Metodología
Qué hay en cada fila, qué se midió y qué no se afirma.
Esta página no recorre el proceso etapa por etapa. Responde lo que preguntaría un revisor, con cada límite en la misma frase que su cifra.
Cada apartado termina en algo que usted puede comprobar con sus manos.
ParlaIbero es una infraestructura de datos para las ciencias sociales y humanas. PELA-USAL encuesta a parlamentarios de países de América Latina con un cuestionario estándar, adaptado a cada país. Latinobarómetro aplica un mismo estudio de opinión pública en los países de la región. ParlaMint publica, con una misma codificación, debates de parlamentos de Europa. El Manifesto Project codifica con un mismo esquema los programas electorales de los partidos. Aquí el material es lo que se dijo en el pleno: la misma fila y las mismas columnas en las dieciséis cámaras.
A 21 de septiembre de 2026 no hemos localizado otro corpus de varios países de América Latina con el texto íntegro y cada orador identificado como diputado. Existen ParlaMint, que cubre España y Portugal; ParlSpeech, que cubre España; y ParlEE. En la región, padrones sin texto, discursos presidenciales y corpus nacionales.
Qué es una fila
La unidad es el turno de palabra, tal como lo marca el propio Diario. Cada turno es una fila.
Lleva la designación del orador exactamente como se imprimió, el texto íntegro, la sesión y su posición en ella. Si el orador pudo identificarse, lleva además su identificador en el padrón, con nombre, sexo, partido y distrito. Son 16 columnas, las mismas en las dieciséis cámaras.
id_session- SV0010058
id_int- SV001005800070
legislature- 2018-2021
legislative_session- AÑO LEGISLATIVO 2020
session_number- 60
date- 2019-07-24
session_type- ordinaria
intervention_order- 70
speaker_rawid_depspeaker_namesex- M
party- PCN
district- Sonsonate
dm_speech- 1
textGracias señor presidente, compañeros y compañeras diputados, también para unirme a la celebración digamos de aquella ciudad que de solo mencionarlo nos recordamos de El Principito, cosa que no muchos salvadoreños saben, que Armenia, una mujer de Armenia de apellido Suncín, fue la inspiración de la Rosa de El Principito. Así que me uno a la celebración como dije de Armenia, gracias […]
Quién habla está en los datos. Aquí no se muestra.
El texto sigue: aquí va solo el comienzo.
El texto no está resumido ni lematizado. El orden se conserva. Y el orden es información.
El Diario no es la sesión: es lo que cada cámara publicó de ella. La mediana va de 11 palabras por turno en Uruguay a 92 en El Salvador. Esa distancia mide cómo transcribe cada cámara, no cuánto se debate.
Pruébelo. Descargue El Salvador, el archivo más pequeño (98 MB; cubre de 2018 a 2025), y ábralo en el explorador. Descargar los datos · Abrir el explorador
De dieciséis tradiciones tipográficas a una tabla
Cada cámara imprime a su manera quién toma la palabra: «El señor APELLIDO:» en una, «O SR. NOME (partido - estado) –» en otra. Cinco pasos las llevan a una sola tabla.
- De la fuente al texto fiel. PDF digital, página escaneada, HTML, XML o Word: primero se extrae el texto sin tocar nada. Después se limpian cabeceras, folios y palabras cortadas.
- Del texto a los turnos. Cada marcador de orador se localiza con las fórmulas de esa cámara y de esa época. Un marcador sin reconocer entierra un turno dentro del anterior, y ningún recuento lo ve. Por eso uno solo detiene el etiquetado de esa sesión.
- De los oradores a los diputados. Cada designación impresa se coteja con el padrón: 37.523 personas en 70.570 tramos de mandato, en las dieciséis cámaras.
- Del padrón al esquema común. La fila recibe partido, distrito y sexo según el tramo que cubre su fecha.
