§ 1La pregunta y la fuente

Antes del primer comando hay que saber para qué es el corpus, porque eso decide cuántas sesiones hacen falta. Aquí la pregunta es de método: enseñar cómo se construye. Bastan cuatro sesiones de dos tomos, marzo y julio de 2024, y se dice desde el principio que la muestra no sirve para series temporales: los tomos de 2023-2024 traen 27 de las más de 200 sesiones de la legislatura. Esa es la primera decisión del registro (bo-0001), y las sesiones conjuntas de la Asamblea Legislativa Plurinacional quedan fuera.

El Redactor de Debates publica un tomo al mes, en PDF digital: el texto se puede copiar, así que no hará falta OCR. Cada tomo trae unas páginas preliminares (autoridades, comisiones, resoluciones), las sesiones del mes y un índice.

El trabajo va en una carpeta aparte, con copias de los PDF y su huella sha256 comprobada contra los originales, para que nada de lo que se pruebe toque la fuente. La carpeta se prepara con el instalador de la librería:

mkdir bo_desde_cero && cd bo_desde_cero
bash ~/.claude/skills/diaries-lib/install.sh

§ 2Preparar las fuentes

Los skills esperan un archivo por sesión, llamado por su fecha, en source/bo/raw/. Ningún skill corta un tomo en sesiones: es trabajo previo, y se hace con un script propio. Cada sesión empieza en página nueva con una cabecera fija («Nª SESIÓN … / LEGISLATURA … / LA PAZ, día …»), así que el script corta por ella.

Aquí llegó la primera pregunta. La sesión del 31 de julio pasa de la medianoche, y el tomo de agosto empieza en mitad de ella otra sesión, la 154.ª. ¿Una sesión o dos? Se contestó que dos, cortando donde la corta el propio tomo de agosto (bo-0003), y que las preliminares quedan fuera de las sesiones (bo-0002).

La comprobación a mano: las dos sesiones de marzo suman 134.048 palabras en las páginas del tomo y 134.048 en los dos PDF cortados, y en la página partida entre la 153.ª y la 154.ª no falta ninguna. (Las palabras de la tabla son las del canónico, al final del recorrido, sin cabeceros ni folios.) Las filas del canónico son una más que los turnos en tres sesiones: la carátula, que se añade al final como fila 0.

§ 3Configurar el país: bootstrap

/diaries-bootstrap --country bo

El skill examina las cuatro sesiones antes de preguntar. Midió unos 3.340 caracteres por página (PDF digital, sin OCR) y contó las marcas de orador a principio de línea: «DIP.» 254 veces, «PRESIDENTE» o «PRESIDENTA» 452 y «SECRETARIO» o «SECRETARIA» 186. Vio también que la primera marca de quien preside o de quien ocupa la secretaría lleva el nombre («PRESIDENTE, DIP. …:»), y 33 formas en mayúsculas seguidas de dos puntos: unas 30 son encabezados de los documentos que se leen en el pleno, y 2 son diputadas cuya marca no lleva «DIP.».

Preguntó solo lo que no podía inferir:

• La legislatura. legislature es el periodo constitucional, 2020-2025, y legislative_session, el año legislativo de la cabecera, 2023-2024.
• Las marcas sin «DIP.». Sin patrón propio: que las resuelva tag con el registro de diputados.
• «SESIÓN PLENARIA». Es el pleno: session_type = ordinaria.

Escribe country_config/bo.yaml, el estado del pipeline (con el OCR ya marcado como omitido) y un informe de arranque. La comprobación a mano es leer la configuración que escribió: dos de sus claves no las lee nadie después, y se vio al llegar a meta (§ 5). Así quedaron las marcas de orador en esa configuración al final del recorrido; la alternativa del punto la añadió bo-0015 (§ 8), y los comentarios citan la decisión que justifica cada cambio:

