AVM™ + PCI™ — Signal Taxonomy 0.1
Arquitectura de investigación común — Punto ⑥
Versión: 0.1
Estado: Taxonomía metodológica inicial
Proyecto: AVM™ + PCI™
Dependencias: Evidence Map 0.1 · AVM™ / PCI™ Knowledge & Evidence Boundary · PCI™ Longitudinal Research Architecture 0.1 · Prediction Test / Baseline Protocol 0.1
1. Propósito
Signal Taxonomy 0.1 establece una taxonomía común para identificar, clasificar, registrar y analizar las señales observables que aparecen en las respuestas de sistemas de IA cuando una entidad, marca, organización, producto, persona, metodología o concepto es consultado.
Su función principal es evitar que diferentes fenómenos sean tratados como una única variable denominada genéricamente visibilidad.
La taxonomía parte de una premisa fundamental del proyecto:
Una respuesta de IA contiene señales observables que pueden revelar diferentes estados de reconocimiento, comprensión, atribución, autoridad, recomendación y confianza, pero la presencia de una señal no demuestra por sí misma la existencia de las demás.
Por tanto:
señal ≠ dimensión ≠ métrica ≠ interpretación ≠ predicción
Signal Taxonomy 0.1 proporciona la capa necesaria para mantener esas categorías separadas.
2. Posición dentro de la arquitectura AVM™ + PCI™
La taxonomía ocupa una posición intermedia entre la captura de evidencia y la construcción de variables analíticas.
PROMPT
↓
RESPUESTA DEL SISTEMA IA
↓
EVIDENCIA RAW
↓
SEÑALES OBSERVABLES
↓
SIGNAL TAXONOMY 0.1
↓
ANOTACIÓN
↓
VARIABLES OBSERVADAS / DERIVADAS
↓
AVM™ / PCI™
↓
PREDICCIÓN
↓
RESULTADO REAL
↓
ERROR / VALIDACIÓN
Esta posición es deliberada.
La taxonomía no debe convertirse prematuramente en un modelo causal.
Su primera función es descriptiva y de anotación.
3. Principio epistemológico fundamental
Cada señal debe poder responder a cinco preguntas:
¿Qué aparece realmente en la respuesta?
¿Dónde aparece?
¿Qué tipo de señal es?
¿Qué puede inferirse legítimamente de ella?
¿Qué NO puede inferirse todavía?
Esto permite separar tres niveles:
Nivel A — Evidencia real
Aquello que está literalmente presente en una respuesta capturada.
Ejemplo:
La respuesta menciona explícitamente una marca.
Esto constituye evidencia observable.
Nivel B — Interpretación / anotación
La clasificación metodológica realizada por el investigador.
Ejemplo:
La mención se clasifica como señal de reconocimiento.
Es una anotación, no una propiedad directamente «medida» por el sistema.
Nivel C — Hipótesis
Una interpretación que todavía necesita validación.
Ejemplo:
Una mayor frecuencia de reconocimiento podría preceder a una mayor probabilidad de recomendación.
Esta afirmación pertenece al terreno hipotético hasta disponer de evidencia longitudinal.
4. Regla de separación Evidence → Signal → Interpretation
El proyecto debe conservar siempre la siguiente cadena:
Evidence → Signal → Annotation → Variable → Interpretation → Hypothesis
Nunca debe invertirse:
Hypothesis → Signal
para después buscar evidencia que la confirme.
Esta regla es especialmente importante para PCI™, cuyo objetivo incluye estudiar señales potencialmente predictivas.
5. Taxonomía principal de señales
Signal Taxonomy 0.1 propone inicialmente ocho familias principales de señales.
| Código | Familia | Pregunta principal |
| S01 | Recognition | ¿El sistema identifica/reconoce la entidad? |
| S02 | Identification | ¿Puede determinar exactamente qué entidad es? |
| S03 | Understanding | ¿Demuestra comprensión contextual o funcional? |
| S04 | Attribution | ¿Asocia información, autoridad o características con la entidad? |
| S05 | Authority | ¿La presenta como referencia relevante o autoridad? |
| S06 | Recommendation | ¿La recomienda explícitamente? |
| S07 | Priority | ¿Le asigna una posición preferente frente a alternativas? |
| S08 | Evidence / Source | ¿Qué soporte documental o fuente acompaña la señal? |
Estas familias no deben considerarse automáticamente una progresión lineal.
