Operational Annotation & Variable Specification
Proyecto: PCI™ — Predictive Citation Intelligence
Dataset: PCI™ Pilot Dataset 0.1
Documento: Data Dictionary Operativo
Versión: 0.1
Estado: Pre-Collection / Annotation Freeze
Función: Especificación normativa de anotación
Relación: PCI™ Pilot Dataset 0.1 — Data Collection & Experimental Design Specification
Antecedente metodológico: AVM™ Experimental Annotation Matrix 0.1
1. Propósito
Este documento establece las reglas exactas mediante las cuales las respuestas obtenidas durante PCI™ Pilot Dataset 0.1 serán transformadas de:
respuesta de un sistema de IA
a:
dato experimental estructurado.
Su finalidad es garantizar que dos investigadores independientes puedan recibir la misma respuesta y, aplicando las mismas reglas, producir esencialmente la misma anotación.
Por tanto:
PCI™ no considerará reproducible una variable simplemente porque tenga una definición escrita. Debe tener una regla de decisión aplicable a evidencia real.
2. Principio de separación
Toda anotación deberá conservar tres niveles:
RESPUESTA ORIGINAL
│
▼
EVIDENCIA
│
▼
DECISIÓN DE ANOTACIÓN
Ejemplo
Respuesta:
«Profound is an AI search analytics platform…»
Evidencia
El texto identifica explícitamente a Profound como plataforma de AI search analytics.
Decisión
ENTITY_RECOGNIZED = 1
ENTITY_IDENTIFIED = 1
CATEGORY_CORRECT = 1
La frase original no se modifica para adaptarla a la variable.
3. Unidad mínima de anotación
La unidad mínima sigue siendo:
O=(E,P,M,T,R)
Una anotación pertenece siempre a una observación concreta.
Ejemplo:
PCI-T0-E03-P04-M01
No se permite inferir una anotación desde otra observación.
Por ejemplo:
Si ChatGPT reconoce Profound en P01, eso no permite automáticamente anotar reconocimiento = 1 en P04.
Cada respuesta se anota independientemente.
4. Roles de anotación
Definimos tres niveles.
A1 — Anotador primario
Realiza la primera anotación.
A2 — Anotador independiente
Revisa una muestra o el conjunto definido sin consultar la decisión de A1.
A3 — Adjudicador
Resuelve discrepancias siguiendo las reglas del Data Dictionary.
Regla
El adjudicador no puede modificar la definición de una variable durante la anotación.
Si la definición resulta insuficiente:
se registra una incidencia metodológica.
No se cambia la regla retrospectivamente para resolver el caso.
5. Tratamiento de la ambigüedad
Toda variable tendrá tres estados conceptualmente distintos:
YES / 1
Existe evidencia suficiente.
NO / 0
Existe evidencia suficiente de ausencia o incumplimiento.
NA
La evidencia disponible no permite decidir de manera válida.
Esto es muy importante:
NA no significa NO.
6. Regla general de evidencia
Una anotación deberá basarse en:
texto de la respuesta;
estructura de la respuesta;
citas mostradas por el sistema;
fuentes/URLs mostradas por el sistema;
posición explícita de una recomendación.
No se permite utilizar:
conocimiento externo del investigador;
búsquedas adicionales;
intuición;
conocimiento de la marca;
resultados de otras ondas;
resultados de otros modelos,
para modificar la anotación de una respuesta.
7. Data Dictionary operativo
A continuación definimos cada variable con el formato:
Definición → Unidad → Valores → Regla → Positivo → Negativo → Evidencia → Anotador → Ambigüedad → Discovery → Prediction → Future Target
V001 — ENTITY_RECOGNIZED
Definición
Determina si el sistema reconoce la entidad objetivo como una entidad identificable en la respuesta.
Unidad
Binaria.
Valores permitidos
1 = Sí
0 = No
NA = No determinable
Regla de anotación
Asignar 1 cuando la respuesta demuestra que el sistema identifica la entidad objetivo como objeto reconocible.
