Corpus de Discusiones sobre Inteligencia Artificial en Wikipedia en Español

Otros responsables
Fecha
Publicador:
Consejo Nacional de Investigaciones Científicas y Técnicas
Fecha de creación:
06/11/2026
Clasificación temática
Palabras clave
Resumen
El dataset recopila de forma estructurada los debates del Café de la comunidad de Wikipedia en español en torno a la adopción, regulación, políticas e impacto de la Inteligencia Artificial generativa (IAG) (desde 2023 hasta mediados de 2026).
Información de Series
El corpus de este estudio procede del índice temático del Café de Wikipedia en español (página Wikipedia:Café por tema y sus archivos). La generación del índice es automática: un bot (PeriodiBOT) actualiza periódicamente el contenido a partir de las clasificaciones realizadas por los editores mediante la plantilla {{tema}}.
Información Técnica
Nombre del archivo: corpus_wikipedia_ia.csv / corpus_wikipedia_ia.xlsx Total de hilos de discusión: 30 Discusiones extraídas con éxito: 27 hilos (90.0% de cobertura del texto completo) Secciones no localizadas (históricos movidos o inaccesibles): 3 Rango temporal de los debates: Del 04 de abril de 2023 al 27 de septiembre de 2026 Volumen total del corpus: 70,156 palabras (422,678 caracteres) Promedio de extensión por debate: 2,338 palabras
Otro
Estructura de Datos (Esquema de Columnas) date: Fecha original de registro de la discusión (DD-MM-AAAA). category: Categoría del foro "El Café" de Wikipedia donde ocurrió el debate (Propuestas, Miscelánea, Políticas, Noticias, Ayuda). title: Título del hilo de discusión. page: Página de archivo histórico de Wikipedia de la que proviene. section: Nombre de la sección interna en formato técnico de Wikipedia. url: Enlace directo para consultar el debate en vivo en la Web. raw_wikitext: Código fuente original (MediaWiki) que incluye firmas, plantillas y marcas de edición. full_content: Texto plano perfectamente depurado y limpio de código HTML, etiquetas wiki o enlaces ruidosos, optimizado para tareas de Procesamiento de Lenguaje Natural (NLP). characters: Conteo de caracteres del texto limpio. words: Conteo de palabras del texto limpio. status: Estado final de la extracción (ok para descargas exitosas, section_not_found para las secciones huérfanas o movidas).
Métodos
La extracción del corpus se realizó utilizando Python y la API de MediaWiki. Mediante un script específico se recuperaron las páginas archivadas y se extrajeron las secciones correspondientes a cada discusión, conservando tanto el marcado original en wikitexto como una versión textual normalizada para su posterior procesamiento. Para cada unidad se registraron metadatos relativos a la fecha, categoría, título, página de procedencia y enlace, además de indicadores de extensión textual (cantidad de palabras y caracteres).
Colecciones
Condiciones de uso
Las buenas prácticas científicas esperan que se otorgue el crédito adecuado mediante una citación. Utilice un formato de citación y aplique estas normas de reutilización:
Licencia Creative Commons
Excepto donde se indique lo contrario, la licencia de este ítem se describe como by-sa
Archivos
ARCHIVO
NOTAS DE USO
TAMAÑO