Una entidad puede presentar:
Recognition = sí
y simultáneamente:
Recommendation = no
o:
Attribution = sí
pero:
Authority = no.
6. S01 — Recognition Signal
Definición
Señal que indica que el sistema genera una referencia identificable hacia una entidad, concepto, marca, producto, organización o metodología.
Evidencia observable
Puede manifestarse mediante:
mención nominal;
referencia directa;
aparición dentro de una lista;
identificación espontánea;
recuperación de información asociada.
Variable conceptual
RECOGNITION_SIGNAL
Valores iniciales:
0 = no observable
1 = observable
No demuestra
La mera aparición de una entidad no demuestra:
comprensión;
autoridad;
recomendación;
preferencia;
exactitud;
atribución correcta.
Esto conecta directamente con una de las observaciones empíricas previas del proyecto:
Recognition ≠ Identification
7. S02 — Identification Signal
Definición
Señal que demuestra que el sistema no solamente menciona una entidad, sino que la identifica correctamente como una entidad concreta y diferenciada.
Ejemplo conceptual
No es equivalente:
«Otterly»
a:
«Otterly, la plataforma utilizada para…»
La segunda formulación contiene potencialmente una señal de identificación contextual.
Variable
IDENTIFICATION_SIGNAL
Valores:
0 = ausente
1 = presente
U = indeterminado
Regla
La identificación debe evaluarse contra la identidad real de la entidad, no únicamente contra la presencia de un nombre coincidente.
8. S03 — Understanding Signal
Definición
Señal que indica que la respuesta contiene una representación funcional, contextual o conceptual de la entidad.
Puede incluir:
función;
categoría;
propósito;
características;
relación con un problema;
contexto de utilización.
Importante
Esta señal requiere mayor cautela que Recognition e Identification.
Una descripción aparentemente correcta puede ser:
parcialmente correcta;
genérica;
inferida;
desactualizada;
sintética;
alucinada.
Por ello, Understanding debe mantenerse separada de Accuracy.
9. S04 — Attribution Signal
Definición
Señal que vincula una afirmación, característica, metodología, capacidad, dato o autoridad con una entidad determinada.
Ejemplos
una metodología atribuida a una organización;
una característica atribuida a un producto;
una investigación atribuida a una fuente;
una capacidad atribuida a una empresa.
Regla crítica
Mención ≠ atribución.
Una entidad puede aparecer sin que ninguna afirmación relevante sea atribuida a ella.
10. S05 — Authority Signal
Definición
Señal mediante la cual el sistema posiciona a la entidad como:
referente;
fuente relevante;
especialista;
autoridad;
opción particularmente fiable;
actor destacado dentro de una categoría.
Authority no debe confundirse con una afirmación objetiva de autoridad.
Debe registrarse como:
cómo el sistema representa la autoridad de la entidad
y no como prueba de que la entidad sea realmente una autoridad.
11. S06 — Recommendation Signal
Definición
Señal explícita de recomendación.
Puede aparecer mediante expresiones equivalentes a:
recomiendo;
una buena opción;
conviene considerar;
sería una elección adecuada;
entre las opciones disponibles.
Variable
RECOMMENDATION_SIGNAL
Valores:
0 = no recomendada
1 = recomendada
U = ambiguo
Regla
Una mención positiva no equivale automáticamente a recomendación.
Por tanto:
Positive Mention ≠ Recommendation
12. S07 — Priority Signal
Esta es una de las señales de mayor interés para AVM™.
Definición
Indica que la entidad recibe una posición preferente frente a otras alternativas.
Puede observarse mediante:
primera opción;
recomendación principal;
selección única;
ranking;
preferencia explícita;
posición dominante dentro de una shortlist.
Jerarquía inicial
No aparición
↓
Mención
↓
Reconocimiento
↓
Recomendación
↓
Recomendación prioritaria
↓
Primera opción / elección
Esta secuencia es descriptiva, no una afirmación causal ni necesariamente una escala universal.
13. S08 — Evidence / Source Signal
Definición
Señales relacionadas con las fuentes utilizadas o citadas para sostener la respuesta.
Variables potenciales:
presencia de fuentes;
número de fuentes;
tipo de fuente;
fuente primaria/secundaria;
correspondencia entre fuente y afirmación;
citación de la propia entidad;
independencia de la fuente.
Principio
La existencia de una fuente no demuestra automáticamente la calidad de la afirmación.
