Cómo 55.154 registros de 20 fuentes abiertas se convirtieron en una plataforma cuadrilingüe auditable.
Las decisiones compartidas por los tres registros (Portugal, Francia, España) y la ontología común AAT se explican en una página propia, en cinco lenguas. Metodología común →
No existe un CSV nacional: 20 agentes de investigación verificaron por HTTP los portales de datos abiertos de 19 territorios (17 comunidades autónomas + Ceuta + Melilla) y el endpoint BICA del Ministerio; tabla viva en tools/fuentes.csv. Agregación multi-fuente con licencia por CCAA y lagunas publicadas (Mallorca, Menorca, Formentera, La Rioja general, Ceuta y Melilla; Múrcia, Gran Canaria y La Palma pendientes de licencia).
20 scripts tools/ingest_*.py, cada uno con prueba de recuento contra las cifras reales verificadas y guarda de límites geográficos por CCAA. Defectos de fuente detectados y corregidos (documentados): columnas UTM intercambiadas (GVA), duplicación sistemática ×2 (País Vasco), miles con puntos en el ODS de Galicia («4.697.704»), geometrías inválidas (Castilla y León), fila-residuo del XLSX de Extremadura. Euskadi: la clave FICHA_NUME+EUSTAT solo es única dentro de cada capa del servicio (construido/arqueológico) y borraba bienes arqueológicos reales como falsos duplicados; se deduplica por el número de ficha Ondarea.
build_dataset.py funde los 20 intermedios en 55.154 registros (25.132 BIC y 30.022 del inventario andaluz, marcados «inventariado») con claves únicas globales validadas; provincias con nombres canónicos INE (50 + Ceuta + Melilla); inventario de categorías brutas (t1) como entrada del vocabulario.
Los 77 valores brutos se canonicalizan en 24 categorías de display (los filtros conservan el valor bruto); traducciones ES/EN/DE/PT con fuentes; 12 alineamientos al Getty AAT (con semillas FR/PT) verificados mediante fetch_aat_es.py (46 sondas SPARQL).
52 provincias (es-atlas / IGN, CC BY 4.0); prepare_map_points.py pre-filtra en la build: 29.990 puntos georreferenciados (PIP o <15 km) y 4 628 provincias rellenadas por PIP donde la fuente no las aportaba. Andalucía (IAPH) entra sin coordenadas.
Motor multi-país (docs/design-meta-site.md): un único motor con configuración y datos por país; 69 páginas estáticas × 4 idiomas (ES/EN/DE/PT), datos client-side sin pérdida SEO.
Un vocabulario controlado de 39 tipologías (cuatro lenguas + alineamiento Getty AAT verificado) se asigna al 95% de los registros. Como ninguna fuente abierta española trae tipología de edificio, la asignación es derivada: valores exactos de las fuentes cuando existen (Navarra «Dolmen», Cataluña «Castell»…), heurísticas del nombre con reglas explícitas de cabecera, topónimos de relieve y falsos amigos («Casa cueva» es casa; «Cerro del Castillo» es yacimiento), y reservas por categoría arqueológica/conjunto/jardín. Una auditoría por LLM (825 registros, dos rondas) midió la precisión; los resultados y las reglas quedan en tools/typology_es.json y raw/typology_audit/.
Las fechas de construcción (3% de los registros) vienen por tres vías, por este orden: campos de las fuentes (CLM «S. XVI», periodos de Asturias, texto de Cantabria), Wikidata P571 y pistas inequívocas del nombre («románico» = S. XI-XIII). Siglos a. C. quedan en eras arqueológicas y no en siglos numéricos; cada valor lleva proveniencia y no se toca el temporal de la protección. Con más cobertura de fechas de construcción de los BIC, el ES podría sumarse a los gráficos de siglos de la comparación entre países.
En preparación: cruce con Wikidata P808, fotografías, fechas de protección normalizadas, dumps citables multi-licencia, SKOS, /api/ y comparación triangular ES·FR·PT; la auditoría de fidelidad cierra el ciclo.
Cobertura parcial: BIC de fuentes abiertas de 18 comunidades autónomas (Murcia, Gran Canaria y La Palma pendientes de licencia) y, para Andalucía, el inventario del IAPH (30.022 bienes), que mezcla BIC con bienes solo inventariados sin campo que los distinga: se publican como «inventariado», con 4598 puntos del localizador IAPH y 971 de Wikidata (17.579 bienes sólo con círculo municipal), y fuera de la comparación entre países. Personas aún no extraídas de las fuentes; materiales sin datos (red sustituida por Categoría ↔ Denominación); datación por siglos solo parcial: la mayoría de los registros aportan fechas de protección.
Ninguna de las fuentes abiertas españolas publica un campo de tipología de edificio (el SIPA portugués sí; el ES no). Cada tipología se asignó cuando hay fundamento: primero valores exactos de la fuente cuando existen (Navarra «Dolmen», Castilla y León «HÓRREOS Y PALLOZAS»), después heurísticas sobre el nombre con reglas explícitas (la cabeza del nombre decide, los topónimos de relieve no cuentan, falsos amigos resueltos: «Casa cueva» es casa, «Cerro del Castillo» es yacimiento), después Wikidata P31, y al final reservas por categoría. Cuando ninguna regla decide, el campo queda vacío: vacío honesto antes que error. La calidad no se afirma, se mide: una auditoría por LLM (825 registros en muestra estratificada, dos rondas, agentes que sólo ven nombre y campos de la fuente) produjo veredictos por registro, las reglas fallidas se corrigieron y las tipologías afectadas se reauditaron con nueva muestra. Reglas, patrones y tests corren en tools/typology_es.json y tools/build_typology_es.py; la misma combinación de heurística más auditoría LLM se aplicó a la cronología de construcción.
Un panel de 8 agentes auditará la fidelidad sitio↔fuente sobre la población entera (identidad, datación, protección, uso, coordenadas, texto, personas, agregados) cuando el dataset esté estable; los informes se publicarán en esta página.
Descargar los informes de auditoría — informes de auditoría (próximamente)
El dataset agrega 20 fuentes abiertas, cada una con su licencia; los dumps respetarán la licencia original por fuente. Detalle por territorio en tools/fuentes.csv y docs/fuentes/; fallback para lagunas: BICA (Ministerio de Cultura).
Las fuentes autonómicas traen actos y fechas de protección en formatos heterogéneos (decreto, resolución, BOE/BOC/BOPA…); la extracción normalizada por agentes está planificada como fase propia.