speaker_tag_patterns:
  - "^DIP\\.\\s+([A-ZÁÉÍÓÚÜÑ][A-ZÁÉÍÓÚÜÑ.\\-\\s]+?)(?::|\\.(?=\\s+(?:[A-ZÁÉÍÓÚÜÑ][a-záéíóúüñ]|[…¿¡“«(])))"
  - "^(PRESIDENT[EA](https://github.com/rodrodr/parlaibero-tools/blob/main/docs/tutorial/es/?:\\s+EN\\s+EJERCICIO)?)(?:,\\s*DIP\\.\\s+[A-ZÁÉÍÓÚÜÑ][A-ZÁÉÍÓÚÜÑ.\\-\\s]+?)?(?::|\\.(?=\\s+(?:[A-ZÁÉÍÓÚÜÑ][a-záéíóúüñ]|[…¿¡“«(])))"
  - "^(SECRETARI[OA])(?:,\\s*DIP\\.\\s+[A-ZÁÉÍÓÚÜÑ][A-ZÁÉÍÓÚÜÑ.\\-\\s]+?)?(?::|\\.(?=\\s+(?:[A-ZÁÉÍÓÚÜÑ][a-záéíóúüñ]|[…¿¡“«(])))"

# Nivel 2: nombre en mayúsculas de dos o más palabras ante «:», sin «DIP.». Hay 2 marcas así en la 67.ª;
# el investigador decidió no darles un patrón de nivel 1 porque también casarían encabezados de los
# documentos leídos (LOTE A:, POR TANTO:, CÓDIGO CATASTRAL:…): las puntúa tag contra el registro.
# Mínimo 3 palabras (decisión bo-0020, que corrige bo-0013): con 2, ARTÍCULO ÚNICO: (×2) y TITULO EJECUTORIAL: puntuaban 0,70,
# lo mismo que el nombre real de 5 palabras, y abrían turno; todo nombre del padrón tiene 3 o más.
speaker_loose_pattern: "^(?P<name>(?:DIP\\.\\s+)?[A-ZÁÉÍÓÚÜÑ][A-ZÁÉÍÓÚÜÑ.\\-]+(?:\\s+[A-ZÁÉÍÓÚÜÑ][A-ZÁÉÍÓÚÜÑ.\\-]+){2,5})(?=\\s*:)"

§ 4Del PDF al texto: extract y correct

/diaries-extract --country bo --all
/diaries-correct --country bo --all

extract deja la capa fiel: el texto tal como sale del PDF, con un marcador por página, y no se limpia nunca. Su control de fragmentación saltó en la 67.ª: la mediana de las líneas era de 8 caracteres. La causa eran 55 páginas de tabla, el anexo de una ley de titulación de lotes, con el nombre y la cédula de identidad de cada beneficiario, una celda por línea; en el resto de la sesión la mediana era 89. Se eligió el modo por defecto (bo-0004), y quedó apuntado que esa tabla trae datos de particulares.

correct quita el mobiliario de la página y une las líneas en párrafos. En El Redactor hay una sola pieza de mobiliario, el cabecero corrido con el folio. Para el reflujo se midieron cuatro variantes sobre las cuatro sesiones:

Con tope de 2.000 caracteres se partían los pases de lista, que llegan a 3.791. Se eligió la D (bo-0005). Así queda la apertura de la 76.ª en la capa fiel, con el cabecero, el folio y las líneas del PDF:

---PAGE 0001---
CÁMARA DE DIPUTADOS / EL REDACTOR / MARZO 2024
245
76ª SESIÓN ORDINARIA
LEGISLATURA 2023-2024
LA PAZ, MARTES 26 DE MARZO DE 2024
[N]
PRESIDENTE EN EJERCICIO DE LA CÁMARA DE DIPUTADOS
PRESIDENTE EN EJERCICIO, DIP. [N]: Bueno, muy buenos
días colegas Diputados, Diputadas. Para instalar la presente Sesión, solicito a nuestro Diputado
Secretario, verificar el quorum reglamentario.
SECRETARIO, DIP. [N]: Muchas gracias. Buenos días, muchas
gracias hermana Presidenta en ejercicios.
Vamos a proseguir a llamar lista para verificar el quorum correspondiente, vamos con Chuquisaca.
(Llama lista).

