Aplicación y proceso de actualización del modelo de identificación del riesgo de trabajo infantil en el Perú
Bibliographic record
Abstract
La experiencia por desarrollar en el presente documento se dio durante el periodo \n2018 al 2021 en el Ministerio de Trabajo y Promoción del Empleo (MTPE), \nespecíficamente en la Dirección de Promoción y Protección de los Derechos \nFundamentales Laborales que pertenece a la Dirección General de Derechos \nFundamentales y Seguridad y Salud en el Trabajo que entre sus objetivos plantea y \nanaliza el problema del trabajo infantil que será desarrollado en el presente \ndocumento. El análisis del trabajo infantil es importante dado que busca garantizar los \nderechos de los trabajadores y, en particular, de aquellos trabajadores desfavorecidos \no pobres que necesitan representación, participación y leyes adecuadas que se \ncumplan y estén a favor de sus intereses. De esta manera, la experiencia por \ndesarrollar es, específicamente, la participación en la aplicación y proceso de \nactualización del Modelo de Identificación del Riesgo de Trabajo Infantil, el cual \nconstituye una herramienta estadística importante para conocer la probabilidad de \nriesgo de trabajo infantil en los territorios. Este modelo siguió la metodología que \nconsiste en 4 etapas: primero, se determinan los factores asociados al trabajo infantil; \nluego, se elabora y aplica el modelo logístico; a continuación, se aplican los resultados \ndel paso anterior al censo de población; y, por último, se realiza una caracterización \nterritorial.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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 teacher head, 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".