Conocimiento del sistema de pensiones y beneficios percibidos por el personal administrativo de una universidad privada, Lima. 2015.
Bibliographic record
Abstract
La presente investigación tuvo como objetivo general determinar de qué manera se relacionan el conocimiento del sistema de pensiones y los beneficios percibidos por el personal administrativo de una universidad privada, Lima. 2015, la muestra censal consideró toda la población, en los cuales se ha empleado la variable: conocimiento del sistema de pensiones y beneficios percibidos. El método empleado en la investigación fue el hipotético deductivo, esta investigación utilizó para su propósito el diseño no experimental de nivel comparativo, que recogió la información en un período específico, que se desarrolló al aplicar el instrumento: cuestionario del conocimiento del sistema de pensiones y beneficios percibidos en la escala dicotómica (si) (no), que brindó información acerca del conocimiento del sistema de pensiones y beneficios percibidos en sus distintas dimensiones, cuyos resultados se presentan gráfica y textualmente. La investigación concluye que existe evidencia significativa para afirmar que: El conocimiento del sistema de pensiones se relacionan significativamente con los beneficios percibidos por el personal administrativo de una universidad privada, Lima. 2015.
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 | 0.002 | 0.005 |
| 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 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".