Sistema de transporte argentino: estrategias de gestión de la crisis y los riesgos asociados a la pandemia del coronavirus en 2020
Bibliographic record
Abstract
La crisis pandémica por Covid-19 representó un desafío para los distintos ámbitos de gestión, tanto públicos como privados. El caso de las organizaciones pertenecientes al sector transporte no fue una excepción, sino que éstas se convirtieron en protagonistas de múltiples transformaciones. En este contexto, la ponencia tiene el objetivo describir y analizar algunas de las estrategias y prácticas de gestión de crisis desarrolladas por organizaciones reguladoras y proveedoras de servicios de transporte en la Argentina durante el año 2020, con foco en sus efectos sobre la salud y condiciones laborales de los/as trabajadores/as. Estas estrategias y prácticas se orientaron a garantizar la seguridad operacional y sanitaria, así como la continuidad de los servicios, dentro de los márgenes impuestos por las reglamentaciones excepcionales vigentes. A tal fin, se ha optado por un diseño de investigación descriptivo basado en un enfoque metodológico cualitativo. Las técnicas empleadas fueron: el relevamiento de fuentes secundarias (documentos organizacionales, normativa, etc.) y la realización de entrevistas semiestructuradas a actores clave del sistema de transporte (funcionarios de entes reguladores y prestadoras de servicio, representantes sindicales y trabajadores/as). En la ponencia se presentan los principales hallazgos de la investigación y sus potenciales implicancias para el abordaje de futuros eventos de similares características.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".