No es necesario que la descripción sea correcta.
Ejemplo positivo
Pregunta:
¿Qué es Profound?
Respuesta:
«Profound es una plataforma de análisis de búsqueda mediante IA.»
→ ENTITY_RECOGNIZED = 1
Ejemplo negativo
Respuesta:
«Profound puede referirse a una palabra inglesa relacionada con algo profundo.»
Si el sistema no identifica la entidad empresarial objetivo:
→ ENTITY_RECOGNIZED = 0
Evidencia requerida
Fragmento textual que permita establecer qué entidad está reconociendo el sistema.
Quién puede anotarla
A1 / A2.
Ambigüedad
Si existen varias interpretaciones y no puede determinarse cuál corresponde a la entidad objetivo:
→ NA
Discovery
Sí.
Prediction
Sí, como variable potencial.
Future Target
No.
V002 — ENTITY_IDENTIFIED
Definición
Determina si el sistema identifica correctamente la naturaleza o identidad de la entidad objetivo.
Unidad
Binaria.
Valores
1 = Correcta
0 = Incorrecta
NA = No determinable
Regla
La identificación debe compararse con la referencia oficial de la entidad establecida antes del experimento.
Positivo
«Ahrefs is an SEO and digital marketing platform.»
Si esa definición corresponde correctamente a la entidad:
→ 1
Negativo
«Ahrefs is a social media analytics company.»
→ 0
Evidencia
Fragmento donde se identifica la entidad.
Anotador
A1 / A2.
Ambigüedad
Si la respuesta es demasiado genérica:
→ NA
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V003 — CATEGORY_CORRECT
Definición
Determina si la categoría asignada a la entidad es correcta.
Unidad
Binaria.
Valores
1 / 0 / NA
Regla
La categoría debe compararse con una clasificación de referencia previamente congelada.
No puede redefinirse según lo que diga el modelo.
Positivo
«Peec AI is an AI visibility platform.»
Si la categoría de referencia incluye AI Visibility Platform:
→ 1
Negativo
«Peec AI is primarily an email marketing platform.»
→ 0
Evidencia
Declaración categórica del modelo.
Anotador
A1 / A2.
Ambigüedad
Categoría demasiado amplia o incompatible con las categorías de referencia:
→ NA
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V004 — ENTITY_MENTIONED
Definición
Determina si el nombre de la entidad objetivo aparece explícitamente en la respuesta.
Unidad
Binaria.
Valores
1 / 0
Regla
La entidad debe aparecer identificablemente.
No se infiere una mención a partir de una referencia indirecta.
Positivo
«…Semrush, Ahrefs y Profound…»
Si la entidad objetivo es Profound:
→ 1
Negativo
La respuesta no contiene la entidad.
→ 0
Evidencia
Nombre exacto o referencia inequívoca.
Anotador
A1 / A2.
Ambigüedad
Referencia pronominal o indirecta:
→ NA si no puede establecerse inequívocamente.
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V005 — ENTITY_RECOMMENDED
Definición
Determina si el sistema recomienda explícitamente la entidad para el contexto planteado.
Unidad
Binaria.
Valores
1 / 0 / NA
Regla
La mera mención no constituye recomendación.
Debe existir lenguaje o estructura que implique recomendación.
Positivo
«I would recommend Profound for monitoring AI visibility.»
→ 1
Negativo
«Profound is another platform in this market.»
→ 0
Evidencia
Verbo o estructura recomendatoria.
Ejemplos:
recommend;
choose;
best option;
I would use;
suitable choice.
Anotador
A1 / A2.
Ambigüedad
Si la respuesta presenta opciones pero no permite determinar si existe recomendación:
→ NA
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V006 — RECOMMENDATION_POSITION
Definición
Posición de la entidad dentro de una recomendación explícitamente ordenada.
Unidad
Ordinal.
