Desigualdad e impactos distributivos de la pandemia de COVID-19 en los estados mexicanos
Bibliographic record
Abstract
"Al momento de escribir este texto, la economía mexicana había recuperado casi todos los puestos de trabajo perdidos durante la fase más profunda de la pandemia de covid-19, a pesar de que los niveles de producción y distribución de mercancías aún no habían regresado a los números previos al estallido de los contagios. Nos encontramos entonces en un proceso de recuperación después de un fuerte choque en el cual se ha extendido el teletrabajo y el uso de mecanismos de distribución basados en plataformas digitales, los cuales tuvieron su auge en los últimos dos años y habrán de continuar transformando la forma en que producimos y cómo consumimos. El resultado combinado de estos factores fue una cancelación masiva de puestos de trabajo con la consecuente disminución de ingresos familiares. De tal manera, los ingresos de la población fueron afectados en forma generalizada, pero con intensidades marcadas por la estructura sectorial y la composición de la fuerza de trabajo, tanto a nivel nacional como a escala local. De ahí que el objetivo principal de este texto sea analizar el impacto regional en la distribución del ingreso monetario como consecuencia de la pandemia y sus efectos económicos.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| 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".