio ecuatoriano recoge 25.000 especies de plantas vasculares. También se ha identificado 2725 especies de orquídeas. El 11% de las especies existentes en el mundo y el 30% de las especies enumeradas en América Latina. Los Andes comprenden 1.050 especies, mientras que 850 fueron inventariados en la región amazónica y a lo largo de la costa.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.004 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.004 |
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 it