El Archivo Linz responde

El sistema desarrollado introduce una nueva forma de relacion con el Archivo basada en la tecnología RAG (Retrieval-Augmented Generation), un enfoque que combina recuperación de información y generación de lenguaje natural para ofrecer respuestas precisas y fundamentadas en documentos reales.

Además, integra un mecanismo de exploración de relaciones temáticas mediante los descriptores asociados a cada artículo del archivo.

Este sistema RAG “híbrido” se compone de tres pilares fundamentales:

• Bases de datos vectoriales: almacenan la información en forma de vectores (representaciones numéricas del significado de los textos). Esto permite realizar búsquedas semánticas, es decir, reconocer conceptos relacionados aunque las palabras exactas no coincidan. Por ejemplo, el sistema entiende que “democracia” y “libertad política” están conectadas.
• Modelos de lenguaje (LLM): generan respuestas coherentes y resumidas a partir de los fragmentos más relevantes, redactadas en lenguaje natural.
• Base de datos de grafos: conserva la clasificación exhaustiva del Archivo Linz, más de 10.000 términos del tesauro, y las relaciones jerárquicas y temáticas entre ellos, lo que permite búsquedas más ricas y contextualizadas.

El proceso se desarrolla en tres etapas principales:

• 1. Ingesta y preparación de la información. Los textos y metadatos del Archivo Linz se transforman en vectores mediante modelos de embedding, un proceso que traduce el lenguaje a un espacio numérico que representa su significado. En nuestro caso, el texto de los artículos se vectoriza con el embedding intfloat/multilingual-e5-large, y su clasificación temática se conserva en la base de datos de grafos.
• 2. Consulta del usuario. Cuando el usuario formula una pregunta, esta también se convierte en un vector mediante el mismo modelo de embedding. El sistema compara ese vector con los de la base de datos y devuelve los artículos semánticamente más cercanos a la consulta. Por otra parte, el sistema busca los descriptores temáticos más cercanos a la pregunta, y devuelve también los artículos más relacionados con estos descriptores.
• 3. Generación de la respuesta El modelo de lenguaje recibe esos textos como contexto y, siguiendo instrucciones específicas, sintetiza la información y redacta una respuesta que combina precisión documental y lenguaje natural.

En conjunto, este sistema permite preguntar directamente al Archivo Linz y recibir respuestas fundamentadas en sus propios documentos, combinando la solidez del archivo histórico con las posibilidades de la inteligencia artificial.

Puedes preguntar cosas como:

• “¿Qué papel tuvo Adolfo Suárez en la legalización del PCE?”
• “¿Qué decían los medios sobre la matanza de Atocha?”
• “¿Cómo evolucionó el concepto de autonomías en la prensa entre 1977 y 1979?”

Propiedad intelectual y derechos de autor
El sistema elabora la respuesta e indica las fuentes periodísticas en las que se ha basado.

Transparencia
Este proyecto utiliza modelos de inteligencia artificial para generar respuestas conversacionales. Se informa a los usuarios de que están interactuando con un sistema automatizado y no con una persona real.

Privacidad y Datos
No se almacenan ni utilizan datos personales con fines comerciales. Las interacciones se procesan únicamente para ofrecer la respuesta solicitada y no se emplean para identificar a los usuarios.

Limitaciones del Modelo
El sistema puede cometer errores, ofrecer información incompleta o inexacta, o no captar completamente el contexto. Los usuarios deben contrastar la información cuando sea necesario.

Uso Responsable
El proyecto está diseñado para fines informativos y experimentales. No debe emplearse para tomar decisiones críticas sin supervisión humana experta. Se recomienda hacer mención a información obtenida mediante IA de la siguiente manera:

"Fundación Juan March (2025). El Archivo Linz responde: la prensa de la Transición en diálogo. DataLab, 2025. http://lab.march.es/ia-linz

No Discriminación
Se han tomado medidas para minimizar sesgos en las respuestas. Aun así, el modelo puede reflejar limitaciones de los datos con los que fue entrenado.

Calidad de la recuperación documental
Para medir la capacidad del sistema de localizar información relevante, se diseñó un conjunto de pruebas con preguntas reales utilizadas por investigadores. Se evaluó tanto la búsqueda por descriptores (Neo4j) como la búsqueda semántica (Weaviate), analizando precisión, tiempo de respuesta y la calidad de la recuperación (documentos relevantes sobre los resultados obtenidos por el sistema).

Fidelidad y coherencia de las respuestas generadas
La calidad de las respuestas se valoró mediante una escala Likert de cinco niveles, atendiendo a criterios como exactitud factual, coherencia interna, contextualización histórica y ausencia de errores. Este análisis permitió comparar el rendimiento de los distintos modelos generadores en condiciones controladas.

Comparación completa por tipo de pregunta
La evaluación abarcó todas las categorías incluidas en el estudio: verificación factual, cronología, análisis discursivo, identificación de actores, resolución de ambigüedades y contextualización internacional. Esto permitió identificar patrones diferenciados entre modelos y comprobar su estabilidad en distintos escenarios de consulta.

Valoración integrada del sistema RAG híbrido
La combinación de métricas cuantitativas y evaluación cualitativa mostró que la arquitectura híbrida (Neo4j + Weaviate + modelos generativos) ofrece un equilibrio especialmente robusto: mejora la recuperación de información, reduce alucinaciones y garantiza respuestas fieles a los documentos reales del archivo.

Puedes consultar directamente los artículos utilizados en cada respuesta o acceder al archivo completo desde el buscador clásico del fondo Linz. Además, el equipo detrás del proyecto está abierto a sugerencias para mejorar el sistema y ampliar su cobertura.