Valores
1, 2, 3, … N
NA
Regla
Solo se asigna posición cuando existe una estructura inequívocamente ordenada.
Positivo
- Profound
- Peec AI
- Otterly
Si la entidad es Profound:
→ 1
Negativo
«Some useful platforms include Profound, Peec AI and Otterly.»
No existe orden explícito.
→ NA
Evidencia
Numeración, ranking, «first», «second», «top choice», etc.
Anotador
A1 / A2.
Ambigüedad
No inventar posiciones.
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V007 — RECOMMENDATION_PRIORITY
Definición
Determina si la entidad recibe prioridad explícita respecto a otras alternativas.
Valores
PRIMARY
SECONDARY
EQUAL
NONE
NA
Regla
Debe existir evidencia textual o estructural de prioridad.
Positivo
«Profound would be my first choice.»
→ PRIMARY
Negativo
«Profound is one of several options.»
→ EQUAL o NONE según contexto.
Evidencia
Expresiones como:
first choice;
top recommendation;
preferred;
best option;
one of several.
Anotador
A1 / A2.
Ambigüedad
→ NA
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V008 — ENTITY_CITED
Definición
Determina si existe una fuente/cita asociada a la entidad dentro de la respuesta.
Valores
1 / 0 / NA
Regla
No confundir:
entidad mencionada
con:
entidad citada.
Positivo
Respuesta con una mención a Profound acompañada de una referencia identificable.
→ 1
Negativo
La entidad aparece en el texto pero no existe una fuente asociada.
→ 0
Evidencia
Citation marker, enlace o fuente explícita.
Anotador
A1 / A2.
Ambigüedad
Interfaz que no permita determinar la asociación:
→ NA
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V009 — CITATION_COUNT
Definición
Número de citas identificables asociadas a la entidad dentro de una observación.
Unidad
Número entero.
Valores
0,1,2,…N
Regla
Contar citas individualmente.
No contar una misma cita dos veces por aparecer visualmente duplicada.
Positivo
Tres referencias claramente asociadas:
→ 3
Negativo
No existe ninguna:
→ 0
Evidencia
Lista de citas/fuentes.
Anotador
A1 / A2.
Ambigüedad
Si la interfaz impide identificar cuántas son:
→ NA
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V010 — SOURCE_COUNT
Definición
Número total de fuentes identificables en la respuesta.
Unidad
Número entero.
Regla
Contar fuentes distintas visibles en la respuesta.
Positivo
Fuentes:
Reuters
Wikipedia
→ 3
Negativo
Ninguna fuente identificable:
→ 0
Evidencia
Fuentes mostradas por el sistema.
Anotador
A1 / A2.
Ambigüedad
→ NA
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V011 — UNIQUE_SOURCE_COUNT
Definición
Número de fuentes únicas después de eliminar duplicados.
Unidad
Entera.
Regla
Dos referencias a la misma fuente cuentan como una fuente única.
Ejemplo
reddit.com/r/…
reddit.com/r/…
semrush.com
→ 2
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V012 — TOP_SOURCE_SHARE
Definición
Proporción de citas atribuibles a la fuente más representada.
TSS=CtotalCmax
Unidad
Ratio 0–1.
Valores
0≤TSS≤1
Regla
Se calcula, no se anota directamente.
Ejemplo positivo
10 citas:
Fuente A = 7
Fuente B = 2
Fuente C = 1
TSS=0.70
Ejemplo negativo
No existen citas identificables.
→ NA
Evidencia
V009 + fuente asociada.
Anotador
Derivada automáticamente después de la anotación.
Ambigüedad
Si no puede determinarse la atribución:
→ NA
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V013 — SOURCE_DIVERSITY
Definición
Representa la diversidad de fuentes que participan en una respuesta.
Unidad
Numérica.
Valores
Dependerán de la fórmula seleccionada.
Regla
No se calculará una fórmula definitiva durante la primera anotación si todavía no ha sido congelada.