- Del esquema al depósito. Cada país se publica con 17 archivos —datos, padrón y documentación—, generados por un solo programa, nunca a mano.
Las filas las produce código determinista. El modelo de lenguaje escribió ese código y reconoció las páginas escaneadas más antiguas.
Pruébelo. En la ficha de su país, vea de qué fuente y de qué formato salió su texto. Ver los países
Habla y no habla
Nada se borra del Diario.
La carátula, el sumario y el pase de lista se conservan en su lugar, como primera fila de la sesión: 51.741 filas en las dieciséis cámaras.
Llevan la marca dm_speech = 0. También la llevan los recuentos de votación nominal, la narración y los documentos leídos, donde el propio Diario demuestra que no son habla: 222.975 filas en total.
La marca es asimétrica, a propósito. Un 0 se pone solo donde está probado. Un 1 no significa «habla verificada»: significa «no está demostrado que no sea habla».
La consecuencia se declara. En Argentina, Uruguay, México, Costa Rica, Ecuador, República Dominicana y Guatemala, parte de lo leído en voz alta sigue dentro del turno de quien lo lee. Allí, el recuento de palabras de quien preside queda inflado.
Filtrar le corresponde a usted. Decidir por usted, no.
Pruébelo. En el explorador, la primera entrada de cada sesión es «Encabezado y sumario de la sesión». Ahí está el pase de lista. Abrir el explorador
Quién habla
El 87,05 % de los turnos de habla lleva un diputado identificado: 8.590.210 de 9.868.087. Es la vinculación bruta.
La efectiva es el 98,12 %. Descuenta del denominador dos clases de turnos, y solo dos. Los de quien no puede ocupar escaño: ministros, secretarios administrativos, relatores, invitados. Y los que el Diario hace inatribuibles, como «Varios señores diputados».
No descuenta a quien preside sin nombre. Quien preside es diputado: si su identidad no se recuperó, es laguna nuestra.
Quedan sin diputado 1.277.877 turnos de habla. 962.878, el 75,35 %, son de quien no puede ocupar escaño. 150.714, el 11,79 %, voz colectiva o anónima. 164.285, el 12,86 %, laguna nuestra.
La distancia entre las dos tasas es propiedad del Diario, no del procesamiento. En Panamá, el 30,68 % de los turnos de habla es de quien no puede ocupar escaño, sobre todo la Secretaría, que lee; en Uruguay, el 0,81 %. Por eso la comparación entre países parte de la tabla por cámara, no de la cifra agrupada.
| País | Cámara | Turnos de habla | Vinculación bruta | Vinculación efectiva | Quien no puede ocupar escaño |
|---|---|---|---|---|---|
| Portugal | Assembleia da República | 1.554.381 | 85,54 % | 98,32 % | 4,14 % |
| España | Congreso de los Diputados | 558.940 | 96,85 % | 99,41 % | 2,57 % |
| Ecuador | Cámara Nacional de Representantes / Congreso Nacional / Asambleas Constituyentes / Asamblea Nacional | 1.280.822 | 68,76 % | 94,78 % | 27,46 % |
| Argentina | Cámara de Diputados de la Nación | 256.636 | 90,78 % | 97,16 % | 6,56 % |
| Uruguay | Cámara de Representantes | 421.284 | 96,41 % | 97,68 % | 0,81 % |
| México | Cámara de Diputados | 630.937 | 96,18 % | 98,21 % | 2,07 % |
| Paraguay | Cámara de Diputados | 360.201 | 76,59 % | 93,91 % | 18,44 % |
| Chile | Cámara de Diputadas y Diputados | 556.679 | 95,07 % | 99,57 % | 3,37 % |
| Costa Rica | Asamblea Legislativa | 375.730 | 95,66 % | 99,79 % | 4,14 % |
| Perú | Congreso de la República | 849.499 | 88,74 % | 99,02 % | 9,86 % |
| Panamá | Asamblea Nacional (Legislativa hasta 2004) | 508.324 | 67,93 % | 98,00 % | 30,68 % |
| Colombia | Cámara de Representantes | 463.201 | 69,36 % | 96,79 % | 28,35 % |
| Guatemala | Congreso de la República | 251.720 | 96,38 % | 99,80 % | 3,43 % |
| República Dominicana | Cámara de Diputados | 101.381 | 98,50 % | 98,88 % | 0,38 % |
| Brasil | Câmara dos Deputados | 1.649.698 | 98,04 % | 99,10 % | 1,07 % |
| El Salvador | Asamblea Legislativa | 48.654 | 98,38 % | 99,94 % | 1,56 % |
Pruébelo. Busque su cámara: las dos tasas, y lo que descuenta cada una. Descargar los datos de la figura
El sexo es una variable derivada
Ningún Diario declara el sexo de quien habla. La columna sex se deriva en el padrón: de un registro oficial donde existe; si no, del nombre de pila o del tratamiento. Cada valor lleva su procedencia en sex_source.
