Analizador de Coherencia de Políticas · Cómo funciona el análisis
De los documentos de política a la nota de coherencia, paso a paso.
El método funciona con cualquier conjunto de documentos nacionales de política que fijen metas. La persona usuaria carga dos o más, como archivos PDF, Word o de texto, e indica el tipo de cada documento, por ejemplo una NDC, un NBSAP, un NAP, metas de LDN o una estrategia sectorial.
Detalles técnicos
Los documentos entran por POST /api/extract y el tipo de documento se registra por archivo. El ejemplo de esta página es el análisis de Mongolia: 8 documentos y 178 metas.
Cada documento se lee página por página, tablas incluidas, y cada pasaje conserva su número de página. Los prólogos, anexos y textos estándar se dejan de lado, de modo que la extracción se concentra en los pasajes que fijan metas.
Detalles técnicos
Analizadores que respetan las páginas (pymupdf, python-docx) conservan los rangos de páginas. El texto se divide en fragmentos de unos 30.000 caracteres con un solapamiento de 2000 caracteres, y un filtro ligero de pertinencia conserva o descarta cada fragmento, y lo conserva ante la duda.
La instrucción
KEEP o DROP.{chunk}De los pasajes pertinentes, cada meta de política se registra con la frase exacta de la que procede. La redacción puede ordenarse ligeramente, por ejemplo quitando una etiqueta suelta, pero no se reformula, resume ni amplía, y cada meta lleva una marca que indica cómo se registró.
Detalles técnicos
Un contrato literal estricto: sourceText se copia carácter por carácter; el text mostrado solo admite una limpieza determinista (quitar una etiqueta numérica, unir líneas cortadas). Cada meta conserva sus fuentes y números de página.
La instrucción
{chunk}Las secciones que se solapan pueden captar la misma meta dos veces. Los duplicados se unen en una sola entrada que conserva todas sus citas de origen, y cada cifra, año y marco mencionado se verifica con el documento original.
Detalles técnicos
La consolidación une los casi duplicados y conserva todas las fuentes; las metas con cifras distintas quedan separadas. Después, una verificación local (validate_claim_grounding) busca cada cifra en las citas de origen y, si no la encuentra, marca la meta para revisión (_provenanceFlag).
La verificación
%, año, ha, tCO2e… del texto:Antes de cualquier comparación, las metas extraídas vuelven a la persona usuaria. Cada una se verifica con su fuente y se conserva, corrige o elimina, y pueden añadirse las metas que la extracción haya omitido. El análisis solo parte de un conjunto confirmado.
Detalles técnicos
Es el paso de revisión del asistente de carga: las metas pueden conservarse, descartarse, editarse (texto y números de página) o añadirse a mano. Las metas rechazadas no entran en los pasos de emparejamiento ni de calificación.
Para cada meta, la herramienta anota si contiene un resultado medible (una cifra, un porcentaje, una superficie) y si tiene plazo definido (un año o una fecha límite), y conserva las frases exactas. Ambos son indicadores tempranos de cuán preparado está un compromiso para su implementación.
El par de ejemplo
NBSAP · 1 Planificación espacial
Una fecha: “Para 2030”
NDC · Recursos hídricos 2
Ni cifra ni fecha
Detalles técnicos
Las metas se revisan en lotes de 12 para isQuantitative e isTimeBound, y se devuelven las frases. Se excluyen las referencias administrativas (“Artículo 2”). Funciona en cualquier idioma, sin bibliotecas adicionales de procesamiento del lenguaje.
La instrucción
Article 2 / Target 3; devuelve las frases exactasCada meta se puntúa frente a marcos de referencia publicados, uno por lente: Biodiversidad (la taxonomía GLOBE), Mitigación climática (los sectores del inventario de gases de efecto invernadero del IPCC), Adaptación climática (el Marco de los Emiratos Árabes Unidos para la Resiliencia Climática Mundial) y Derechos humanos (orientación del PNUD, borrador en revisión por personas expertas). Cada meta conserva un área principal y cualquier otra con la que se relacione claramente, de modo que la nota puede cambiar de lente sin un nuevo análisis. Un país puede añadir lentes propias.