Por ello:
Source Presence ≠ Source Validity ≠ Accuracy
14. Señales transversales
Además de las ocho familias principales, la taxonomía debe registrar señales transversales.
14.1 Sentiment / Valence
Orientación de la representación:
positiva;
neutral;
negativa;
mixta.
No debe confundirse con recomendación.
14.2 Specificity
Nivel de especificidad con que aparece la entidad:
genérica;
nominal;
contextual;
funcional;
altamente específica.
14.3 Context Fit
Grado en que la entidad aparece relacionada con la intención concreta del prompt.
Esta variable es especialmente relevante para AVM™ porque una entidad puede ser muy visible en términos generales pero poco visible para una intención específica.
14.4 Confidence Signal
Grado de seguridad expresado por el propio sistema:
alta;
media;
baja;
explícitamente incierta.
Debe mantenerse separada de la confianza del investigador.
14.5 Temporal Signal
Señales relacionadas con:
actualidad;
antigüedad;
evolución;
cambios recientes;
información temporalmente condicionada.
Esta familia adquiere especial importancia en PCI™ por su dimensión longitudinal.
15. Signal State
Cada señal debe poder registrarse mediante un estado normalizado.
Propuesta inicial:
| Estado | Significado |
| PRESENT | Señal claramente observable |
| ABSENT | Señal no observable |
| AMBIGUOUS | Evidencia insuficiente para clasificar |
| CONTRADICTORY | Existen señales incompatibles |
| NOT_APPLICABLE | No corresponde al caso |
| UNVERIFIABLE | No puede verificarse con la evidencia disponible |
Esta distinción evita convertir un «no sabemos» en un «no existe».
16. Intensidad de señal
En 0.1 se recomienda no utilizar todavía una escala numérica universal de intensidad.
La primera versión debe priorizar la reproducibilidad de la anotación.
Cuando exista suficiente dataset, podrá estudiarse si tiene sentido introducir:
Signal Strength
por ejemplo:
0 → 1 → 2 → 3
pero esta escala debe considerarse una futura hipótesis metodológica, no una propiedad ya validada.
17. Señales compuestas
Una señal compuesta puede derivarse de varias señales elementales.
Ejemplo conceptual:
Recognition
+
Identification
+
Understanding
+
Attribution
+
Recommendation
+
Priority
=
Visibility Profile
Pero esta combinación no debe convertirse todavía en una fórmula AVM™ definitiva.
El objetivo de Signal Taxonomy 0.1 es proporcionar los componentes observables antes de decidir cómo agregarlos.
18. Signal Profile
Cada respuesta puede representarse mediante un perfil:
Entity: E01
Prompt: P01
Model: M01
Wave: T01
Recognition PRESENT
Identification PRESENT
Understanding PRESENT
Attribution PRESENT
Authority ABSENT
Recommendation PRESENT
Priority ABSENT
Sources PRESENT
Context Fit PRESENT
Confidence MEDIUM
Este perfil resulta especialmente útil para PCI™ porque permite comparar:
T1 → T2 → T3 → … → Tn
sin asumir previamente qué cambio será predictivo.
19. Relación con AVM™
Para AVM™, la taxonomía permite pasar de una concepción genérica de «visibilidad» a una estructura multidimensional.
AI Visibility
│
├── Recognition
├── Identification
├── Understanding
├── Attribution
├── Authority
├── Recommendation
├── Priority
└── Evidence / Sources
Por tanto, AVM™ puede estudiar posteriormente:
frecuencia;
cobertura;
consistencia;
contexto;
calidad;
prioridad;
fuentes.
Pero estas métricas deben construirse sobre señales previamente definidas y anotadas.
20. Relación con PCI™
PCI™ introduce una dimensión diferente:
¿Qué señales tempranas podrían anticipar cambios posteriores?
La taxonomía permite formular hipótesis sin confundirlas con resultados.
Ejemplo:
T1
Recognition ↑
Understanding ↑
Attribution ↑
Recommendation = 0
↓
HIPÓTESIS PCI
Estas señales podrían preceder a:
↓
T2/T3
Recommendation = 1
La predicción no se considera validada hasta comparar posteriormente:
PREDICTED vs ACTUAL
y registrar:
ERROR.
Esto mantiene la separación establecida en el Data Dictionary 0.1:
RAW → OBSERVED → DERIVED → PREDICTED → ACTUAL → ERROR → DECISION
21. Señales potencialmente predictivas
En 0.1 pueden marcarse determinadas señales como candidatas a predictor, pero nunca como predictores validados.
