Gestión del talento humano: Generadoras de ventajas competitivas en las organizaciones educativas
Bibliographic record
Abstract
En la actualidad las instituciones educativas se desenvuelven en un mercado altamente competitivo y global, por lo cual deben buscar una forma de diferenciarse, para crear una ventaja competitiva. Ante las nuevas tendencias en la manera de administrar a las organizaciones un punto que puede ser el diferenciador es la gestión del talento humano, ya que un personal motivado, preparado, leal y comprometido es lo que hará que el servicio educativo sea de calidad, es por ello que el objetivo de este capítulo está orientado a identificar los factores estratégicos con los cuales las instituciones educativas cuentan para desarrollar su ventaja competitiva, los autores como De Luna (2008), Chiavenato (2009) González (2019) y Mora et al., (2020) han investigado sobre la variable abordada por lo que serán algunas de sus teorías en las que se apoyara el estudio, el abordaje metodológico se hizo desde un enfoque cualitativo, con diseño documental y alcance descriptivo. El análisis de los resultados arrojó que lideres inspiradores y transformadores junto a una gestión del talento humano eficaz, son algunos de los factores estratégicos para la creación de ventajas competitivas, permitiendo llegar a la conclusión que las instituciones educativas, para poder cumplir con su misión y ser reconocidas en el sector por su calidad y responsabilidad, deben enfocarse en esos factores estratégicos.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".