Este punto es importante.
No debemos fingir que una variable derivada está metodológicamente cerrada cuando todavía estamos evaluando su arquitectura.
Evidencia
V010 + distribución de fuentes.
Anotador
Automático/analítico.
Ambigüedad
No imputar.
Discovery
Sí.
Prediction
Sí, como candidata.
Future Target
No.
V014 — MODEL_PRESENCE
Definición
Número de modelos en los que la entidad aparece para una misma combinación experimental agregada.
Unidad
Entera.
Rango
0−4
Regla
Se calcula únicamente después de disponer de las cuatro observaciones correspondientes.
Ejemplo
Entidad presente en:
ChatGPT
Gemini
Claude
No en Perplexity.
→ 3
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V015 — CROSS_MODEL_COVERAGE
Definición
Proporción de modelos en los que aparece la entidad.
CMC=4Modelos presentes
Ejemplo
3 de 4:
CMC=0.75
Unidad
Ratio.
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V016 — CROSS_MODEL_AGREEMENT
Definición
Grado de coincidencia entre los modelos respecto a una determinada condición de visibilidad.
Estado
Variable candidata.
Regla
No se anotará subjetivamente como «alto» o «bajo».
Primero se conservarán las observaciones individuales.
Después se aplicará una fórmula congelada.
Evidencia
Observaciones M01–M04.
Anotador
Derivación analítica.
Ambigüedad
No imputar.
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V017 — VISIBILITY_CHANGE
Definición
Cambio absoluto de visibilidad entre dos puntos temporales.
ΔVt=Vt−Vt−1
Unidad
Unidades de V.
Regla
Nunca se anota directamente a partir de una impresión visual.
Se calcula a partir de dos valores previamente establecidos.
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V018 — VISIBILITY_CHANGE_RATE
Definición
Cambio relativo de visibilidad.
Ratet=Vt−1Vt−Vt−1
Unidad
Ratio / porcentaje.
Ejemplo positivo
100 → 120:
+20%
Ejemplo negativo
100 → 90:
−10%
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V019 — VISIBILITY_TREND
Definición
Dirección de la trayectoria reciente de visibilidad.
Unidad
Numérica.
Regla
Debe calcularse exclusivamente con información disponible hasta t.
Nunca incorporar datos posteriores.
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V020 — VISIBILITY_VELOCITY
Definición
Velocidad temporal del cambio de visibilidad.
Velocity=ΔtΔV
Unidad
Unidades de visibilidad/día.
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V021 — VISIBILITY_ACCELERATION
Definición
Cambio de la velocidad de visibilidad.
Accelerationt=Velocityt−Velocityt−1
Unidad
Cambio de velocidad por unidad temporal.
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V022 — SOURCE_CHANGE
Definición
Cambio temporal en la presencia o peso de una fuente.
Unidad
Depende de la representación de fuente.
Regla
Solo utilizar información disponible hasta el momento de predicción.
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V023 — SOURCE_VELOCITY
Definición
Velocidad de cambio de presencia de una fuente.
Unidad
Cambio por unidad temporal.
Ejemplo
Una fuente pasa de 2 apariciones a 5 en dos ondas:
Δt5−2
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V024 — SOURCE_MOMENTUM
Definición
Representación de la trayectoria dinámica de una fuente.
Puede incorporar:
presencia;
crecimiento;
velocidad;
aceleración;
persistencia.
Estado
Hipótesis predictiva candidata.
Regla crítica
No se considerará automáticamente predictiva.
Ejemplo positivo
Una fuente:
T0 = 1
T1 = 2
T2 = 4
muestra crecimiento sostenido.
Ejemplo negativo
T0 = 3
T1 = 1
T2 = 3
muestra volatilidad sin trayectoria clara.
Discovery
Sí.
Prediction
Sí, una vez congelada la fórmula.
Future Target
No.
V025 — SOURCE_DEPENDENCY
Definición
Grado en que la visibilidad depende de un número reducido de fuentes.
