Evidence Map 0.1
Mapa de Evidencia y Trazabilidad de la Investigación
Arquitectura de Investigación Común — Punto ②
Versión: 0.1
Estado: Documento de arquitectura metodológica
Ámbito: AVM™ + PCI™
Función: establecer una capa común de evidencia, procedencia, trazabilidad y separación epistemológica.
1. Propósito
El Evidence Map 0.1 establece la arquitectura que permite conectar de forma trazable:
Material bruto → Evidencia → Observación → Anotación → Interpretación → Hipótesis → Métrica/Modelo → Validación → Conclusión
Su finalidad principal es impedir uno de los riesgos metodológicos más importantes detectados durante el desarrollo de AVM™ y PCI™:
que una interpretación del investigador termine siendo tratada como si fuera una evidencia producida por el sistema de IA.
El Evidence Map no pretende demostrar por sí mismo AVM™ ni PCI™.
Su función es anterior y más fundamental:
determinar qué sabemos, de dónde procede, qué hemos observado directamente, qué hemos inferido y qué todavía debe demostrarse.
Este documento constituye una arquitectura de trazabilidad de la evidencia, no un documento de resultados.
2. Principio epistemológico fundamental
La arquitectura común adopta la siguiente regla:
Ninguna afirmación puede tener un nivel de certeza o estatus evidencial superior al de la evidencia que la sustenta.
De esta regla se deriva una jerarquía:
| Nivel | Pregunta | Estatus |
| L0 | ¿Qué produjo realmente el sistema? | Evidencia real |
| L1 | ¿Qué puede observarse directamente? | Observación |
| L2 | ¿Cómo se ha clasificado esa observación? | Anotación |
| L3 | ¿Qué podría significar? | Interpretación |
| L4 | ¿Qué proposición puede derivarse para ser comprobada? | Hipótesis |
| L5 | ¿Cómo podría medirse? | Métrica candidata |
| L6 | ¿La proposición resiste una prueba? | Resultado validado/no validado |
| L7 | ¿Qué conclusión puede sostenerse? | Conclusión |
La existencia de un nivel superior no transforma automáticamente los niveles inferiores en hechos demostrados.
3. Las tres clases fundamentales de material
Todo el trabajo de AVM™ + PCI™ debe poder clasificarse, como mínimo, en tres grandes categorías:
3.1 REAL — Evidencia empírica
Material obtenido directamente mediante una observación experimental real.
Incluye, entre otros:
prompts realmente ejecutados;
respuestas reales de modelos;
modelo utilizado;
fecha y hora de captura;
contexto experimental;
fuentes citadas por el modelo;
menciones observadas;
recomendaciones observadas;
orden de aparición;
omisiones;
cambios entre respuestas;
resultados de experimentos realmente ejecutados.
Este material constituye la base empírica.
3.2 HIPÓTESIS — Proposición pendiente de demostración
Una hipótesis es una proposición generada a partir de observaciones pero que todavía no posee evidencia suficiente para ser considerada un hallazgo validado.
Ejemplos dentro de AVM™ + PCI™:
determinados estados iniciales de reconocimiento podrían preceder a estados de recomendación;
ciertos patrones de fuentes podrían relacionarse con la visibilidad;
algunos cambios temporales podrían contener información sobre cambios posteriores;
determinadas variables podrían funcionar como indicadores adelantados;
determinados patrones de respuesta podrían presentar capacidad predictiva.
Todas estas proposiciones pueden ser importantes.
Pero mientras no sean sometidas a pruebas apropiadas deben permanecer etiquetadas como:
HIPÓTESIS
3.3 SINTÉTICO — Material construido
Material producido artificialmente por los investigadores para explicar, ilustrar, probar o diseñar una metodología.
Puede incluir:
respuestas hipotéticas;
datasets simulados;
ejemplos inventados;
puntuaciones ilustrativas;
trayectorias ficticias;
ejemplos de anotación;
escenarios hipotéticos;
resultados simulados.
El material sintético es metodológicamente útil.
