2006-2016: Una década del programa de estudios básicos y de explotación de recursos naturales en el Perú
Bibliographic record
Abstract
El Programa de Estudios Básicos de la Universidad Ricardo Palma está cumpliendo a mediados de este año los primeros diez años de vida (2006-2016). El curso Recursos Naturales y Ecología, hoy Recursos Naturales y Medio Ambiente, ha acompañado al Programa de Estudios Básicos en toda esta década, desde su inicio, dictándose a todos los alumnos de la universidad. Una de las unidades temáticas principales del curso es el estudio de los recursos naturales que se dicta en las primeras semanas y que constituye un tema muy sensible en el país debido al impacto que tiene la explotación de los recursos naturales tanto en la economía nacional, como en las diversas comunidades peruanas y en el medio ambiente. Por este motivo el autor incluye algunas apreciaciones personales relacionadas con las decisiones que se han tomado alrededor de nuestros recursos durante los dos gobiernos democráticos desarrollados en dicha década correspondientes a los periodos 2006-2011 y 2011- 2016. En el presente artículo se revisa la explotación durante los años 2006-2016 de los siguientes recursos naturales: minerales, petróleo, gas natural, energía hidráulica, energía eólica, energía solar y roca fosfórica
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 | 0.009 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".