Modelo estocástico del aprendizaje de la mano de obra en actividades de colocación de muros en bloques de concreto, en construcción masiva de vivienda en México
Bibliographic record
Abstract
En este trabajo se describe la manera en la que se aplicó el modelo de Estes para estudiar y simular el aprendizaje de la mano de obra en una tarea específica de construcción. Se presenta el modelo estocástico de dicho autor, para luego aplicarlo utilizando datos de productividad de mano de obra correspondientes a la actividad de elaboración de muros en bloques de concreto, en la construcción masiva de vivienda de interés social, en la ciudad de Mérida, México. Se recopilaron datos de productividad de dicha actividad en 15 casos, involucrando diferentes cuadrillas que trabajaban para diversas compañías. Con los datos recabados se calcularon tanto los valores teóricos, como los promedios reales de las tasas de aprendizaje. Este trabajo concluye que con base en los datos obtenidos, las cuadrillas llegan a tener su productividad máxima a partir del segundo día de haber iniciado la ejecución de la actividad. Asimismo, que la variabilidad entre los niveles de producción de las cuadrillas analizadas no se puede imputar solamente a las destrezas de los individuos, sino a la organización de las cuadrillas, la situación en el sitio de trabajo y la administración de las empresas en las que trabajan.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".