Implicaciones en la representación escalar y uso de geo-tecnologías en programas de ordenamiento territorial
Bibliographic record
Abstract
La presente investigación tiene como objetivo mostrar el uso y potencialidades de las tecnologías de análisis geo-espacial, se hace énfasis en herramientas de accesibilidad gratuita, que pueden aplicarse a la generación de datos y análisis en el desarrollo territorial y urbano. Al mismo tiempo que se indaga, con una visión crítica, sobre algunas de las contradicciones en el diseño de los programas de ordenamiento territorial en sus diferentes escalas geográficas, sus implicaciones a nivel social y ambiental. Para solventar esto, se realiza un análisis comparativo de las políticas y estrategias propuestas en planes de ordenamiento de orden superior en el Estado de Hidalgo con el Plan Parcial de Desarrollo Urbano del Sector Ciencia, Tecnología e Innovación de la Zona Poniente de Pachuca de Soto (PPDU-PCCC). Se identifican diversos hallazgos, el principal es que si bien las tecnologías geo-informáticas son un gran potencial de generación y análisis de datos, también requieren el uso crítico de la información para el bienestar social, pasando de una planeación estratégica a una integral y sustentable. El gran reto es la complementariedad de programas, sobre todo cuando se llega a intervenciones a pequeña escala geográfica, es en este nivel en el cual las comunidades son impactadas, visibilizadas o excluidas de la planeación o de la ausencia de ésta.
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 | 0.014 | 0.026 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.009 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".