Design of a methodology for the selection of mobile payment technologies in developing countries
Bibliographic record
Abstract
Las transacciones en efectivo se han reducido a un 25% del total en países como China, Canada o Corea del Sur. Esto significa que, por lo general, la gente ya no usa efectivo y la principal razón para esto es el auge de los pagos digitales. La mayoría de estas transacciones se realizan con tarjetas bancarias y con transferencias, sin embargo, en los últimos años han aparecido nuevos agentes que implementan pagos móviles y están consiguiendo un gran éxito. Debido a la aparición de un gran número de tecnologías diferentes para la realización de pagos móviles, aparece una complejidad añadida para seleccionar la tecnología más adecuada para cada escenario. Aunque los pagos móviles están muy extendidos en varios países, hay aún muchas oportunidades para aprovecharlos en países en desarrollo debido al rápido crecimiento de estas tecnologías. Hay numerosas razones que explican por qué los pagos móviles son especialmente interesantes en países en desarrollo, como la rápida difusión de teléfonos móviles, la complejidad de bancarización en pequeñas comunidades, los bajos costes que conllevan los pagos móviles y la situación social y económica en estas regiones. Estas cuestiones se analizarán en profundidad y el principal objetivo es desarrollar una metodología para seleccionar la tecnología más apropiada para cada entorno. En este documento se incluye una revisión de los pagos digitales en la actualidad, centrando el foco en los pagos móviles ya que son los responsables del significativo aumento en el uso de pagos digitales. Con el objetivo de implementar nuevos modelos de negocios en países en desarrollo usando pagos móviles, es necesario seleccionar la tecnología más adecuada debido a que por lo general no hay una aplicación dominante. Consecuentemente, una metodología para seleccionar la óptima es imprescindible por lo que, en este documento se diseñará dicha metodología general que pueda aplicarse a la mayoría de entornos. Finalmente, la metodología creada se aplicará en Panamá y en Perú, dos países en desarrollo de América Latina donde la Fundación Acciona.org está realizando un proyecto para extender el acceso a energía limpia. Para hacer esto, se analizará la situación actual de dichos países y la metodología propuesta se seguirá paso a paso hasta lograr seleccionar un único método de pago que se implementará en esos proyectos especificamente.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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".