(Re)invertir en La Habana : análisis espaciales de los precios de la vivienda en los municipios \ncentrales de la capital cubana
Bibliographic record
Abstract
En el año 2003 comencé mi primer trabajo de campo en La Habana, auspiciada por el Departamento de \nGeografía de la Universidad de La Habana y supervisada por Sonia Montiel. Me propuse comprender cómo \nel desarrollo del turismo en La Habana Vieja y la patrimonialización del lugar a través de su nominación \ncomo Patrimonio de la Humanidad de la UNESCO y la acción de la Oficina del Historiador de la Ciudad \nestaban transformando la dinámica socioespacial de este barrio, aún muy degradado en aquel entonces. \nDespués de 10 años y un doctorado acerca del impacto de la migración cubana en la trayectoria urbana de \nMiami, regresé a hacer un estudio de campo en La Habana, ahora como profesora de la Universidad de \nMontreal. Esta ciudad, que me cautiva particularmente y que había conocido durante las últimas sacudidas \ndel período especial, entre 2003 y 2009, empezó a cambiar a mayor ritmo mientras mantenía siempre cierta \ninmovilidad. Las excursiones de 2015 y 2017 fueron sin duda las más elocuentes; por un lado, La Habana \nse encontraba en un estado de agitación, nuevos lugares culturales y turísticos, grandes hoteles en construcción \ny casas renovadas se estaban vendiendo o rentando por Airbnb. Por otro lado, los recurrentes problemas de \nvivienda de la capital, los colapsos y las construcciones informales continuaban sucediendo regularmente. \nDurante esas dos visitas del 2015 y 2017 estaba en busca de colaboradores cubanos que pudiesen ayudarme \na entender las mutaciones socio-espaciales de los barrios centrales de esta ciudad socialista a partir de 2011 \ncon la reintroducción de la posibilidad de que los cubanos vendan o compren una casa. Llegué a esto gracias \na mi encuentro con Ricardo Núñez, economista urbano que trabaja en el PNUD, que me fue presentado por \nun amigo común, Jorge Mario Egozcue Sánchez, y a mi acercamiento con la FLASCO- Cuba, donde el \nequipo de dirección y la Dra. Luisa Iñiguez aceptaron acoger y colaborar en mi proyecto. Luisa fue también \nquien me presentó a Carlos García Pleyan, urbanista incansable. Este trabajo tampoco pudiera haber visto \nla luz sin la participación de Mateo Alba Carmichael que trabaja conmigo desde el 2017, primero como \nasistente de investigación en el programa de maestría y luego como ingeniero de investigación. Los mapas \npresentados aquí fueron hechos por él. También queremos agradecer calurosamente al compañero Rodolphe \nGonzalès (ingeniero geoweb de la Universidad de Montreal), su implicación en el desarrollo del scrapper y el \nacompañamiento de Mateo en las técnicas de la geoweb fueron de gran apoyo.
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 | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 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".