El par de ejemplo, con la lente de Biodiversidad
NBSAP · 1 Planificación espacial
Planificación y financiación de la biodiversidad
NDC · Recursos hídricos 2
Uso sostenible
Detalles técnicos
Una puntuación de pertinencia (0–1) para cada (meta × categoría); la categoría con la puntuación más alta pasa a ser primary y las que superan el umbral de pertinencia se marcan como relevant. Lentes: la taxonomía GLOBE con sus subcategorías, los sectores del inventario de gases de efecto invernadero del IPCC, las siete metas de resiliencia climática del Objetivo Mundial de Adaptación (Marco de los Emiratos Árabes Unidos para la Resiliencia Climática Mundial, decisión 2/CMA.5) y nueve temas de derechos humanos, además de los objetivos de adaptación propios de un país cuando los aporta. Las soluciones basadas en la naturaleza están en pausa. Una oficina de país puede definir sus propias lentes, como hizo Sri Lanka con sus nueve sectores de adaptación de la NDC 3.0 en lugar del Objetivo Mundial de Adaptación y una lente de pérdidas y daños. Una lente con una sola categoría no tiene nada que ordenar, por lo que una meta solo cuenta en ella por encima del umbral de pertinencia. Es el paso con más llamadas (n × c puntuaciones), por lo que los resultados se guardan en caché.
La instrucción
{GLOBE · sectores del IPCC · GGA · derechos humanos, o el conjunto propio del país}{name} – {description}{target text}primary y las demás por encima del umbral se marcan como relevantLa coherencia trata de cómo se relacionan documentos distintos, por lo que cada meta se empareja con cada meta de los demás documentos y no con las metas de su propio documento. Se califica cada par, sin filtro previo, de modo que también se leen los vínculos entre sectores alejados.
Detalles técnicos
El producto cruzado de cada combinación de documentos distintos, contando cada par una vez: para los 8 documentos y 178 metas de Mongolia, 13.404 pares de metas (solo NBSAP × NDC son 20 × 36 = 720). No se aplica ningún filtro antes de la calificación.
La lógica
Antes de comparar dos metas, un primer agente de IA, el Analista de Metas, descompone cada una en cinco partes: su objetivo, la acción propuesta, el ecosistema o área, quién es responsable y el resultado esperado. Comparar estas partes ancla la calificación en lo que cada meta se propone hacer.
Detalles técnicos
El Agente 1 extrae cinco campos, solo hechos, sin inferir nada más allá del texto de la meta. Separar la descomposición (Agente 1) de la calificación (Agente 2) mantiene las calificaciones ancladas y coherentes entre países y marcos.
La instrucción
{target}, extrae:Un segundo agente de IA, el Asesor de Alineación, recibe solo las dos descomposiciones y califica el par: alineación fuerte, moderada o parcial, o sin relación clara. Califica un par como posible desalineación solo cuando puede nombrar cómo interactúan las dos metas: un recurso compartido, el mismo lugar, o que una haga más difícil alcanzar la otra. Un vínculo débil queda como parcial. Cada calificación lleva una breve explicación.
El par de ejemplo
Posible desalineación·Competencia por recursos: tierra·Manejable
Metas nacionales de biodiversidad para 2030
1 Planificación espacial
Contribución Determinada a Nivel Nacional
Recursos hídricos 2
Explicación de la IA · Confianza media
Ambas metas apoyan la protección y la planificación de los ecosistemas, pero la NDC también menciona instalaciones de acumulación de agua, estanques de riego, canales y tuberías, riego de pastizales, suministro de agua a los hogares, y retención y transferencia condicionales de caudales en cuencas fluviales específicas, que pueden competir con el objetivo de la meta del NBSAP de mantener los ecosistemas naturales y prevenir un mayor deterioro en todo el territorio mediante la planificación del uso de la tierra.
Detalles técnicos
Funciona con gpt-5.4 (Azure OpenAI, temperatura 0 para resultados repetibles). La cadena de análisis guarda none, low, medium, high o flagged; la nota los muestra como sin relación clara, alineación parcial, moderada y fuerte, y posible desalineación. Una posible desalineación registra además su tipo, su manejabilidad y la confianza, para que quien revisa vea por qué se asignó.
