Calidad de los libros publicados en lalengua.es · auditoría de solo lectura

• 29/10/2026 10:08 CET (con date) · Silicio (subagente) · Karb and Sil · CC BY 4.0.
• Repo medido: copia de origin/main 203d9dbdb (scratchpad/biblioteca-main, solo lectura). El clon del Mac (webs/biblioteca, en 1f376edb2, 76 commits por detrás) se midió primero; lo que cambia entre los dos va en el § 7.
• Nada del repo se ha tocado. Scripts y salidas en medidas/: medir.py (todas las medidas por programa), pegados.py / pegados-min.py (cabezas tragadas), medidas-main.json (cifras + 18 artículos al azar por obra, semilla 20261029), tabla-main.tsv, indices.txt (los campos de calidad de cada indice.json).

0. Lo esencial

1. **74 obras con "publicado": true** (75 en el registro; libre no). De ellas: 24 BUENA, 35 ACEPTABLE, 10 FLOJA, 5 MALA.
2. MALA (texto que hoy engaña más que ayuda): Alcalá 1505, Valdivia 1607, Lagunas 1574, el oficial de 1884, Palmireno 1569. Recomiendo dejarlas en la vista como facsímil con el texto marcado «lectura en bruto» (o publicado: false si no se quiere ese aviso), y buscar testigos antes de nada (§ 4).
3. Un fallo de datos que se ve en la web: diccionario.html (línea 268) pinta «texto votado» cuando fuente == "consenso", y 20 obras llevan consenso con un solo ejemplar sin voto (lo dicen su propio texto/calidad). Al lector le decimos «votado» de lo que no lo está (§ 5.1).
4. Lo que más se repite en el muestreo no es la letra mal leída, sino el troceado: cabezas tragadas dentro del artículo anterior (0,2-1,9 % de los artículos en el oficial, Peñalver, Domínguez; § 3.2), y lemas que no son lemas en los bilingües (Palmireno, Rincón, Guerra, Torres Rubio, Machoni, Torres 1811, Arriaga).
5. El CER de varias obras se midió en muy poco oro (menos de 1.000 letras: Valdivia 840, Neve 818, Torres Rubio 781, Agustín 770, Quintana 514, Jiménez 467, Bello-Cuervo una sola página) y en tres no hay oro: Echegaray (oro: 0 en los cinco tomos), Ovilo («sin oro propio»), el tomo II de Barcia. Y en Gilberti y Febrés 1765 el oro no cubre las partes que se añadieron ayer (§ 7). > 30/10/2026 10:14 (E-1418): ya tienen oro Echegaray (3.234 letras, uno por tomo: CER de lo publicado 3,00 %), Ovilo > (3.208, 0,25 %) y el tomo II de Barcia (3.258, 1,01 %; el Barcia entero, 16.179, 1,37 %), y se amplió hasta pasar de > 2.000 el de Agustín (2.073: 2,03 %), Quintana (2.219: 2,25 %) y Jiménez (2.116: 4,82 %, antes 2,14 %). Valdivia > (3.228), Neve (2.821), Torres Rubio (3.101) y Bello-Cuervo (2.108) ya pasaban de 2.000 cuando empezó el encargo. > Ninguna de las tres sin oro llega al 6 %. Febrés 1765 tiene 4.698 letras de oro, pero su indice.json solo cuenta > las 913 del Calepino. Regla nueva: herramientas/estructura/test_oro.py (≥ 2.000 letras, con excepciones y su porqué).

1. Cómo se ha medido (y qué no)

Medido por programa (medir.py, sobre todos los diccionarios/<obra>/*.json de artículos, sin indice, palabras-*, tratado, alfabetos del tomo IV de Terreros ni ids repetidos):

• artículos, artículos sin texto o con cuerpo de menos de 5 letras, duplicados (mismo lema y mismo texto), textos repetidos;
• lemas vacíos, con caracteres raros (lo que no es letra ni -' .,()), con dígito, de una letra, de más de 30;
• orden: en el orden del libro (tomo, página, posición), cuántas veces baja la letra inicial entre vecinos («bajadas de inicial»: señal de cabeza mal leída o de troceado roto; un vocabulario por materias da muchas por diseño);
• basura en el texto por cada 1.000 palabras: dígito pegado a letra (a8), símbolos raros (sin contar |, =, *, que son marcas de la casa), mayúscula en medio de palabra (tienC), corte de renglón sin unir (ciar- reas);
• iniciales que faltan (de abcdefghijlmnopqrstuvxyz);
• cabezas tragadas (pegados.py): dentro del texto, otra cabeza seguida de su categoría (… / REVISION. s. f.). Es una cota inferior: no ve las que la máquina leyó sin categoría.

Muestreo a ojo: 18 artículos al azar por obra (semilla fija), leídos los primeros 230 caracteres; en las 11 gramáticas y ortografías, 4 párrafos al azar. Lo que digo de cada muestra es lo leído; no lo he cotejado con la imagen: «error» quiere decir que la forma no es palabra del libro ni de su época a mi juicio.

