Big data y algoritmos para la medición de la pobreza y el desarrollo

Autores
Sosa Escudero, Walter
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de trabajo
Estado
versión enviada
Descripción
Eritrea es un pequeño país del noreste de África, al que casi todos los rankings ubican entre los tres más pobres del mundo. Eritrea hace 30 años que no tiene un censo (Jerven, 2013). Eritrea es como un hipertenso severo que no puede medirse la presión, que no puede consultar a un médico. La medición estándar de la pobreza depende de la implementación periódica de un sistema de encuestas, que excede las posibilidades de un país paupérrimo como Eritrea. Y aún lejos de la situación extrema de países como los del África Subsahariana, los costos de la medición oficial de la pobreza en países de desarrollo intermedio, como la Argentina, hacen que las cifras disponibles no logren captar con precisión las áreas rurales, los barrios marginales o ciertos grupos de interés (como los pueblos originarios o los jóvenes), particularmente afectados por el azote de la privación. La revolución del combo big data-machine learning-inteligencia artificial ha invadido todos los campos del conocimiento y, esperablemente, el de la medición del bienestar no es una excepción. Y, naturalmente, urge preguntar si los enormes problemas de cuantificación de la pobreza o la desigualdad no encontraran una solución rápida y efectiva que provenga de la combinación de datos masivos de big data y los poderosos algoritmos de machine learning y la inteligencia artificial. Esta nota es una introducción técnicamente accesible a los logros y desafíos del uso big data y machine learning para la medición de la pobreza, el desarrollo, la desigualdad y otras dimensiones sociales. Se basa en Sosa Escudero, Anauati y Brau (2022), un artículo abarcativo y técnico, que estudia con detalle el estado de las artes en lo que se refiere al uso de machine learning para los estudios de desarrollo y bienestar, al cual remitiremos para mayores detalles y referencias específicas.
Centro de Estudios Distributivos, Laborales y Sociales
Materia
Ciencias Económicas
Monopsonio
Mercados de trabajo segmentados
Mercados de trabajo agrícola
África
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/158289

id SEDICI_6f041b6661c53b4703c1221f217173a6
oai_identifier_str oai:sedici.unlp.edu.ar:10915/158289
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Big data y algoritmos para la medición de la pobreza y el desarrolloSosa Escudero, WalterCiencias EconómicasMonopsonioMercados de trabajo segmentadosMercados de trabajo agrícolaÁfricaEritrea es un pequeño país del noreste de África, al que casi todos los rankings ubican entre los tres más pobres del mundo. Eritrea hace 30 años que no tiene un censo (Jerven, 2013). Eritrea es como un hipertenso severo que no puede medirse la presión, que no puede consultar a un médico. La medición estándar de la pobreza depende de la implementación periódica de un sistema de encuestas, que excede las posibilidades de un país paupérrimo como Eritrea. Y aún lejos de la situación extrema de países como los del África Subsahariana, los costos de la medición oficial de la pobreza en países de desarrollo intermedio, como la Argentina, hacen que las cifras disponibles no logren captar con precisión las áreas rurales, los barrios marginales o ciertos grupos de interés (como los pueblos originarios o los jóvenes), particularmente afectados por el azote de la privación. La revolución del combo big data-machine learning-inteligencia artificial ha invadido todos los campos del conocimiento y, esperablemente, el de la medición del bienestar no es una excepción. Y, naturalmente, urge preguntar si los enormes problemas de cuantificación de la pobreza o la desigualdad no encontraran una solución rápida y efectiva que provenga de la combinación de datos masivos de big data y los poderosos algoritmos de machine learning y la inteligencia artificial. Esta nota es una introducción técnicamente accesible a los logros y desafíos del uso big data y machine learning para la medición de la pobreza, el desarrollo, la desigualdad y otras dimensiones sociales. Se basa en Sosa Escudero, Anauati y Brau (2022), un artículo abarcativo y técnico, que estudia con detalle el estado de las artes en lo que se refiere al uso de machine learning para los estudios de desarrollo y bienestar, al cual remitiremos para mayores detalles y referencias específicas.Centro de Estudios Distributivos, Laborales y Sociales2023-10info:eu-repo/semantics/workingPaperinfo:eu-repo/semantics/submittedVersionDocumento de trabajohttp://purl.org/coar/resource_type/c_8042info:ar-repo/semantics/documentoDeTrabajoapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/158289spainfo:eu-repo/semantics/altIdentifier/url/https://www.cedlas.econo.unlp.edu.ar/wp/wp-content/uploads/doc_cedlas319.pdf?dl=0info:eu-repo/semantics/altIdentifier/issn/1853-0168info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/4.0/Creative Commons Attribution 4.0 International (CC BY 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T11:13:16Zoai:sedici.unlp.edu.ar:10915/158289Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 11:13:16.177SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Big data y algoritmos para la medición de la pobreza y el desarrollo
title Big data y algoritmos para la medición de la pobreza y el desarrollo
spellingShingle Big data y algoritmos para la medición de la pobreza y el desarrollo
Sosa Escudero, Walter
Ciencias Económicas