Pero existe una regla absoluta:
El material sintético nunca puede presentarse como evidencia empírica.
4. La cadena de procedencia
La unidad fundamental del Evidence Map es la cadena de procedencia.
MATERIAL ORIGINAL
↓
CAPTURA
↓
EVIDENCIA
↓
OBSERVACIÓN
↓
ANOTACIÓN
↓
INTERPRETACIÓN
↓
HIPÓTESIS
↓
MÉTRICA / MODELO
↓
VALIDACIÓN
↓
CONCLUSIÓN
Cada transición debe poder justificarse.
Esto permite realizar el proceso en ambos sentidos.
Desde una conclusión hacia atrás
Conclusión
↓
Validación
↓
Métrica/modelo
↓
Hipótesis
↓
Interpretación
↓
Anotación
↓
Observación
↓
Evidencia
↓
Respuesta original
Desde una respuesta hacia delante
Respuesta original
↓
Evidencia observable
↓
Variable
↓
Anotación
↓
Patrón
↓
Hipótesis
↓
Prueba
↓
Resultado
Esta bidireccionalidad es esencial para la reproducibilidad.
5. Qué es exactamente una evidencia
El proyecto debe distinguir cuidadosamente:
Respuesta
El objeto completo producido por el modelo.
Evidencia
El fragmento o propiedad observable de esa respuesta que resulta relevante para una pregunta de investigación.
Observación
La descripción estructurada de aquello que se ha observado.
Anotación
La clasificación realizada por el investigador siguiendo una regla previamente definida.
Por ejemplo:
Respuesta: contiene una determinada identificación de AVM™.
↓
Evidencia: fragmento concreto donde aparece esa identificación.
↓
Observación: el modelo identifica AVM™ como determinado concepto.
↓
Anotación: Recognition = YES.
La anotación no debe confundirse con lo que el modelo produjo.
6. Aplicación a AVM™
El trabajo previo de AVM™ proporciona ya una base empírica relevante.
La arquitectura experimental común utilizó un conjunto de prompts P01–P20 y diferentes modelos para observar cómo respondían ante las mismas preguntas.
El corpus verificado inicial estaba compuesto por:
Gemini: P01–P20;
Claude: P01–P20;
Perplexity: P01–P11.
Esto produjo un corpus inicial verificado de:
51 respuestas reales.
Posteriormente se incorporaron respuestas de ChatGPT con el objetivo de ampliar el corpus hacia el conjunto completo de 71 observaciones.
El Evidence Map debe mantener esta distinción histórica:
51 = corpus original verificado.
71 = corpus ampliado previsto/recopilado, cuya condición de dataset maestro debe establecerse mediante su incorporación y verificación formal.
Esto evita convertir retrospectivamente un corpus ampliado en una única unidad histórica indiferenciada.
7. Arquitectura de evidencia de AVM™
El flujo empírico de AVM™ puede representarse como:
PROMPT P01–P20
↓
MODELO
↓
RESPUESTA REAL
↓
EVIDENCIA
↓
VARIABLE OBSERVABLE
↓
ANOTACIÓN
↓
COMPARACIÓN
↓
MÉTRICA
Entre las dimensiones observadas durante el desarrollo se encuentran:
reconocimiento;
identificación;
categoría;
atribución;
mención;
recomendación;
prioridad de recomendación;
contexto;
fuentes;
consistencia;
comportamiento entre modelos.
La regla metodológica es importante:
La métrica no debe preceder a la definición de aquello que se pretende observar.
Por eso el desarrollo seguido hasta ahora:
OVF 0.2 → Metrics Architecture Review 0.1 → AVM™ Metrics
es coherente con el Evidence Map.
8. Evidencias y distinciones empíricas surgidas en AVM™
El trabajo experimental ha permitido detectar varias distinciones importantes.
Estas distinciones tienen su origen en observaciones reales, pero deben mantenerse diferenciadas de una afirmación universal sobre el funcionamiento de todos los sistemas de IA.
8.1 Reconocimiento ≠ Identificación
Un sistema puede reconocer una expresión sin identificar correctamente la entidad o concepto pretendido.