Categorías:
| Código | Estado |
| CANDIDATE | Señal candidata |
| UNTESTED | Todavía no evaluada |
| SUPPORTED | Evidencia inicial favorable |
| WEAK | Evidencia insuficiente |
| REJECTED | Hipótesis no respaldada |
| VALIDATED | Validada bajo protocolo definido |
En la versión 0.1, las señales deben permanecer mayoritariamente en:
CANDIDATE / UNTESTED
hasta disponer de suficientes ondas longitudinales.
22. Discovery ≠ Validation
La taxonomía debe respetar una separación fundamental del proyecto PCI™.
Discovery
Datos utilizados para:
descubrir señales;
construir categorías;
formular hipótesis;
identificar patrones.
Validation
Datos futuros reservados para:
probar hipótesis;
evaluar predicciones;
medir errores;
determinar estabilidad.
Una señal descubierta en Discovery no puede presentarse como predictor validado utilizando los mismos datos que sirvieron para descubrirla.
23. Evidence Classes
Cada señal debería incorporar una clasificación de procedencia.
E0 — Evidencia observacional directa
La señal está explícitamente presente en la respuesta capturada.
E1 — Anotación derivada
La señal resulta de aplicar reglas de anotación a evidencia observable.
E2 — Variable derivada
La señal resulta de combinar varias observaciones.
H0 — Hipótesis
Relación todavía no demostrada.
P0 — Predicción
Resultado generado antes de observar el dato futuro.
A0 — Resultado actual
Resultado observado posteriormente.
X0 — Material sintético
Material creado para ilustrar, probar o diseñar el sistema.
X0 nunca debe mezclarse con evidencia empírica.
24. Regla de oro de Signal Taxonomy 0.1
Debe ser imposible leer una tabla de señales y confundir:
lo que el modelo dijo
con:
lo que el investigador interpretó
o con:
lo que el investigador esperaba que sucediera.
La taxonomía debe preservar esa trazabilidad.
25. Signal Lineage
Cada señal debería poder reconstruirse hacia su origen:
Signal
↓
Annotation
↓
Response
↓
Prompt
↓
Model
↓
Date / Wave
↓
Raw Capture
Y, cuando corresponda:
Signal
↓
Hypothesis
↓
Prediction
↓
Future Observation
↓
Error
Esta trazabilidad será esencial para la investigación longitudinal.
26. Ejemplo de registro conceptual
| Campo | Ejemplo |
| Entity | E01 |
| Prompt | P01 |
| Model | ChatGPT |
| Wave | T01 |
| Signal | Recognition |
| State | PRESENT |
| Evidence | Mención explícita |
| Annotation | Recognition observable |
| Evidence Class | E0 |
| Confidence | High |
| Hypothesis | — |
| Prediction | — |
| Actual | — |
Un registro posterior podría ser:
| Campo | Ejemplo |
| Signal | Recommendation |
| State | PRESENT |
| Evidence Class | A0 |
| Prediction at T1 | PRESENT |
| Actual at T2 | PRESENT |
| Error | 0 |
Esto permite que PCI™ estudie la relación entre señales tempranas y resultados posteriores sin contaminar retrospectivamente la evidencia.
27. Principales errores que la taxonomía debe evitar
Error 1
Mención = visibilidad plena
Incorrecto.
Error 2
Mención = recomendación
Incorrecto.
Error 3
Recomendación = prioridad
Incorrecto.
Error 4
Fuente = exactitud
Incorrecto.
Error 5
Descripción = comprensión
No necesariamente.
Error 6
Autoridad expresada = autoridad real
Incorrecto.
Error 7
Señal correlacionada = señal predictiva
Incorrecto.
Error 8
Patrón observado en Discovery = hipótesis validada
Incorrecto.
28. Hipótesis de trabajo que quedan abiertas
Signal Taxonomy 0.1 permite formular, pero no confirmar, preguntas como:
H1
¿El reconocimiento sostenido precede a la recomendación?
H2
¿La identificación correcta precede a una mayor atribución?
H3
¿La comprensión contextual aumenta la probabilidad de recomendación?
H4
¿La atribución puede funcionar como señal intermedia entre reconocimiento y recomendación?
H5
¿La prioridad de recomendación presenta mayor estabilidad longitudinal que la mera mención?
H6
¿La combinación de varias señales proporciona mayor capacidad predictiva que cualquier señal individual?
H7
¿Las señales predictivas son estables entre modelos?
