Influencia de las tecnologías de la información y comunicación (TICs) en la elaboración del presupuesto participativo de la municipalidad provincial de Talara 2021
Bibliographic record
Abstract
El estudio tuvo como objetivo determinar la relación entre las Tecnologías de la Información y Comunicación TICs, y el Presupuesto Participativo PP, desde la percepción de los representantes de la sociedad civil organizada en la provincia de Talara. La presente investigación, presente una metodología, correlacional causal, tiene un enfoque cuantitativo; con un diseño no experimental. La población estuvo conformada por 44 representantes de la sociedad civil organizada del presupuesto participativo de la Municipalidad Provincial de Talara; y la muestra quedó conformada por 17 representantes de la sociedad civil organizada, debido que se realizó un proceso de exclusión e inclusión. 27, fueron excluidos, porque solo se escriben en el presupuesto participativo y 17 fueron incluidos, porque se escriben y participan de dicho proceso democrático. La técnica de recojo de datos fue la encuesta y se empleó el cuestionario, dónde se elaboró 21 presuntas para la variable de la Tecnología de la Información y 19 para variable del presupuesto participativo. Se comprobó la existencia de una influencia positiva y media (r= 0,578) de las Tecnologías de la Información en la elaboración del Presupuesto Participativo según los colaboradores en la Municipalidad Provincial de Talara con un 95% de confianza.
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 | 0.005 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".