Análisis de la aplicación de contratos Gobierno a Gobierno para la ejecución de proyectos de infraestructura en el Perú
Bibliographic record
Abstract
El presente trabajo estudia la aplicación de los contratos G2G para el desarrollo de proyectos de infraestructura en el Perú buscando entender y describir su operatividad, principales aportes, naturaleza jurídica y marco legal aplicable. De igual forma, se explican los contratos G2G suscritos por el gobierno peruano a la fecha de la presente y; por último, se realiza una comparación de los casos en los que se deberían aplicar estos modelos de contratación, comparándolos con otros mecanismos de desarrollo de infraestructura empleados por el Estado peruano. La investigación estudia cómo se han desarrollado los contratos G2G en el país. La metodología se basó en la revisión de literatura relacionada al tema, así como diferentes documentos emitidos por entidades públicas y privadas, además de cada uno de los contratos G2G obtenidos mediante el procedimiento de transparencia y acceso a la información pública. Asimismo, se estudió la normativa legal aplicable para el uso de los contratos G2G, participamos en cursos y seminarios relacionados a la investigación y; por último, se realizaron entrevistas a profesionales con experiencia en la materia.
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 | 0.006 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".