No medido: CER propio (no he hecho oro); los testigos que propongo no los he buscado en red salvo los que ya cita el repo (están marcados «supongo» los que vienen de lo que sé).

2. La tabla (main 203d9dbdb)

Columnas: art. = artículos (o voces); CER = calidad.cer_oro del indice.json (o cer×100), con las letras de oro; voto = sí (varios ejemplares votados), testigo (otra edición corrige por capa), lecturas (varias lecturas del mismo escaneo), no; muestra = artículos con fallo visible de 18 mirados (aprox.). Cobertura: lo que dice tomos_texto/estado; «faltan» = iniciales sin ningún lema (medido).

Diccionario oficial

\* 1884 y 1899 escriben la cabeza en minúscula: contado con pegados-min.py.

Generales

Etimológicos

Sinónimos y construcción

De América y regionales

Otras lenguas con el español

Técnicos y biográficos

Gramáticas y ortografías (tratados)

Recuento

• BUENA (24): academia-1791, academia-1869, gallardo, portatil-1838, marty, monlau, lopez-1799, lopez-1819, gomez-cortina-1845, cuervo, benot-1898, pichardo, penafiel, robelo, agustin, ramirez-1817, trujillo-1844, isidoro, nebrija-reglas, correas-arte-grande, ortografia-1741, ortografia-1754, ortografia-1763, ortografia-1815.
• ACEPTABLE (35): autoridades, academia-1770, 1803, 1817, 1822, 1837, 1843, terreros, dominguez, salva, gaspar-roig, alemany, covarrubias, barcia, echegaray, arriaga, olive-1852, alcedo, figueroa, gilberti, guerra, quintana, velasco-1737, stevens-refranes, tapia-1767, torres-vocabulario, febres-1846, jimenez-1853, ovilo, nebrija-gramatica, gramatica-1771, bello-1847, campuzano-1848, bello-escritores-castellanos, bello-cuervo-1905.
• FLOJA (10): academia-1852, academia-1899, penalver, nebrija-vocabulario, rincon, machoni-1732, torres-rubio-1754, febres (1765), neve-1767, bails-1802.
• MALA (5): academia-1884, alcala-vocabulista, lagunas, palmireno, valdivia.

3. Lo que sale de las medidas (todas las obras)

3.1 Lo que está bien

• Ningún artículo vacío de importancia: 9 sin texto en todo el oficial (1803: 6; 1822: 2; 1817: 1). Ningún id repetido. Duplicados exactos (mismo lema y texto) casi nulos: Echegaray 28, Penafiel 15, 1899 13; ninguna obra pasa del 0,1 %.
• Orden alfabético: en las obras alfabéticas grandes, las bajadas de inicial son del 0,01-0,12 %, y las que salen son el suplemento que vuelve a empezar (1884 p. 1115 «Zuzar → Abaniqueria», 1899 p. 1045) o una cabeza de una o dos letras mal leída («Ss», «Íp», «Úd»). Autoridades (0,75 %) y 1770 (0,52 %) salen altas por los lemas con la «O» del calderón pegada (§ 2).
• Basura de símbolos: baja en todas salvo Valdivia (los «¶» del libro, legítimos) y Torres Rubio (523 «¬», que parecen guiones de fin de renglón sin unir).

3.2 Cabezas tragadas (medido, cota inferior)

Lo que se pierde así no es un error de letra: la cabeza tragada no se encuentra en el buscador. El repaso por época ya lo dijo para el XIX («casi todo el hueco es sospechoso»); aquí está contado por obra.

30/10/2026 00:3x · E-1417 (TX-1417). Partidas con una regla común (herramientas/estructura/troceado.py): 4.588 cabezas tragadas en 25 obras; las que la regla ve (forma de la obra y orden alfabético) pasan de 4.409 a 31, y esta medida (pegados.py) de 4.746 a 1.679. Terreros (coma) y Gaspar y Roig (sin punto) van con su variante. Detalle: docs/estado/troceado.md.

3.3 Lemas que no son lemas (medido)

• Arriaga: 22 lemas con comillas o restos («Ásules”», «Arena"») y 19 de más de 30 letras que son una frase.
• Torres 1811: 550 lemas de más de 30 letras y 67 raros (la categoría o el inglés dentro del lema).
• Alcalá: 37 vacíos, 47 con símbolos, 238 de una letra.
• Nebrija 1495: 35 de una letra; Gilberti, 89.
• Bilingües con el castellano detrás (Rincón 1 % de textos que empiezan por su lema, Quintana 0,3 %, Guerra 9,8 %, Ramírez 5,2 %, Torres Rubio 58 %): es diseño (el lema es el castellano para buscar), pero en Rincón, Guerra y Torres Rubio el programa toma la última palabra castellana o una palabra con la inicial perdida, y el lema no es el que un lector buscaría.