Unidad
Índice.
Regla
Debe derivarse de la distribución de fuentes, no de una valoración subjetiva.
Ejemplo
Si el 90% de las citas dependen de una única fuente:
dependencia elevada.
Ejemplo contrario
Si las citas están distribuidas entre numerosas fuentes:
dependencia reducida.
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V026 — FUTURE_VISIBILITY_30
Definición
Valor real de visibilidad observado aproximadamente 30 días después del punto de predicción.
Unidad
Unidades de visibilidad V.
Valores
Numéricos.
Regla
Solo puede conocerse cuando se produce la correspondiente observación futura.
Evidencia
Datos de la onda futura correspondiente.
Anotador
Sistema de procesamiento.
Ambigüedad
Si falta la observación futura:
→ NA
Discovery
No como input.
Prediction
No.
Future Target
Sí.
V027 — FUTURE_VISIBILITY_60
Misma estructura que V026, pero horizonte de 60 días.
Discovery
No como predictor.
Prediction
No.
Future Target
Sí.
V028 — FUTURE_VISIBILITY_90
Misma estructura que V026, pero horizonte de 90 días.
Discovery
No como predictor.
Prediction
No.
Future Target
Sí.
V029 — SIGNAL_TIMESTAMP
Definición
Momento en que una condición identificada como señal de alerta aparece por primera vez.
Unidad
Fecha/hora.
Regla
Debe basarse exclusivamente en información disponible en ese momento.
Ejemplo positivo
La fuente comienza a mostrar crecimiento sostenido en T2.
→ SIGNAL_TIMESTAMP = T2
Discovery
Sí.
Prediction
Sí.
Future Target
No.
V030 — OBSERVED_CHANGE_TIMESTAMP
Definición
Momento en que se observa el cambio de visibilidad relevante.
Unidad
Fecha/hora.
Regla
Debe determinarse a partir de datos reales posteriores.
Discovery
No para anticipar el cambio.
Prediction
No.
Future Target
Sí.
V031 — LEAD_TIME
Definición
Tiempo transcurrido entre la aparición de la señal y el cambio observado.
LeadTime=Tcambio−Tsen~al
Unidad
Días.
Ejemplo positivo
Señal: 1 septiembre
Cambio: 20 septiembre
LeadTime=19 dıˊas
Ejemplo negativo
Señal detectada después del cambio:
LeadTime<0
No constituye alerta temprana.
Discovery
Sí.
Prediction
Sí, para evaluar capacidad de early warning.
Future Target
No.
V032 — VISIBILITY_DIRECTION_30
Definición
Dirección real de la visibilidad 30 días después.
Valores
UP
STABLE
DOWN
Regla
Se calcula con:
ΔV30%=VtVt+30−Vt
Con umbral inicial:
ϵ=5%
Positivo
+12%
→ UP
Negativo
−9%
→ DOWN
Estable
+3%
→ STABLE
Discovery
No como predictor futuro.
Prediction
No como input.
Future Target
Sí.
V033 — VISIBILITY_DIRECTION_60
Misma definición que V032, con horizonte de 60 días.
Future Target
Sí.
V034 — VISIBILITY_DIRECTION_90
Misma definición que V032, con horizonte de 90 días.
Future Target
Sí.