Y así, ya corregida:

76ª SESIÓN ORDINARIA LEGISLATURA 2023-2024 LA PAZ, MARTES 26 DE MARZO DE 2024 [N]
PRESIDENTE EN EJERCICIO DE LA CÁMARA DE DIPUTADOS

PRESIDENTE EN EJERCICIO, DIP. [N]: Bueno, muy buenos días colegas Diputados, Diputadas. Para instalar la presente Sesión, solicito a nuestro Diputado Secretario, verificar el quorum reglamentario.

SECRETARIO, DIP. [N]: Muchas gracias. Buenos días, muchas gracias hermana Presidenta en ejercicios.
Vamos a proseguir a llamar lista para verificar el quorum correspondiente, vamos con Chuquisaca.
(Llama lista).

La comprobación a mano fue contar las palabras de una capa a la otra. Faltaban 17, todas en fronteras de página: la regla del motor borra el número que va delante del separador de página, y en El Redactor el folio va detrás. Eran celdas del anexo, llamadas de nota y guiones de lista, ninguna de discurso, y se declararon sin tocar el motor (bo-0006). El comando de correct tal como lo escribe su SKILL falla, porque argparse lee '---PAGE' como otra opción; hay que escribir --page-break-marker=---PAGE.

§ 5Metadatos y duplicados: meta y dedupe

/diaries-meta --country bo --all
/diaries-dedupe --country bo

El pase automático de meta sacó bien la fecha, el número y el tipo en tres sesiones, de la carátula. Falló en dos cosas. Quien preside salió mal en las cuatro: el motor toma lo que sigue a la etiqueta del cargo, y en la carátula boliviana el nombre va antes. Y la 154.ª no tiene carátula, porque empieza después de la medianoche dentro del tomo de julio. El SKILL, además, da la máxima autoridad al cabecero corrido, que aquí es del tomo: dice el mes y el año, no el día, y en la 154.ª dice julio siendo 1 de agosto.

Leyendo las cuatro sesiones se vio cómo se escribe la presidencia en esta acta: la carátula la nombra, su primera marca también, y los cambios los anota la redacción («-Asume la Presidencia, la Diputada …-»). Con eso, la presidencia va por tramos. Así queda la 153.ª en su archivo de meta, sin los nombres: un tramo que abre la carátula y dos de relevo, con las marcas de cada género que caen en cada uno:

{
 "date": "2024-07-31",
 "session_number": 153,
 "session_type": "ordinaria",
 "legislature": "2020-2025",
 "legislative_session": "2023-2024",
 "presidency": {"scope": "segments", "segments": [
  {"via": "prolegomena", "genero": null, "marcas": {"m": 38, "f": 0}},
  {"via": "relevo", "genero": "f", "marcas": {"m": 0, "f": 1}},
  {"via": "relevo", "genero": "m", "marcas": {"m": 55, "f": 0}}
 ]}
}

Dos preguntas:

• La 154.ª. Fecha y número salen de la fórmula de instalación y de su carátula, que está en el tomo de agosto (bo-0007).
• La 76.ª. La preside una diputada, pero 5 de las 65 marcas de la presidencia dicen «PRESIDENTE»: son erratas de la redacción, y los 65 turnos van a la misma persona (bo-0008).

dedupe no encontró duplicados. La comprobación propia fue el par 153.ª-154.ª, que comparten una página del tomo: el corte no repite texto. Si se añadiera el tomo de agosto, la 154.ª saldría dos veces, y ahí sí trabajaría dedupe.

§ 6Los diputados antes de tag

/diaries-deputies --country bo

deputies puede ir antes de tag cuando el acta trae pase de lista con nombres, y conviene: tag usa el registro para puntuar las marcas que no llevan «DIP.». En El Redactor, la secretaría lee la lista al abrir la sesión, departamento por departamento: 129, 129, 130 y 130 nombres, con el mismo reparto por departamento que los 130 escaños. Aquí no hay fragmento: el pase es una ristra de nombres, y los que la maquetación parte entre dos líneas se escaparían del tapado.