4. Las FLOJA y las MALA: qué hacer (fuentes antes que herramienta)

5. Corrección de datos

5.1 «texto votado» que no lo es (medido; se ve en la web)

diccionario.html:268 escribe «texto votado» si IND.fuente === 'consenso'. Llevan fuente: "consenso" con su propio texto diciendo «un solo ejemplar, sin voto» (o «sin votar») 32 obras, y de ellas 20 enseñan la frase (tienen palabras_en_lexico): arriaga, gaspar-roig, terreros, covarrubias, nebrija-vocabulario, alcala-vocabulista, gilberti, torres-vocabulario, palmireno, rincon, valdivia, torres-rubio-1754, machoni-1732, velasco-1737, neve-1767, tapia-1767, bails-1802, ramirez-1817, trujillo-1844, jimenez-1853. Arreglo de minutos: fuente: "taller" en esas (o que la web decida por calidad.texto).

5.2 Registro (obras.json) frente a indice.json y estado (medido)

• Momentos: los 74 cuadran con su año según la tabla de momentos (comprobado por programa).
• dominguez: año 1846 (fecha 1846-1847), pero el texto es de la 3.ª (1848-1849), 5.ª (1853) y 14.ª (1878); ningún ejemplar de 1846 entra.
• alemany: año 1917 (la 1.ª), texto de la 2.ª, sin año («antes de 1919»).
• quintana: año e impresor de 1733, texto de la reimpresión de Charencey.
• nebrija-gramatica: texto del facsímil de 1909 (bien dicho en edicion).
• isidoro: año 636 (texto de Lindsay, 1911; bien dicho); ver § 6.
• **Lugar o impresor vacíos en obras.json que el indice.json sí trae**: marty (Madrid, Imprenta de don Anselmo Santa Coloma), penalver (Madrid, Imprenta de D. Ignacio Boix). Vacíos sin dato en ninguno: guerra (lugar, impresor), nebrija-gramatica, nebrija-vocabulario, correas, stevens, torres-vocabulario, febres (impresor).
• Autor de la Academia, de tres maneras: «La Academia Española» (casi todas), «Real Academia Española» (academia-1869, en obras.json y en el índice), «la Academia (1726-1739)» (autoridades). La norma del repo dice «la Academia Española»; si es por la portada, 1884 y 1899 también dicen «Real». Decidir una.
• academia-1770: tomos_texto roto («tomos I (A-B); el , en preparación»): no hay tomo en preparación (no salió más).
• ovilo: «II: E-Z» en tomos_texto (cada tomo con su alfabeto): bien, pero raro de leer.
• gaspar-roig: «el tomo II (G-Z), en preparación» y faltan con 22 letras: correcto, es un hueco declarado.
• campuzano-1848 y figueroa y penalver: huecos de escaneo declarados en el estado, no en la cabecera de la web (penalver no lo dice en indice.json).

6. Colecciones dudosas (juicio mío)

• isidoro en «lenguas» (que es «Otras lenguas con el español», bilingües) con momento M0 «áureo»: es latín del s. VII y es una obra etimológica; encaja en «etimologicos» (Covarrubias le cita) y el momento M0 está pensado para el castellano de 1492-1725 (el lematizador por épocas no aplica). Propongo «etimologicos» y un momento nulo o propio.
• penafiel, robelo, figueroa (tipo etimologico) en «america»: defendible (son de América), pero quien busque etimológicos no los ve. Si una obra solo puede estar en una colección, me quedaría con «america» y los citaría en la página de etimológicos.
• arriaga (el bilbaíno) en «etimologicos»: es un vocabulario regional (el «Lexicón … del bilbaíno neto»); encaja mejor en «De América y regionales».
• gallardo y portatil-1838 en «generales»: son diccionarios satíricos y políticos, no generales. Quizá una colección o un tipo «satírico» (y el «Diccionario razonado» de 1811 que Gallardo contesta, si entra).
• ovilo en «técnicos» con tipo biográfico: correcto según la descripción de la colección.
• campuzano-1848: colección gramáticas, tipo ortografía, pero es un manual de voces de escritura dudosa (artículos con categoría): por la forma es un diccionario.

7. Qué cambió entre el clon viejo (1f376edb2) y main (203d9dbdb)

Medí todo primero en el clon del Mac; en main cambian estas obras (lo demás, igual cifra a cifra):

Gilberti y Febrés publican hoy partes nuevas con un CER medido en otra parte del libro.

8. Lo medido y lo supuesto, separado

• Medido (fichero): cifras de artículos, lemas, orden, basura, tragadas (medidas/medidas-main.json, pegados*.py); CER y oro (diccionarios/<obra>/indice.json, campo calidad); el «texto votado» (diccionario.html:268
• indice.json); huecos (estados de penalver, figueroa, campuzano; faltan de gaspar-roig); las 308 voces falsas de Torres Rubio, ya fuera (grep: 0).
• Leído a ojo, sin imagen: los recuentos «muestra n/m» y la clase de cada obra.
• Supuesto, por comprobar: Lagarde 1883 como testigo de Alcalá; la reimpresión de Medina 1894 para Valdivia; que haya otros escaneos de 1852/1884/1899 y del Panléxico en IA o Google; que Lagunas no tenga otra edición.