La instrucción
none / low / medium / high, o flagged.flagged solo cuando puedas nombrar una interacción concreta (un recurso compartido, el mismo lugar, que una meta socave a la otra)flaggedflagged, devuelve también:goal_conflict · resource_competition · delivery_friction{decomposition A}{decomposition B}Sin más IA, se cuentan las calificaciones: la proporción de pares de metas que están alineados (alineación fuerte o moderada), parcialmente alineados o que muestran una posible desalineación, para todo el conjunto, para cada par de documentos y para cada área de política. Estas proporciones son las que muestra la nota de coherencia.
El par de ejemplo
Entre la NDC y el NBSAP, el 92 % de los 720 pares de metas están alineados y el 3 % muestra una posible desalineación. Este par es 1 de esos 19.
Detalles técnicos
Los recuentos se calculan localmente, sin llamadas a modelos. «Alineados» cuenta la alineación fuerte y la moderada. Para Mongolia: el 66 % de 13.404 pares de metas están alineados, el 29 % parcialmente alineados y el 5 % muestra una posible desalineación.
En el conjunto de pares, una síntesis de IA agrupa los pares alineados y los posiblemente desalineados en temas recurrentes, y cada posible desalineación se cuenta por tipo. Ambos muestran dónde mirar primero; la interpretación final corresponde a las personas expertas nacionales.
Pares de metas con posible desalineación
5 % de los pares de metas de Mongolia (671 de 13.404)
Tipos de posible desalineación
El par de ejemplo
De las 19 posibles desalineaciones entre la NDC y el NBSAP, 12 corresponden a entrega y coordinación y 7 a competencia por recursos. Este par es 1 de esas 7; el recurso implicado es la tierra.
Detalles técnicos
Un paso de síntesis lee la mezcla de tipos y los pares que la componen, y agrupa temas recurrentes entre pares de documentos; el panel de un tema puede añadir un punto de partida sugerido por la IA, anclado en la evidencia mostrada. En el conjunto de Mongolia, el 5 % de los pares de metas muestra una posible desalineación, y el 52 % de ellos involucra solo a 7 metas.
Cada explicación de la IA en la nota puede calificarse con un pulgar arriba o abajo y una nota opcional. Las calificaciones son anónimas y se guardan junto al texto exacto al que se refieren, de modo que quien revisa ve dónde una lectura ayudó y dónde se quedó corta, y el equipo puede usarlas para mejorar las ejecuciones siguientes.
Detalles técnicos
Las calificaciones se registran en las explicaciones de pares de metas, los resúmenes de pares de documentos y los resúmenes de temas (POST /api/feedback) en un registro de solo anexado, vinculado al texto exacto de la IA, de modo que una calificación sigue siendo interpretable tras volver a ejecutar la cadena de análisis.
Los mismos pasos comparan los programas de una Revisión del Gasto en Biodiversidad (BER) con las metas y muestran qué metas tienen un programa correspondiente en el gasto revisado.
Detalles técnicos
Nivel 2, finanzas. Los programas de la BER se convierten en pseudometas y pasan por los mismos pasos de clasificación, descomposición y calificación. El gasto correspondiente de una meta suma los programas cuyas descripciones se alinean con ella: un volumen relativo, no una medida de suficiencia del financiamiento. Un programa cuenta para cada meta con la que se alinea, por lo que las cifras por meta se solapan, mientras que los totales por documento cuentan cada programa una vez. Una BER solo abarca los programas que revisa, una parte del gasto nacional; identifica el gasto, y cada vínculo con una meta procede de la comparación de descripciones hecha por la IA. Disponible para Mongolia y Panamá.
La reutilización
Los mismos pasos comparan las acciones reportadas en los Informes Bienales de Transparencia (BTR) y en los informes nacionales con las metas: a qué metas responden las acciones reportadas y dónde una acción está posiblemente desalineada con una meta.
Detalles técnicos
Nivel 3, implementación. Las medidas reportadas (BTR y los informes nacionales, como el séptimo informe nacional al Convenio sobre la Diversidad Biológica, NR7) se convierten en pseudometas con los mismos pasos de dos agentes; una instrucción adaptada pregunta si una medida implementa directamente, apoya parcialmente o no tiene relación con cada meta. Las acciones reportadas son la propia información del país, una mirada a la implementación. Disponible para Mongolia y Panamá; el NR7, para Mongolia.
La pregunta