El lector de pases de la librería trae fijas las anclas del de Uruguay («Asisten los señores Representantes:») y no vio el boliviano: hizo falta un lector propio. Las 207 grafías de los cuatro pases se reducen a 204 personas (3 pares difieren en una tilde o en el orden). Son 74 más que escaños, y son las 74 que aparecen en una sola sesión: suplentes. Se preguntó y se aceptaron como titulares y suplentes sin distinguir (bo-0012, que corrige la redacción de la evidencia de bo-0009: el primer ejemplo de --supersede de este recorrido). La comisión cuenta como ausencia (bo-0010): 478 presencias y 40 ausencias. Y el partido queda vacío, y declarado (bo-0011), porque ni el pase ni las marcas lo dicen.

§ 7Los oradores: tag

/diaries-tag --country bo --all

La primera pasada en la 67.ª etiquetó 398 marcas por el patrón estricto y 5 por el flexible. De esas 5, 2 eran las diputadas sin «DIP.» y 3 eran encabezados de un proyecto de ley leído por la secretaría («ARTÍCULO ÚNICO:»). El puntuador les daba 0,70, lo mismo que a un nombre real de cinco palabras: el umbral no podía separarlos. Se preguntó, y el patrón flexible pasó a exigir al menos tres palabras, porque los 204 nombres del registro tienen tres o más (bo-0013, cuya consecuencia corrigió después bo-0020). Segunda pasada: solo las dos diputadas.

El control absoluto de tag, verify_tagging, dio 0 marcas sin etiquetar en las cuatro sesiones. Así queda la apertura de la 76.ª:

76ª SESIÓN ORDINARIA LEGISLATURA 2023-2024 LA PAZ, MARTES 26 DE MARZO DE 2024 [N]
PRESIDENTE EN EJERCICIO DE LA CÁMARA DE DIPUTADOS

<int speaker="PRESIDENTE EN EJERCICIO">Bueno, muy buenos días colegas Diputados, Diputadas. Para instalar la presente Sesión, solicito a nuestro Diputado Secretario, verificar el quorum reglamentario.</int>
<int speaker="SECRETARIO">Muchas gracias. Buenos días, muchas gracias hermana Presidenta en ejercicios.
Vamos a proseguir a llamar lista para verificar el quorum correspondiente, vamos con Chuquisaca.
(Llama lista).

Fíjate en las etiquetas: <int speaker="SECRETARIO">. La marca del acta decía «SECRETARIO, DIP. [N]:», y tag guarda solo el cargo. El nombre sigue en la capa corregida, y en el paso siguiente eso importará.

§ 8La matriz y la vinculación

/diaries-matrix --country bo --all
/diaries-match --country bo
/diaries-merge --country bo
/diaries-standardize --country bo

matrix convierte el texto etiquetado en una fila por turno. La primera pasada descartó un turno de 8 caracteres por corto; era una interjección de un diputado, y es habla (bo-0014). Su auditoría de marcas incrustadas dio 0,00 %, y el SKILL avisa de que un 0 % es sospechoso hasta que se explica. Una búsqueda propia del terminador y el recuento de las líneas sin etiquetar encontraron marcas metidas dentro de otros turnos, 8 de ellas en un mismo pasaje de la 67.ª, donde la redacción cerró las marcas con punto:

PRESIDENTE. Muchas gracias colega Diputado. Vamos a ceder la palabra al colega Diputado [N].
DIP. [N]. Muchas gracias Presidente.

verify_tagging no las veía porque usa el mismo patrón que tag. Las marcas pasaron a aceptar «.» además de «:» (bo-0015), y la 67.ª pasó de 400 turnos a 408; las otras tres sesiones no cambiaron.

match vincula cada forma de orador con el registro. La primera pasada vinculó 0 de 76: el registro se había escrito con comas, una columna llevaba «;» dentro y fuzzy_match adivinó «;» como separador. Con el archivo arreglado, 71 formas casan con un único diputado y las 5 restantes son cargos (PRESIDENTE, PRESIDENTA, SECRETARIO…), que se atribuyen en merge. La comprobación a mano cruzó cada turno con el pase de su sesión: una marca nombraba a un diputado que no estaba en la sala. La presidencia acababa de dar la palabra «por alusión» a una diputada, y quien habla responde a la alusión: el turno va a ella, por un override de sesión que no toca speaker_raw (bo-0017).

