Tras la excelencia docente: Como mejorar la calidad de la educación para todos los colombianos
Bibliographic record
Abstract
La educacion conjuntamente con las ventajas geograficas, la riqueza natural y la madurez institucional es uno de los factores mas importantes para el progreso economico regional y nacional (Barro, 1991; Mankiw, Romer y Weil, 1992; Gennaioli et. al, 2013). Aunque la cantidad de educacion medida en anos promedio de escolaridad de la fuerza de trabajo, por ejemploincide en la productividad y el crecimiento economico de una nacion, varios estudios han encontrado que el impacto de la calidad educativa sobre esas variables es mucho mayor (Hanushek y Kimko, 2000; Hanusek y Woessmann, 2012; Hanushek, 2013). Ahora bien, es natural que en etapas iniciales de procesos de desarrollo economico, las politicas educativas de los paises se centren en mejorar indicadores de cobertura, promocion y graduacion escolar. Una vez se logran estos hitos, el progreso economico continuado requiere consolidar sectores productivos intensivos en mano de obra calificada que generen alto valor agregado. Para esto, resulta fundamental la calidad educativa. Un enfasis continuo en la calidad le ha permitido, por ejemplo, a Singapur, Finlandia, Canada (particularmente la provincia de Ontario) y Corea del Sur los cuatro paises que hoy tienen el mejor desempeno en pruebas de conocimiento internacionales trascender, en periodos de tiempo relativamente cortos, procesos productivos precarios y de poco valor agregado, hasta convertirse en naciones del conocimiento.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 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".