Transmisiones públicas del HCD San Isidro en YouTube y sus subtítulos automáticos.

Corpus: 86 sesiones · 176,3 horas · taxonomía de temas 2026-09-17.phase2.1 · registro de entidades 2026-09-17.phase2.1.

Cada tema tiene un diccionario versionado de frases/términos seguros y términos ambiguos. Solo las coincidencias seguras entran a los totales públicos.

Una ocurrencia temática es un hallazgo textual en la transcripción, no una medición de minutos de debate ni de quién “instaló” el tema.

Temas publicados: Educación, Espacio público, Salud, Tránsito, Seguridad, Vivienda, Obras públicas, La Cava, Tasas, Inundaciones, Zonificación.

El literal es lo que escribió el subtítulo automático. La entidad canónica es el nombre normalizado. Alias validados (por ejemplo Miley→Milei, Kisilov→Kicillof) alimentan totales seguros; alias ambiguos (Cristina, Kirchner, Massa, Tigre suelto, Lanús suelto, Posse/Pose) se excluyen.

596 menciones ambiguas quedan fuera de los totales canónicos del corpus de entidades.

Entidades: Javier Milei · Cristina Fernandez de Kirchner · Axel Kicillof · Sergio Massa · Mauricio Macri · Gustavo Posse · Ramon Lanus · Gobierno Nacional · Provincia de Buenos Aires · San Isidro · Vicente Lopez · Tigre.

Cada transmisión de YouTube del corpus tiene una ficha. Conservamos por separado la fecha de subida y, cuando es recuperable, la fecha de sesión (título, descripción o metadatos del ETL). Si no hay fecha explícita, no la inventamos a partir de la subida.

La transcripción proviene de subtítulos automáticos. Los fragmentos publicados usan la representación analítica (ventanas sin captions rodantes duplicados). El texto se muestra literal, con errores ASR.

El buscador indexa los documentos analíticos del corpus (~15.600 fragmentos). La coincidencia es textual: se normalizan acentos y mayúsculas solo para emparejar; el excerpt muestra el ASR original.

Cuando el término coincide con una entidad del registro versionado, el buscador también contempla alias ASR validados (por ejemplo Milei↔Miley, Kicillof↔Kisilov). No expande alias ambiguos.

Las comillas piden una frase contigua normalizada (ej. "Cristina Fernandez"). No hay búsqueda semántica ni expansión por LLM.

Cada resultado incluye enlace al segundo exacto en YouTube y a la ficha de la sesión.

El timeline de una sesión lista ocurrencias seguras de temas y entidades en orden cronológico. Son puntos de evidencia, no una medición automática de cuánto duró un debate ni de quién lo “abrió”.

Publicamos conteos crudos y, por separado, menciones por hora de transcripción y por 10.000 palabras. Son tasas relativas al corpus usable, no una estimación de tiempo de oratoria.

Antes de publicar se audita una muestra de evidencias por tema y entidad (CORRECTO / INCORRECTO / INCERTO). Lo incierto no cuenta como acierto.

Los años tienen corpus de distinto tamaño. Por eso el comparador muestra conteos crudos y tasas normalizadas: menciones por 10.000 palabras transcriptas y por hora de transcripción.

Un aumento de conteo crudo no se presenta como “crecimiento de importancia política”, sino como aumento de frecuencia registrada. El cambio relativo (%) no se calcula desde cero (evita infinito): se indica que el ítem “aparece en el periodo comparado”.

Cuando la métrica es una proporción de sesiones, el delta se expresa en puntos porcentuales, no como porcentaje de crecimiento.

Umbral de estabilidad de tendencias (tasa /10k): 0.08. Cambios menores se etiquetan ESTABLE. Bases bajas se anotan, no se ocultan.

Cobertura transcript por año y denominadores figuran en el resumen del comparador y en los reportes de baseline.

Coocurrencia de sesión: dos ítems tienen evidencia validada en algún momento de la misma sesión (co-presencia; no causalidad).

Coocurrencia local: evidencias dentro de una ventana temporal de 60 segundos (calibrada frente a 30s y 120s). No implica relación semántica ni apoyo/ oposición.

Un episodio / ventana de actividad temática agrupa ocurrencias del mismo tema en una sesión si la brecha entre evidencias es ≤ 120 segundos. La cota temporal del episodio no es la duración exacta del debate.

Las tasas publicadas en Dinámica usan denominadores normalizados (por 10.000 palabras). La aceleración se calcula sobre esas tasas, no sobre conteos crudos.

Cuando hay versión taquigráfica oficial, cada encabezado nominal (`Sr./Sra. Nombre.-`) cuenta como una intervención documentada. El porcentaje público es la participación de ese concejal sobre el total de intervenciones de concejales en el mismo período y universo documental elegible.

Presidencia y Secretaría se excluyen del denominador. Invitados y rótulos no resueltos también. Esto no es porcentaje de tiempo hablado ni atribución acústica.

La capa de temas/personas por concejal se calcula solo sobre el texto taquigráfico de sus turnos, y se mantiene separada de los totales globales derivados de YouTube/ASR.

Detalle de cobertura y QA: ver rutas /la-palabra/concejales.

La atribución acústica / tiempo hablado de la Fase 4 no superó los umbrales (~23% de cobertura). Por eso no publicamos % del tiempo hablado ni rankings basados en audio.

• La transcripción automática puede contener errores ortográficos.
• Los totales canónicos de entidades y temas excluyen coincidencias ambiguas.
• Una ocurrencia temática no equivale a minutos de debate.
• Cada evidencia publicada es auditable con enlace al minuto exacto del video.
• Los rankings de tiempo de habla por concejal aún no se publican.