merge une la matriz con la tabla de vinculación y el registro. Las filas de la mesa se atribuyen por tramos, pero en este recorrido eso tuvo que esperar: attribute_presidency lee el canónico, que en este punto aún no existe, y se ejecutó dentro de standardize (abajo). Con la presidencia ya atribuida, merge quedó en FLAG, con una confianza de 0,794: las 186 filas de la secretaría no tenían diputado. Al preguntar, Claude Code dijo que quien abre la secretaría no se nombra en el acta, y con esa evidencia se decidió declararlo y aceptar (bo-0022). Era falso: la apertura de la 76.ª lo muestra, la primera marca de la secretaría lleva el nombre, y tag solo había guardado el cargo. Se vio al comparar las capas para esta página. Se volvió a preguntar con la evidencia buena, y la secretaría se atribuyó por tramos en las tres sesiones que la nombran, como la presidencia (bo-0025). La comprobación: antes de cada turno de la secretaría, la presidencia suele llamarla por su nombre («Secretaria, Diputada …»), y los 39 vocativos que pueden comprobarlo coinciden. La 154.ª empieza a mitad de la sentada, sin marca con nombre, y sus 26 filas quedan sin diputado:

standardize aplica el esquema final de 16 columnas, y aquí el orden del SKILL no funcionó para un país nuevo: cinco scripts de la librería leen el canónico, que en ese momento aún no existe. Y uno de ellos, attribute_presidency, tenía un fallo: si la fila de la carátula ya estaba en el archivo, contaba los turnos de una manera al atribuir y de otra al buscar los relevos, y cada relevo caía una fila antes. En la 153.ª, la diputada que asume la presidencia durante un turno volvía al presidente anterior:

DIP. [N]: … -Asume la Presidencia, la Diputada [N]-
PRESIDENTA: Ausencia, Cuarto Intermedio, colegas Diputados, Diputadas, 1 hora.
-Reasume la Presidencia, el Diputado [N]-

La salida fue atribuir la mesa antes de añadir las carátulas (bo-0018) y dejar la cadena entera en un script que se ejecuta dos veces y sale idéntica byte a byte. Después de esta corrida, la librería corrigió el fallo el 25 de octubre de 2026: la carátula ya no cuenta como turno, y la mesa sale igual con ella que sin ella. En este paso entraron también los datos personales: los 1.674 números de cédula de los documentos leídos pasan a «[C.I.]» (bo-0021, que corrige el recuento de filas de bo-0016); los nombres de los beneficiarios se quedan, y se declaran.

Y el sexo. El script de la librería lleva fija su lista de países; con Bolivia añadida, solo dispara la morfología del nombre, y da sexo al 51 % de quienes hablan, con un 71 % de mujeres. La señal del acta boliviana está en otro sitio: la presidencia llama a quien va a hablar («colega Diputada …»). Con ese vocativo, la nota de relevo y el cargo de la secretaría, 72 de las 73 personas que hablan tienen sexo; la morfología completa el registro y acierta en 36 de 36 casos, pero cubre al 84 % de las mujeres y al 23 % de los hombres, así que los vacíos del registro son casi todos hombres (bo-0024, que corrige un recuento de bo-0019). El juez del género, que compara el sexo de quien preside con el vocativo de quien le contesta, solo reconocía el tratamiento («Señor Presidente»); con el vocativo boliviano coinciden 345 de 349 filas, y las 4 discrepancias tienen explicación. Una es un lapsus de la secretaria entre dos «Presidente»:

SECRETARIA: Existe el apoyo, Presidente.
PRESIDENTE: Las y los Diputados que estén de acuerdo con la Dispensación de la lectura del Informe del Proyecto de Ley No 248/2023-2024, sírvase levantar la mano. Informe, Diputada Secretaria.
SECRETARIA: Mayoría absoluta, Presidenta.

§ 9Validar

/diaries-validate --country bo

validate saca una muestra sembrada de 300 filas, comprueba cada una y prepara 200 filas PASS para que una persona las lea buscando fugas: texto de otro orador dentro de un turno, que ninguna prueba automática ve. En la primera pasada saltó un FLAG por caracteres corrompidos: viñetas de una fuente de símbolos que el PDF trae como caracteres de uso privado. En todo el corpus eran 35, y pasaron a «•» (bo-0023). La persona que construye el corpus eligió leerlas todas.