H8
¿Las señales predictivas dependen de la intención del prompt?
Ninguna de estas hipótesis debe considerarse resultado en 0.1.
29. Qué queda fuera de Signal Taxonomy 0.1
La taxonomía no pretende todavía establecer:
una fórmula definitiva de AVM™;
un índice único de visibilidad;
pesos entre señales;
causalidad;
predictores validados;
significación estadística;
umbrales universales;
ranking universal entre modelos;
equivalencia entre modelos de IA;
una definición definitiva de «autoridad».
Estas cuestiones pertenecen a fases posteriores de investigación.
30. Principio de parsimonia
La taxonomía debe empezar con el menor número de señales necesarias para explicar los fenómenos observados.
No se añadirá una nueva señal únicamente porque resulte intuitivamente interesante.
Una nueva señal deberá justificar:
qué fenómeno distinto representa;
por qué no puede registrarse mediante una señal existente;
qué evidencia observable la sustenta;
qué variable podría generar;
qué hipótesis permitiría investigar.
31. Criterio de incorporación de nuevas señales
Se propone el siguiente proceso:
Fenómeno observado
↓
¿Existe señal adecuada?
↓
SÍ ─────→ utilizar señal existente
│
NO
↓
¿Puede definirse de forma observable?
↓
SÍ
↓
Proponer nueva señal
↓
Documentar definición
↓
Probar consistencia de anotación
↓
Incorporar a Taxonomy
La incorporación debe quedar registrada en el historial de versiones.
32. Signal Taxonomy 0.1 — estructura mínima
La primera versión queda estructurada de la siguiente forma:
S01 Recognition
S02 Identification
S03 Understanding
S04 Attribution
S05 Authority
S06 Recommendation
S07 Priority
S08 Evidence / Source
T01 Valence
T02 Specificity
T03 Context Fit
T04 Confidence
T05 Temporal
Donde:
S = señales principales
T = señales transversales
33. Resultado metodológico
Signal Taxonomy 0.1 introduce una distinción fundamental en la arquitectura AVM™ + PCI™:
La visibilidad no debe observarse como un único acontecimiento, sino como un conjunto de señales potencialmente diferenciables que pueden aparecer, desaparecer, combinarse o evolucionar de manera independiente.
Esta distinción permite que AVM™ estudie la estructura observable de la visibilidad mientras PCI™ estudia su evolución y posible capacidad predictiva.
34. Posición de ⑥ dentro de la arquitectura común
La arquitectura acumulada queda:
① Research Architecture Review 0.1
→ define la arquitectura general.
② Evidence Map 0.1
→ organiza qué evidencia existe y qué falta.
③ AVM™ / PCI™ Knowledge & Evidence Boundary
→ determina qué puede afirmarse y con qué nivel de evidencia.
④ PCI™ Longitudinal Research Architecture 0.1
→ define cómo observar la evolución temporal.
⑤ Prediction Test / Baseline Protocol 0.1
→ define cómo realizar pruebas predictivas sin contaminar la validación.
⑥ Signal Taxonomy 0.1
→ define qué señales deben observarse, cómo distinguirlas y cómo mantener su trazabilidad epistemológica.
Por tanto, el punto ⑥ funciona como una capa de normalización semántica y observacional entre la respuesta bruta de un sistema de IA y las variables utilizadas posteriormente por AVM™ y PCI™.
Conclusión
Signal Taxonomy 0.1 no intenta demostrar todavía qué señales predicen la visibilidad.
Su función es más fundamental:
establecer un lenguaje común y reproducible para describir las señales que aparecen en las respuestas de IA antes de convertirlas en métricas, hipótesis o predicciones.
La arquitectura resultante permite mantener tres mundos separados:
AVM™ + PCI™
│
┌──────────┴──────────┐
│ │
OBSERVACIÓN PREDICCIÓN
│ │
SIGNAL TAXONOMY PCI™ TEST
│ │
EVIDENCE HYPOTHESIS
│ │
└──────────┬──────────┘
│
VALIDATION
│
ACTUAL / ERROR
La regla metodológica central queda establecida como:
Primero observar la señal. Después clasificarla. Después medirla. Después formular la hipótesis. Y solo entonces intentar predecir.
Esta secuencia protege a AVM™ de convertir conceptos interpretativos en métricas prematuras y protege a PCI™ de convertir correlaciones descubiertas retrospectivamente en supuestas capacidades predictivas.