8.2 Identificación ≠ Comprensión
Identificar correctamente una entidad no demuestra necesariamente que el sistema comprenda correctamente su significado o contexto.
8.3 Reconocimiento ≠ Atribución
Un sistema puede reconocer una entidad sin atribuirla correctamente a su organización, fuente o categoría.
8.4 Mención ≠ Recomendación
Que una entidad aparezca mencionada no implica que el sistema la esté recomendando.
8.5 Recomendación ≠ Recomendación prioritaria
Que una entidad sea recomendada junto a otras no significa que tenga prioridad.
8.6 Visibilidad ≠ propiedad absoluta de una entidad
La visibilidad observada puede depender del:
prompt;
propósito de la consulta;
modelo;
contexto;
momento;
conjunto de fuentes;
formulación concreta de la pregunta.
Estas observaciones constituyen una base importante para AVM™.
Pero el Evidence Map obliga a mantener la formulación correcta:
son distinciones empíricamente observadas y metodológicamente relevantes; no deben convertirse automáticamente en leyes universales sin validación adicional.
9. El papel de la Annotation Matrix
El AVM™ Experimental Annotation Matrix 0.1 representa una pieza especialmente importante del Evidence Map.
Su aportación fundamental es separar:
Respuesta ≠ Evidencia ≠ Decisión del investigador
El primer test se concentró en:
P01 × Recognition × Category
con variables iniciales como:
CORE-A — Recognition (R01);
CORE-B — Category (C01).
Durante el análisis apareció además una necesidad metodológica importante: registrar el orden de identificación.
De ahí surge:
EVIDENCE_ORDER
Este elemento es especialmente significativo para el Evidence Map porque demuestra un principio:
Las nuevas variables deben surgir de problemas observables encontrados en la evidencia, no únicamente de una estructura teórica diseñada de antemano.
10. El caso P01 como ejemplo metodológico
El análisis de P01 mostró que distintos modelos podían comportarse de forma diferente ante la misma consulta.
Por ejemplo:
un modelo presentó múltiples significados posibles;
otro identificó explícitamente AI Visibility Model (AVM™);
otro mostró inicialmente una atribución distinta y posteriormente incorporó AI Visibility Model.
Lo importante metodológicamente no es únicamente el resultado.
Lo importante es que el Evidence Map permite separar:
RESPUESTA REAL
↓
ORDEN DE APARICIÓN
↓
EVIDENCIA
↓
ANOTACIÓN
↓
INTERPRETACIÓN
De esta manera, una interpretación como:
«el modelo tiene un conocimiento más fuerte de AVM™»
no puede sustituir a la evidencia observable:
«AVM™ aparece como primera identificación / identificación posterior / identificación incidental / no identificada».
11. Aplicación a PCI™
PCI™ introduce una dimensión adicional:
el tiempo.
Mientras AVM™ se concentra principalmente en describir y medir estados de visibilidad observables, PCI™ introduce preguntas relacionadas con:
cambio;
evolución;
trayectoria;
persistencia;
aparición de señales;
posible capacidad predictiva.
Por tanto:
AVM™
¿Qué estado observable existe?
PCI™
¿Cómo cambia ese estado?
¿Y puede ese cambio contener información sobre estados posteriores?
La segunda pregunta es mucho más exigente metodológicamente.
12. El principio T0
Dentro de PCI™, el concepto de T0 adquiere especial importancia.
T0 representa el estado inicial capturado antes de analizar el cambio.
Por tanto:
T0 es evidencia.
Mientras que:
«la visibilidad aumentó» es una interpretación derivada de la comparación.
La estructura correcta es:
T0
↓
Estado observado
T1
↓
Estado observado
T0 → T1
↓
Cambio observado
Cambio observado
↓
Interpretación
Por tanto, no debe confundirse:
cambio observado
con:
causa del cambio
ni con:
capacidad predictiva del cambio.
