Impacto de la estrategia de participación forzosa en la erradicación de cultivos ilícitos sobre la proporción de áreas sembradas
Bibliographic record
Abstract
El presente trabajo busca determinar el impacto en la proporción del uso del suelo destinado a la producción de cultivos ilícitos y mixtos en las Unidades Productoras Agropecuarias con Coca (UPAC) en el año 2014, como consecuencia de la implementación de la política de erradicación de cultivos ilícitos en su estrategia de participación forzosa; en la que se encuentran los programas de Erradicación por Aspersión Aérea con Glifosato y Erradicación Manual Forzosa. Para estimar el impacto cuantitativo de la política, se utiliza la menor distancia de la UPAC con respecto al Parque Nacional Natural (PNN) más cercano, a través del diseño de un método de variables instrumentales. Como resultado, el modelo encuentra que el impacto de la política de erradicación de cultivos ilícitos reduce la proporción de uso del suelo destinado a la siembra de cultivos ilícitos y mixtos. Finalmente, el modelo estima una reducción de 12,9% y 8,5% en la participación del uso del suelo destinado a la producción de cultivos ilícitos y mixtos, respectivamente; se observa así un mayor efecto cuando el uso del suelo se orienta a la siembra de cultivos ilícitos exclusivamente, en comparación con el suelo destinado a los cultivos mixtos.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".