Capacidad de innovación desde el modelado estadístico
Bibliographic record
Abstract
La capacidad de innovación de un país contribuye a mejorar su posición competitiva, por lo que el objetivo de esta investigación es analizar la capacidad de innovación en México y su posicionamiento a nivel mundial. En metodología se realizó un análisis multivariado de análisis de clúster para clasificar 109 países en función al Índice de Competitividad Global, posteriormente a través del análisis de regresión lineal múltiple se diseñó un modelo estadístico de la relación funcional de México con respecto al constructo de capacidad de innovación. Los resultados derivan en una contribución significativa porque se realiza un mapeo de las economías clasificándolas en cinco clústeres y para el caso de México se obtiene un modelo de la capacidad de innovación explicada por cinco variables: población que usa internet, artículos científicos y técnicos, patentes, gasto en investigación y desarrollo en porcentaje del producto interno bruto e Investigadores. En conclusión, este artículo provee un panorama comparativo del desempeño de los países evaluados, además modela la capacidad de innovación de México. Estos hallazgos representan un diagnóstico para el diseño o mejora de las políticas públicas que fomenten la innovación y competitividad.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".