Guía de recolección de datos de personas migrantes
Bibliographic record
Abstract
América Latina está en un proceso de transformación en el que los distintos países que conforman la región no son solamente países generadores de migrantes, sino que de recepción de los mismos, intrarregionales e internacionales. El objetivo de esta investigación es el desarrollo de una guía de recolección de datos de migración con el fin entender mejor las características de la población migrante. Las recomendaciones de este trabajo surgen a partir de tres casos de estudio en ciudades/regiones fronterizas: Monterrey [México]; Cúcuta [Colombia] y la Región Huetar Norte de Costa Rica. Este trabajo contribuye a identificar qué datos se producen sobre personas migrantes, quién los produce y cómo se manejan. A través de la investigación, se puede observar que los datos migratorios que se producen son principalmente de entradas/salidas, y hay una falta de recopilación y/o publicación de datos sobre las poblaciones migrantes en cada país. Debido a esto se realiza una serie de recomendaciones y una guía para la recopilación y manejo de datos de personas migrantes, para señalar los datos que pueden ser útiles para la creación de políticas públicas de integración y asentamiento.
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 | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".