Su exactitud es del 98,98 %, medida contra la revisión humana exhaustiva de once padrones completos, 38.372 filas. En hombres, el 99,54 %; en mujeres, el 97,43 %. El error es 5,6 veces más probable en mujeres. La cifra caracteriza el procedimiento, no cada corpus.
Los otros cinco —Argentina, Brasil, Chile, Ecuador y Perú— no están auditados, y en las figuras se dibujan distinto. No son iguales entre sí. Brasil, Chile y Perú toman el sexo de un registro oficial; en Ecuador, todo valor se infiere del nombre o del tratamiento. Quien necesite precisión restringe sex_source a manual, official_registry y given_name; eso deja fuera a Ecuador entero.
La auditoría de género
Los defectos de extracción no son neutrales. Cuando un patrón falla, quien desaparece es, con más frecuencia, una mujer.
En Costa Rica, el patrón reconocía «PRESIDENTE» y no «PRESIDENTA». El verificador había heredado el mismo léxico e informaba cero residuos. Los totales cuadraban. Los turnos de las mujeres que presidían quedaban dentro del turno anterior.
En Brasil se pudo medir al corregir el patrón, antes de volver a procesar el corpus. Las mujeres eran el 8,7 % de los turnos y el 47,8 % de los turnos recuperados.
El patrón se escribe primero en masculino. Las formas femeninas son más variadas y se rompen más con el salto de línea. El genérico «Presidente» esconde a quien preside. De ahí la regla: «PRESIDENTA» no puede ser un hombre; «PRESIDENTE» no dice nada.
No todo fue en la misma dirección, y se dice: en Argentina, una corrección movió filas de mujeres a hombres. La afirmación que queda no depende de la dirección: cada corrección acercó el corpus al Diario.
Pruébelo. Descargue los datos de la figura de apertura: palabras, turnos y oradoras, por cámara y década. Descargar los datos de la figura
El reconocimiento óptico: lo que falló
Ecuador entero es papel escaneado. También los años más antiguos de Uruguay, Panamá y Paraguay, y siete sesiones dominicanas.
Parte de esas páginas las leyó un modelo de visión, que a veces escribió texto propio dentro del Diario: su instrucción, comentarios y, lo peor, líneas en español traducidas al inglés.
Se retiraron 1.949 fragmentos en Uruguay, Ecuador, Panamá y República Dominicana. La clase está acotada, no cerrada: el modelo improvisa una redacción distinta cada vez, y lo que tradujo no se repara borrando.
Donde el escaneado cortó el margen, no se reconstruyó nada. Lo que no está en el píxel no se inventa.
Pruébelo. Lea las limitaciones declaradas de Ecuador, el único corpus escaneado de principio a fin. Ver la ficha de Ecuador
Validación y revisión humana
Aquí hay dos cosas distintas, y cada una lleva su rótulo entero.
Fuga del filtro PASS/FLAG: 0,5 % [0,09 %–2,78 %].
