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
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/158289
Ver los metadatos del registro completo
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 |