8. Matriz de uso de variables
Ahora podemos hacer algo que considero especialmente importante para evitar contaminación experimental:
| Variable | Discovery | Prediction | Future Target |
| V001 Recognition | ✓ | ✓ | — |
| V002 Identification | ✓ | ✓ | — |
| V003 Category | ✓ | ✓ | — |
| V004 Mention | ✓ | ✓ | — |
| V005 Recommendation | ✓ | ✓ | — |
| V006 Position | ✓ | ✓ | — |
| V007 Priority | ✓ | ✓ | — |
| V008 Citation | ✓ | ✓ | — |
| V009 Citation Count | ✓ | ✓ | — |
| V010 Source Count | ✓ | ✓ | — |
| V011 Unique Sources | ✓ | ✓ | — |
| V012 Top Source Share | ✓ | ✓ | — |
| V013 Source Diversity | ✓ | ✓ | — |
| V014 Model Presence | ✓ | ✓ | — |
| V015 Cross-model Coverage | ✓ | ✓ | — |
| V016 Cross-model Agreement | ✓ | ✓ | — |
| V017 Visibility Change | ✓ | ✓ | — |
| V018 Change Rate | ✓ | ✓ | — |
| V019 Trend | ✓ | ✓ | — |
| V020 Velocity | ✓ | ✓ | — |
| V021 Acceleration | ✓ | ✓ | — |
| V022 Source Change | ✓ | ✓ | — |
| V023 Source Velocity | ✓ | ✓ | — |
| V024 Source Momentum | ✓ | ✓ | — |
| V025 Source Dependency | ✓ | ✓ | — |
| V026 Future Visibility 30 | — | — | ✓ |
| V027 Future Visibility 60 | — | — | ✓ |
| V028 Future Visibility 90 | — | — | ✓ |
| V029 Signal Timestamp | ✓ | ✓ | — |
| V030 Observed Change Timestamp | — | — | ✓ |
| V031 Lead Time | ✓ | ✓ | — |
| V032 Direction 30 | — | — | ✓ |
| V033 Direction 60 | — | — | ✓ |
| V034 Direction 90 | — | — | ✓ |
9. La regla de oro de Discovery
Durante Discovery podemos mirar:
T0;
T1;
T2;
relaciones entre variables;
evolución temporal;
diferencias entre entidades;
diferencias entre modelos;
diferencias entre prompts.
Podemos descubrir:
«Parece que Source Momentum podría anticipar una caída.»
Pero todavía no podemos afirmar:
«Source Momentum es predictivo.»
Es únicamente:
CANDIDATO.
10. La regla de oro de Prediction
Una variable puede utilizarse para generar una predicción en t únicamente si:
Information(Xt)⊆Information(≤t)
Es decir:
el predictor solo puede saber lo que se sabía en ese momento.
11. La regla de oro del Future Test
Una vez congelado el modelo:
el futuro deja de ser información disponible para el investigador.
T5–T7 se convierten conceptualmente en una caja cerrada:
MODELO CONGELADO
│
▼
PREDICE
│
│
🔒 FUTURO
│
▼
OBSERVA
│
▼
COMPARA
Solo después de realizar las predicciones se abre el Future Test.
12. Regla especial para ejemplos ambiguos
Esta regla debe quedar escrita literalmente:
Ante una ambigüedad, el anotador no debe completar el significado mediante conocimiento externo.
Debe elegir:
NA
y registrar:
AMBIGUITY_NOTE
Por ejemplo:
AMBIGUITY_NOTE:
«La respuesta menciona ‘una de las principales plataformas’,
pero no establece si constituye una recomendación explícita.»
Esto nos permitirá posteriormente estudiar también:
dónde falla la definición de la variable.
13. Registro de discrepancias
Para cada discrepancia entre A1 y A2:
observation_id
variable_id
annotation_A1
annotation_A2
evidence
adjudication
final_value
ambiguity_type
Esto permitirá calcular posteriormente:
Inter-Annotator Agreement
Es decir:
¿hasta qué punto dos investigadores independientes producen la misma anotación?
Y esto es particularmente importante porque PCI™ pretende ser un sistema reproducible, no simplemente una colección de opiniones del investigador original.
14. Nueva variable metodológica recomendada
Aquí introduciría una variable que no aparecía todavía en el diseño inicial:
V035 — ANNOTATION_CONFIDENCE
Definición
Nivel de confianza del anotador en su decisión.
Valores
HIGH
MEDIUM
LOW
Regla
No representa la confianza del modelo.
Representa exclusivamente:
la confianza del investigador en que la evidencia permite aplicar correctamente la regla.