Monopsonio
Mercados de trabajo segmentados
Mercados de trabajo agrícola
África
title_short Big data y algoritmos para la medición de la pobreza y el desarrollo
title_full Big data y algoritmos para la medición de la pobreza y el desarrollo
title_fullStr Big data y algoritmos para la medición de la pobreza y el desarrollo
title_full_unstemmed Big data y algoritmos para la medición de la pobreza y el desarrollo
title_sort Big data y algoritmos para la medición de la pobreza y el desarrollo
dc.creator.none.fl_str_mv Sosa Escudero, Walter
author Sosa Escudero, Walter
author_facet Sosa Escudero, Walter
author_role author
dc.subject.none.fl_str_mv Ciencias Económicas
Monopsonio
Mercados de trabajo segmentados
Mercados de trabajo agrícola
África
topic Ciencias Económicas
Monopsonio
Mercados de trabajo segmentados
Mercados de trabajo agrícola
África
dc.description.none.fl_txt_mv Eritrea es un pequeño país del noreste de África, al que casi todos los rankings ubican entre los tres más pobres del mundo. Eritrea hace 30 años que no tiene un censo (Jerven, 2013). Eritrea es como un hipertenso severo que no puede medirse la presión, que no puede consultar a un médico. La medición estándar de la pobreza depende de la implementación periódica de un sistema de encuestas, que excede las posibilidades de un país paupérrimo como Eritrea. Y aún lejos de la situación extrema de países como los del África Subsahariana, los costos de la medición oficial de la pobreza en países de desarrollo intermedio, como la Argentina, hacen que las cifras disponibles no logren captar con precisión las áreas rurales, los barrios marginales o ciertos grupos de interés (como los pueblos originarios o los jóvenes), particularmente afectados por el azote de la privación. La revolución del combo big data-machine learning-inteligencia artificial ha invadido todos los campos del conocimiento y, esperablemente, el de la medición del bienestar no es una excepción. Y, naturalmente, urge preguntar si los enormes problemas de cuantificación de la pobreza o la desigualdad no encontraran una solución rápida y efectiva que provenga de la combinación de datos masivos de big data y los poderosos algoritmos de machine learning y la inteligencia artificial. Esta nota es una introducción técnicamente accesible a los logros y desafíos del uso big data y machine learning para la medición de la pobreza, el desarrollo, la desigualdad y otras dimensiones sociales. Se basa en Sosa Escudero, Anauati y Brau (2022), un artículo abarcativo y técnico, que estudia con detalle el estado de las artes en lo que se refiere al uso de machine learning para los estudios de desarrollo y bienestar, al cual remitiremos para mayores detalles y referencias específicas.
Centro de Estudios Distributivos, Laborales y Sociales
description Eritrea es un pequeño país del noreste de África, al que casi todos los rankings ubican entre los tres más pobres del mundo. Eritrea hace 30 años que no tiene un censo (Jerven, 2013). Eritrea es como un hipertenso severo que no puede medirse la presión, que no puede consultar a un médico. La medición estándar de la pobreza depende de la implementación periódica de un sistema de encuestas, que excede las posibilidades de un país paupérrimo como Eritrea. Y aún lejos de la situación extrema de países como los del África Subsahariana, los costos de la medición oficial de la pobreza en países de desarrollo intermedio, como la Argentina, hacen que las cifras disponibles no logren captar con precisión las áreas rurales, los barrios marginales o ciertos grupos de interés (como los pueblos originarios o los jóvenes), particularmente afectados por el azote de la privación. La revolución del combo big data-machine learning-inteligencia artificial ha invadido todos los campos del conocimiento y, esperablemente, el de la medición del bienestar no es una excepción. Y, naturalmente, urge preguntar si los enormes problemas de cuantificación de la pobreza o la desigualdad no encontraran una solución rápida y efectiva que provenga de la combinación de datos masivos de big data y los poderosos algoritmos de machine learning y la inteligencia artificial. Esta nota es una introducción técnicamente accesible a los logros y desafíos del uso big data y machine learning para la medición de la pobreza, el desarrollo, la desigualdad y otras dimensiones sociales. Se basa en Sosa Escudero, Anauati y Brau (2022), un artículo abarcativo y técnico, que estudia con detalle el estado de las artes en lo que se refiere al uso de machine learning para los estudios de desarrollo y bienestar, al cual remitiremos para mayores detalles y referencias específicas.
publishDate 2023
dc.date.none.fl_str_mv 2023-10
dc.type.none.fl_str_mv info:eu-repo/semantics/workingPaper
info:eu-repo/semantics/submittedVersion
Documento de trabajo
http://purl.org/coar/resource_type/c_8042
info:ar-repo/semantics/documentoDeTrabajo
format workingPaper
status_str submittedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/158289
url http://sedici.unlp.edu.ar/handle/10915/158289
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://www.cedlas.econo.unlp.edu.ar/wp/wp-content/uploads/doc_cedlas319.pdf?dl=0
info:eu-repo/semantics/altIdentifier/issn/1853-0168
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by/4.0/
Creative Commons Attribution 4.0 International (CC BY 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/4.0/
Creative Commons Attribution 4.0 International (CC BY 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260636417916928
score 13.13397