La muestra: 300 filas al azar en cada uno de quince países. Un filtro determinista separa las filas trivialmente correctas —PASS— del resto —FLAG—, que pasa a revisión humana. La fuga es lo que el filtro aprueba y no debía: 1 de 200 filas aprobadas y releídas a mano.
Se ejecutó el 31 de julio de 2026, antes de volver a procesar el corpus del que sale la edición publicada, y sin Ecuador. No es la tasa de error del archivo que usted descarga. No sostiene la frase «los dieciséis validados».
Lo segundo: leímos los dieciséis archivos fila a fila, antes y después de volver a procesarlos. Esa lectura encontró lo que ningún control había visto: cabeceras y folios incrustados en mitad de las frases, marcadores de orador partidos una palabra por línea.
«Revisado» no significa «sin defectos conocidos». Los conocidos están medidos y declarados, país por país.
Pruébelo. Abra las limitaciones conocidas de su cámara. Ver los países
Lo que el corpus no afirma, y cómo comparar
Esta edición entrega la evidencia material: lo dicho, estructurado, atribuido y medido. No trae tema, tono, posición ideológica ni voto.
No afirma que un dm_speech = 1 sea habla verificada, ni que quien preside esté identificado en cada fila, ni que las décadas escaneadas estén libres de errores.
La columna legislature no es comparable entre países: es lo que imprime cada Diario, sea un período constitucional, un año o un semestre. Las claves comparables son id_session y la fecha.
Cómo comparar: tasas dentro de un país, contra sí mismo, en el tiempo. Nunca volúmenes entre países. Y el denominador, a la vista.
La cobertura es un censo de lo que cada cámara publicó, con los huecos nombrados: 527 de 800 celdas de cámara y año entre 1976 y 2025. De 21 países faltan cinco, y no al azar.
Venezuela, Cuba y Nicaragua no publican las actas de sus debates. Bolivia las publica sin digitalizar. Honduras publica resúmenes de lo discutido, no las intervenciones.
Pruébelo. Lea el diccionario de datos: dice, columna por columna, qué es comparable y qué no. Leer el diccionario
Ediciones, identificadores y reproducibilidad
Quien construye sobre datos ajenos necesita saber qué se mueve y qué no. Cada país tiene su DOI en Harvard Dataverse. Una edición publicada no cambia: lo nuevo sale con otro número.
Quince de los dieciséis conjuntos van por la edición v2.0; Perú (v1.0).
Los identificadores id_session e id_int son estables dentro de una edición, no entre ediciones. Se derivan de la posición, y añadir una sesión desplaza los que vienen después. Cite la edición.
Para citar un pasaje, dé la fecha y el número de sesión, y cotéjelo con el Diario oficial. Edición derivada para investigación: ante cualquier discrepancia, vale el Diario de su cámara.
La reproducibilidad tiene una frontera, y está medida. Desde el texto etiquetado en adelante —vinculación, fusión, esquema y documentación— todo es determinista. Se comprobó ejecutando dos veces las dieciséis cadenas y comparando los archivos.
Lo anterior —reconocimiento óptico, extracción, limpieza, etiquetado— queda fuera de esa garantía. Las páginas reconocidas y las decisiones humanas de vinculación se guardan congeladas, como entrada. Quien cite la reproducibilidad de este corpus debe decir desde dónde.
El método completo, con su código, está publicado para reproducirlo o ampliarlo. Ver las herramientas
Pruébelo. Elija su país y copie su cita, con su edición y su DOI. Ver los países
La documentación completa
Esta página resume. Lo completo:
- Con cada país, en inglés, español y portugués: el LÉAME, el diccionario de datos, las limitaciones conocidas y el informe del proceso. Ver los países
Pruébelo. Empiece por el diccionario de datos, aquí mismo, y siga con el archivo de El Salvador. Leer el diccionario · Descargar los datos