13. Evidencia temporal en PCI™
La arquitectura de PCI™ permite establecer:
T0
↓
Captura
↓
Observaciones
↓
T1
↓
Captura
↓
Observaciones
↓
Comparación
↓
Cambio
↓
Trayectoria
↓
Hipótesis
El concepto de trayectoria pertenece, por tanto, a un nivel derivado.
No está directamente «dentro» de una respuesta.
Una trayectoria requiere:
múltiples observaciones temporalmente relacionadas.
14. Predictividad: límite metodológico actual
Uno de los puntos más importantes del Evidence Map es evitar una confusión:
Datos temporales ≠ capacidad predictiva.
Que PCI™ registre:
T0;
T1;
T2;
T3;
no demuestra que pueda predecir T4.
Para establecer capacidad predictiva sería necesario demostrar algo como:
Observaciones anteriores
↓
Señal / patrón
↓
Predicción
↓
Estado futuro real
↓
Comparación
↓
Evaluación predictiva
Por tanto, en el estado actual:
La capacidad predictiva de PCI™ debe considerarse una hipótesis de investigación, no un resultado demostrado.
15. Taxonomía de estatus de evidencia
Para evitar ambigüedades, el Evidence Map propone una codificación común.
| Código | Estado | Definición |
| E0 | Material empírico bruto | Respuesta/captura original |
| E1 | Evidencia extraída | Fragmento o propiedad observable |
| E2 | Observación anotada | Evidencia clasificada mediante una regla |
| E3 | Observación derivada | Resultado obtenido comparando observaciones |
| I1 | Interpretación | Explicación provisional de una observación |
| H1 | Hipótesis | Proposición susceptible de prueba |
| M1 | Métrica candidata | Operacionalización propuesta |
| V1 | Resultado validado | Proposición que ha superado una prueba definida |
| C1 | Conclusión | Afirmación sustentada por evidencia validada |
| S0 | Sintético | Material construido artificialmente |
Esta taxonomía deberá utilizarse en las futuras matrices maestras.
16. Regla de promoción de evidencia
Un elemento no cambia de categoría simplemente porque sea repetido.
Por ejemplo:
HIPÓTESIS
↓
más explicaciones
↓
más confianza subjetiva
no equivale a:
HIPÓTESIS
↓
experimento
↓
datos reales
↓
validación
↓
RESULTADO VALIDADO
Del mismo modo:
una métrica calculable no es necesariamente una métrica válida.
Y:
una correlación observada no demuestra causalidad.
17. Matriz maestra de Evidence Map
El proyecto debería evolucionar hacia una matriz maestra con una estructura como la siguiente:
| ID | Proyecto | Experimento | Modelo | Prompt | Evidencia | Variable | Anotación | Estatus | Interpretación | Hipótesis | Procedencia |
| EM-001 | AVM | Cross-Model | Gemini | P01 | Respuesta real | Recognition | Registrado | E2 | — | — | Corpus |
| EM-002 | AVM | Cross-Model | Claude | P01 | Respuesta real | Recognition | Registrado | E2 | — | — | Corpus |
| EM-003 | AVM | Cross-Model | Perplexity | P01 | Respuesta real | Recognition | Registrado | E2 | — | — | Corpus |
| EM-004 | PCI | Calibration | M01 | P01 | Respuesta real | Vxxx | Registrado | E2 | — | — | Corpus PCI |
| EM-005 | AVM/PCI | Análisis | Múltiple | Múltiple | Patrón comparado | Derivada | — | E3 | Interpretación | H1 | Observaciones enlazadas |
| EM-006 | AVM/PCI | Futuro | Múltiple | Múltiple | — | — | — | H1 | — | Proposición predictiva | Por probar |
Nota metodológica: estos identificadores y filas constituyen una estructura de ejemplo, no nuevas observaciones empíricas. No deben incorporarse al corpus real como datos experimentales.
18. Regla de trazabilidad de las afirmaciones
Toda afirmación importante del proyecto debería poder responder a cuatro preguntas:
1. ¿Qué estamos afirmando?
2. ¿Qué evidencia lo sustenta?
3. ¿Dónde está la evidencia original?