Esto es útil porque permitirá distinguir:
una variable difícil de anotar
de:
una variable intrínsecamente ambigua.
15. V036 — EVIDENCE_REFERENCE
También recomiendo incorporar:
EVIDENCE_REFERENCE
Definición
Referencia exacta al fragmento de la respuesta que justifica una anotación.
Puede ser:
rango de caracteres;
número de frase;
fragmento textual;
referencia estructural.
Su función es permitir:
reconstruir la decisión de anotación.
Esto nos acerca mucho más a una verdadera metodología científica reproducible.
16. V037 — ANNOTATION_NOTE
Campo de texto libre destinado exclusivamente a:
ambigüedades;
excepciones;
problemas de interpretación;
incidencias.
No puede utilizarse para introducir nuevas reglas informalmente.
17. Estructura final de una anotación
Una observación podría quedar así:
OBSERVATION
PCI-T0-E03-P04-M01
RAW
response_text = «…»
OBSERVED
ENTITY_RECOGNIZED = 1
ENTITY_IDENTIFIED = 1
CATEGORY_CORRECT = 1
ENTITY_MENTIONED = 1
ENTITY_RECOMMENDED = 1
RECOMMENDATION_POSITION = 2
RECOMMENDATION_PRIORITY = SECONDARY
ENTITY_CITED = 1
CITATION_COUNT = 2
SOURCE_COUNT = 2
EVIDENCE
«Profound is recommended as…»
ANNOTATION
annotator = A1
confidence = HIGH
DERIVED
TOP_SOURCE_SHARE = 0.50
TEMPORAL
VISIBILITY_TREND = …
PREDICTION
VISIBILITY_DIRECTION_30 = DOWN
FUTURE ACTUAL
VISIBILITY_DIRECTION_30 = DOWN
ERROR
CORRECT = TRUE
Esto es exactamente lo que queremos conseguir:
que una predicción futura pueda reconstruirse hasta llegar a la evidencia original que alimentó el modelo.
18. La arquitectura metodológica completa
Con este documento ya podemos establecer una cadena mucho más sólida:
PCI™
│
▼
DATA COLLECTION SPECIFICATION
│
▼
RAW RESPONSE
│
▼
EXPERIMENTAL DATA DICTIONARY
│
▼
ANNOTATION
│
▼ ▼
EVIDENCE DECISION
▼
OBSERVABLES
│
▼
DERIVATION
│
▼
DISCOVERY
│
▼
VALIDATION
│
▼
MODEL FREEZE 🔒
│
▼
FUTURE TEST
│
▼ ▼
PREDICTION ACTUAL
▼
ERROR
│
▼
PREDICTIVE EVIDENCE
19. Lo que acabamos de conseguir
Con esto, PCI™ ya no es simplemente la idea:
«vamos a intentar predecir la Visibilidad IA.»
Ahora tenemos tres capas metodológicas diferenciadas:
AVM™
¿Cómo medimos la Visibilidad IA?
↓
PCI™ Data Collection
¿Cómo recogemos observaciones temporales reproducibles?
↓
PCI™ Data Dictionary
¿Cómo convertimos cada respuesta en datos reproducibles?
↓
PCI™ Predictive Experiment
¿Qué señales permiten anticipar el futuro?
Y hay una consecuencia importante
Este Data Dictionary 0.1 debe considerarse todavía más importante de lo que parece.
Porque es el documento que evita que PCI™ caiga en el problema clásico de los sistemas predictivos:
primero mirar los datos, después encontrar una variable interesante y finalmente construir una definición que encaje con lo que hemos encontrado.
Aquí estamos haciendo lo contrario:
definimos qué significa la variable → congelamos la regla → recogemos → anotamos → descubrimos → validamos → probamos el futuro.
Eso convierte PCI™ en un experimento predictivo, no en un dashboard al que posteriormente se le añade una capa de «IA predictiva».
