Como 55 154 registos de 20 fontes abertas se tornaram uma plataforma quadrilingue auditável.
As decisões partilhadas pelos três registos (Portugal, França, Espanha) e a ontologia comum AAT estão numa página própria, em cinco línguas. Metodologia comum →
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 fontes abertas de 18 comunidades autónomas (Múrcia, Gran Canaria e La Palma com licença pendente) e, para a Andaluzia, o inventário do IAPH (30 022 bens), que mistura BIC com bens só inventariados sem campo que os distinga: são publicados como «inventariado», com 4598 pontos do localizador IAPH e 971 do Wikidata (17 579 bens só com círculo municipal), e fora da comparação entre países. Pessoas ainda não extraídas; materiais sem dados (rede substituída por Categoria ↔ Denominação); datação por séculos só parcial: a maioria dos registos traz datas de proteção.
Nenhuma das fontes abertas espanholas publica um campo de tipologia de edifício (o SIPA português traz; as espanholas não). Cada tipologia foi atribuída só com fundamento: primeiro valores exactos da fonte quando existem (Navarra «Dolmen», Castilla y León «HÓRREOS Y PALLOZAS»), depois heurísticas sobre o nome com regras explícitas (a cabeça do nome decide, topónimos de relevo não contam, falsos amigos resolvidos: «Casa cueva» é casa, «Cerro del Castillo» é yacimiento), depois Wikidata P31, e no fim reservas por categoria. Quando nenhuma regra decide, o campo fica vazio: vazio honesto em vez de erro. A qualidade não se afirma, mede-se: uma auditoria por LLM (825 registos em amostra estratificada, duas rondas, agentes que só veem nome e campos da fonte) produziu veredictos por registo, as regras falhadas foram corrigidas e as tipologias afectadas reauditadas com amostra nova. Regras, padrões e testes correm em tools/typology_es.json e tools/build_typology_es.py; a mesma combinação de heurística com auditoria LLM aplicou-se à cronologia de construção.
Um painel de 8 agentes auditará a fidelidade site↔fonte sobre a população inteira quando o dataset estiver estável; os relatórios serão publicados nesta página.
Descarregar os relatórios de auditoria — 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).
As fontes autonómicas trazem actos e datas de proteção em formatos heterogéneos (decreto, resolução, BOE/BOC/BOPA…); a extração normalizada por agentes está planeada como fase própria.