4. ¿Qué parte corresponde a interpretación o hipótesis?
Por tanto:
AFIRMACIÓN
↓
EVIDENCIA
↓
OBSERVACIÓN
↓
FUENTE ORIGINAL
Si la cadena no puede reconstruirse, la afirmación debe recibir un nivel de confianza metodológica inferior.
19. Ejemplo de transformación correcta
Supongamos una respuesta real en la que una marca aparece mencionada.
Nivel 1 — Evidencia
La marca aparece en el texto de la respuesta.
Nivel 2 — Observación
La marca está presente en la respuesta.
Nivel 3 — Anotación
MENTION = YES.
Nivel 4 — Interpretación
La marca presenta visibilidad textual en este contexto.
Nivel 5 — Hipótesis
Una mayor frecuencia de aparición podría relacionarse con mayor probabilidad de recomendación.
Nivel 6 — Métrica candidata
Diseñar una medida reproducible de frecuencia de aparición.
Nivel 7 — Validación
Comprobar si esa medida se relaciona de manera reproducible con recomendación futura o independiente.
Nivel 8 — Conclusión
Solo después de las pruebas correspondientes podría establecerse una conclusión suficientemente sólida.
20. Transformaciones que el Evidence Map prohíbe
20.1 Mención → importancia
«La marca aparece.»
no implica:
«La IA considera que la marca es importante.»
20.2 Recomendación → superioridad objetiva
«La IA recomienda X.»
no implica:
«X es objetivamente la mejor opción.»
20.3 Cambio → causalidad
«X aumentó entre T0 y T1.»
no implica:
«La intervención Y provocó el aumento.»
20.4 Patrón → predicción
«Observamos el patrón X varias veces.»
no implica:
«X predice el comportamiento futuro.»
20.5 Métrica → validez
«Podemos calcular X.»
no implica:
«X mide correctamente el constructo que pretendemos medir.»
21. Evidencia y falsación
El Evidence Map no debe funcionar únicamente como repositorio de confirmaciones.
Debe facilitar también la falsación.
Toda hipótesis relevante debería incorporar:
proposición;
evidencia que la originó;
condiciones en las que debería cumplirse;
condiciones que podrían refutarla;
prueba;
resultado;
estado final.
La estructura será:
OBSERVACIÓN
↓
HIPÓTESIS
↓
CONDICIÓN DE FALSACIÓN
↓
EXPERIMENTO
↓
RESULTADO
↓
ESTATUS
Esto será particularmente importante para PCI™.
22. Relación entre AVM™ y PCI™
El Evidence Map permite formalizar la relación entre ambos proyectos.
AVM™
Pregunta fundamental:
¿Cuál es el estado observable de visibilidad de una entidad en sistemas de IA bajo unas condiciones determinadas?
PCI™
Pregunta fundamental:
¿Cómo evoluciona ese estado observable a lo largo del tiempo y si determinados cambios contienen señales reproducibles sobre estados posteriores?
Por tanto:
RESPUESTA IA
│
▼
ESTADO OBSERVABLE
/ \
AVM™ PCI™
│ │
ESTADO CAMBIO
│ │
│
▼
EVIDENCIA COMÚN
AVM™ y PCI™ comparten una base empírica.
Pero no responden exactamente a la misma pregunta.
23. El Evidence Map como capa transversal
El Evidence Map no debe convertirse en otro documento aislado.
Debe funcionar como una capa transversal de control metodológico.
Su función será conectar:
① Research Architecture Review
↓
② Evidence Map
↓
AVM™ OVF 0.2
↓
AVM™ Metrics Architecture
↓
AVM™ Annotation Matrix
↓
PCI™ Annotation Matrix
↓
Calibration Reports
↓
Experimentos
↓
Validación
↓
Estándar
Cada nuevo documento importante debería poder responder:
¿Qué evidencia del Evidence Map sustenta este documento?
Y, en sentido contrario:
¿Qué nuevas evidencias añade este documento al Evidence Map?