Con 0 fugas en 200 filas, el intervalo de Wilson llega al 1,88 %, y esa es la cifra que se publica; el script anuncia «< 1,5 %», por la regla de tres, que con muestras así se queda corta. La semilla permite rehacer la muestra: con la secretaría ya atribuida, las mismas 300 filas dan 300 PASS. Pero 30 de las 200 de la calibración son turnos de la secretaría que se leyeron cuando aún no tenían diputado, así que su atribución se revisa aparte, con el turno anterior delante.

§ 10Documentar, informar y registrar

/diaries-document --country bo
/diaries-report --country bo

document entrevista al procesador (la fuente, el registro, el proceso, los autores y las limitaciones) y escribe corpus_info.json, el README, el diccionario de datos y los metadatos dataset.jsonld, que declaran los dos archivos de la entrega. La vinculación se publica con la definición de la colección, tr-0109: bruta y efectiva, 97,1 % de las filas de habla. Son iguales porque no se descuenta nada: la secretaría la ocupan diputados, así que sus filas sin nombre son un hueco de este corpus, no una exclusión. La primera vez, Claude Code calculó la bruta sobre todas las filas y no sobre las de habla; el script de la vinculación lo compara con lo publicado, no coincidía, y se corrigió.

report escribe el informe interno del proceso. El estado del pipeline dice «100 % de automatización», porque ningún paso acabó en FLAG o HALT sin resolver. El informe pone delante lo que el estado no ve: 25 preguntas respondidas, 25 decisiones, 76 formas de orador revisadas y congeladas, 200 filas leídas a mano y 14 scripts propios. Así terminó cada skill (bootstrap y dedupe no escriben entrada en el estado):

El registro de decisiones es la historia del corpus. Cinco decisiones se corrigieron con --supersede, y ninguna se borró: dos recuentos mal hechos, una evidencia mal redactada, una consecuencia mal descrita y una evidencia falsa.

Esto es lo que salió mal, de quién era y cómo se vio. Los fallos de los skills y de la librería son la lista para /diaries-refine; los del agente son la razón de las comprobaciones a mano.

Y estos son los scripts propios: lo que ningún skill cubría, o lo que la librería hacía mal. No están en el repositorio: son de este proyecto, y alguno lleva nombres de diputados.

§ 11Lista de comprobación

1. Escribe para qué es el corpus y cuánta cobertura necesita: es la primera decisión del registro.
2. Trabaja en una carpeta aparte, con copias de la fuente y su huella; un archivo por sesión, llamado por su fecha.
3. Lo que ningún skill hace (cortar tomos, leer un índice) va en un script propio, y se comprueba: las palabras de antes y de después.
4. Lee la configuración que escribe bootstrap.
5. Si salta un control de extract, averigua por qué antes de elegir el modo: aquí era una tabla con datos de particulares.
6. Mide las variantes del reflujo en correct y cuenta las palabras que se pierden de una capa a la otra.
7. Comprueba la fecha, el número y quién preside de cada sesión contra su carátula, y por tramos.
8. Si el acta trae pase de lista, construye el registro antes de tag.
9. Lee una a una las marcas que etiqueta el patrón flexible.
10. Un 0 % de marcas incrustadas es sospechoso: busca el terminador con un patrón propio.
11. Una primera vinculación de 0 es un problema del archivo, no de la vinculación.
12. Cruza cada orador vinculado con el pase de su sesión.
13. Antes de aceptar un FLAG, compara las capas: lo que tag no guardó puede estar en corrected/.
14. Ejecuta la cadena de standardize dos veces y compara byte a byte.
15. Seudonimiza las cédulas y declara lo que queda.
16. Mide la cobertura del sexo por sexo, no solo en total.
17. Lee tú la calibración de fuga, y publica el intervalo de Wilson.
18. Cada decisión, con evidencia medida; las equivocadas se corrigen con --supersede, nunca se borran.
19. La tasa de automatización, siempre junto a las decisiones humanas.