Factores que influyen en la adopción e implementación exitosa de la tecnología BC: Mitos, sesgos y realidades
Bibliographic record
Abstract
La tecnología Blockchain (BC) tiene potencial para diversos sectores al ejecutar transacciones de manera verificable e irreversible mientras funciona como un libro mayor distribuido que permite intercambiar valor entre iguales. Sin embargo, la adopción organizacional de tecnología BC es una tarea desafiante, pues hay muchos prejuicios y malentendidos. La tecnología ofrece un enorme potencial, pero para que sus posibilidades se vuelvan más tangibles es indispensable abordar los mitos y sesgos más relevantes. De la revisión de la literatura surge que la BC es una disciplina emergente. No obstante, se evidencian hallazgos que explican las implicaciones en los negocios internacionales, criptomonedas, procesos comerciales y modelos de negocios. Sin embargo, el estado del arte relacionado a analizar las percepciones respecto de la tecnología de la BC es escaso y aún no ha sido explorado en profundidad. En este documento se revisan conceptos básicos e impulsores de valor para dar al lector una comprensión fundacional sobre las características singulares de las BCs. Se discute y analiza la bibliografía relevante sobre los principales factores y barreras percibidas relacionados con la intención de adopción e implementación organizacional exitosa de tecnología BC. El objetivo del presente documento es examinar las percepciones sobre la tecnología BC desde diferentes perspectivas, matices y agentes económicos. Se consideran los mitos y realidades para detectar los sesgos y fallas subjetivas del decisor. Este estudio hace una contribución original a la BC explorando las apreciaciones de los ejecutivos expertos en el campo. A su vez, se discute sobre los sesgos cognitivos para evaluar embarcarse en proyectos basados en BC. Por su parte, el aporte práctico del documento es de utilidad para los líderes organizacionales que buscan implementar la BC en un caso de uso real.
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 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".