24. Requisito mínimo de procedencia
Siempre que sea posible, cada observación empírica deberá conservar:
ID del experimento;
ID del modelo;
ID del prompt;
fecha y hora;
respuesta original;
fragmento de evidencia;
variable;
valor anotado;
versión de la regla de anotación;
nivel de confianza;
anomalías;
adjudicación;
información de fuentes;
estatus de evidencia.
Cuando un dato no exista:
debe registrarse como ausente, no reconstruirse.
Este principio es fundamental.
25. Reglas de integridad de la evidencia
E-01 — Conservar el original
La respuesta original nunca debe ser sustituida por una versión interpretada.
E-02 — Separar extracción e interpretación
El fragmento observado debe distinguirse del comentario del investigador.
E-03 — No reconstruir evidencia
La información ausente no debe completarse mediante memoria, intuición o conocimiento externo.
E-04 — Conservar anomalías
Una anomalía no debe eliminarse simplemente porque contradiga la expectativa.
E-05 — Registrar incertidumbre
Cuando una evidencia sea ambigua, debe conservarse como ambigua hasta que exista una regla de adjudicación.
E-06 — Versionar las reglas
Las modificaciones de criterios de anotación deben quedar registradas.
E-07 — Etiquetar siempre lo sintético
Los ejemplos artificiales deben conservar una identificación inequívoca como sintéticos.
E-08 — Prohibir la promoción silenciosa
Ningún elemento puede cambiar de estatus sin una razón metodológica documentada.
26. Estado actual de la base de evidencia
En Evidence Map 0.1 podemos distinguir cuatro grandes grupos.
A. Material empírico real
respuestas del experimento cross-model de AVM™;
Gemini P01–P20;
Claude P01–P20;
Perplexity P01–P11;
respuestas posteriores de ChatGPT;
corpus experimental de PCI™;
experimentos E01–E06;
prompts P01–P10 de PCI™;
modelos M01–M04;
variables y anotaciones reales.
B. Arquitectura metodológica
OVF 0.2;
Metrics Architecture Review 0.1;
AVM™ Experimental Annotation Matrix 0.1;
PCI™ Experimental Annotation Matrix 0.1;
metodología de calibración;
metodología de reproducibilidad;
metodología de falsación;
T0 Capture.
C. Interpretaciones derivadas
Entre otras:
reconocimiento e identificación son fenómenos diferenciables;
identificación y comprensión pueden diferenciarse;
reconocimiento y atribución pueden diferenciarse;
mención y recomendación pueden diferenciarse;
recomendación y prioridad pueden diferenciarse;
la visibilidad depende del contexto;
la dimensión temporal puede ser relevante para el estudio de visibilidad.
D. Hipótesis abiertas
Entre otras:
determinados estados tempranos podrían anticipar estados posteriores;
algunas variables podrían funcionar como leading indicators;
determinadas trayectorias podrían contener información predictiva;
PCI™ podría alcanzar capacidad predictiva reproducible;
determinadas métricas podrían demostrar estabilidad entre modelos y contextos.
Estas últimas no deben presentarse todavía como resultados demostrados.
27. Lo que todavía NO está demostrado
Evidence Map 0.1 debe conservar explícitamente estas limitaciones.
Actualmente el proyecto no demuestra todavía:
que AVM™ sea un estándar universalmente validado;
que cualquier métrica propuesta sea universalmente válida;
que el comportamiento de un modelo represente al conjunto de sistemas de IA;
que reconocimiento conduzca necesariamente a recomendación;
que reconocimiento permita predecir recomendación;
que el comportamiento de las fuentes sea causal respecto de la visibilidad;
que un cambio temporal implique causalidad;
que PCI™ tenga actualmente validez predictiva;
que una variable concreta sea un indicador adelantado validado;
que los ejemplos sintéticos constituyan evidencia;
que una correlación observada equivalga a causalidad.
La inclusión explícita de estas negativas es deliberada.
Forma parte de la arquitectura científica del proyecto.
28. Registro de decisiones metodológicas
| Decisión | Estado | Justificación |
| Separar evidencia de anotación | Adoptada | Evita confundir la respuesta con la decisión del investigador |
| Separar real/hipótesis/sintético | Adoptada | Requisito de integridad metodológica |
| Conservar respuestas originales | Adoptada | Necesario para reproducibilidad |
| Definir observables antes que métricas | Adoptada | Coherente con OVF → Metrics |
| Conservar anomalías | Adoptada | Pueden revelar problemas de definición |
| Versionar las reglas de anotación | Adoptada | Permite reproducibilidad |
| Exigir reproducibilidad antes de escalar una métrica | Adoptada | Evita operacionalización prematura |
| Considerar PCI™ predictivo como hipótesis | Adoptada | Temporalidad no equivale a predicción |
| Mantener AVM™ y PCI™ relacionados pero diferenciados | Adoptada | AVM = estado; PCI = evolución/potencial predictivo |
| Mantener material sintético fuera del corpus empírico | Adoptada | Evita contaminación metodológica |
| Exigir trazabilidad de las conclusiones | Adoptada | Permite auditoría |
29. Regla central del Evidence Map
Toda afirmación importante del proyecto deberá poder clasificarse como una de las siguientes:
OBSERVADA
ANOTADA
DERIVADA
INTERPRETADA
HIPOTÉTICA
MODELIZADA
VALIDADA
SINTÉTICA
Nunca debería existir una afirmación metodológicamente importante cuyo estatus sea desconocido.
30. Posición del Evidence Map dentro de la arquitectura común
El proyecto puede representarse ahora mediante:
① RESEARCH ARCHITECTURE REVIEW 0.1
│
▼
② EVIDENCE MAP 0.1
│
▼
③ OBSERVATION & ANNOTATION ARCHITECTURE
│
▼
④ REPRODUCIBILITY & CALIBRATION
│
▼
⑤ METRICS / TEMPORAL MODELS
│
▼
⑥ VALIDATION & FALSIFICATION
│
▼
⑦ STANDARD / FRAMEWORK
El punto ② es, por tanto, una pieza crítica.
Antes de decidir qué medir, debemos saber qué evidencia tenemos.
Antes de construir una métrica, debemos saber qué observación representa.
Antes de formular una hipótesis, debemos saber qué observación la originó.
Antes de formular una conclusión, debemos saber qué validación la sostiene.
31. Principio maestro
El Evidence Map 0.1 establece como principio rector de AVM™ + PCI™:
RAW → EVIDENCIA → OBSERVACIÓN → ANOTACIÓN → INTERPRETACIÓN → HIPÓTESIS → MÉTRICA → VALIDACIÓN → CONCLUSIÓN
y mantiene el material:
SINTÉTICO
fuera de la cadena de evidencia empírica.
La consecuencia metodológica es fundamental:
El proyecto no debe empezar por demostrar que AVM™ o PCI™ funcionan. Debe empezar por demostrar que sabemos distinguir, conservar, clasificar, comparar y reproducir aquello que realmente observamos.
Ese es el papel del Evidence Map.
32. Conclusión de Evidence Map 0.1
El Evidence Map 0.1 queda establecido como la capa común de evidencia y trazabilidad de AVM™ + PCI™.
Su función no es añadir una nueva métrica ni anticipar los resultados finales.
Su función es establecer una disciplina:
qué procede directamente de los datos, qué procede de una decisión de anotación, qué es una interpretación, qué es una hipótesis, qué es una propuesta de medición y qué ha sido realmente validado.
Esto permite que AVM™ y PCI™ puedan seguir evolucionando sin perder la separación entre:
evidencia real,
conocimiento derivado,
hipótesis,
modelización,
y material sintético.
En términos de arquitectura, el paso ① respondió:
¿Cómo debe organizarse la investigación?
El paso ② responde ahora:
¿De qué evidencia dispone realmente la investigación y cómo podemos seguir su procedencia?
Y esa respuesta constituye la base necesaria para el siguiente nivel:
③ Observation & Annotation Architecture — definir exactamente cómo transformar evidencia en observaciones reproducibles.
