Saltar al contenido
23 oct, 22:45

Datos abiertos

Todo lo que se publica en el panel se puede descargar: métricas con n, IC y sensibilidades; posiciones y bandas; horas; historias y descriptores propios; versiones de titular como hash + URL; encuadre por titular como hash, letras y puntuación. Sin titulares literales, sin firmas y sin prior.

Catálogo

Licencia CC BY 4.0 · generado el vie 23 oct 05:00 · diccionario de variables

Cómo citar

Hemeroscopio (2026). Datos abiertos del observatorio de portadas de la prensa digital española, exportación del vie 23 oct 05:00. https://hemeroscopio.org/datos/. Licencia CC BY 4.0. Cita el fichero por su ruta y su sha256.

Todo lo que ves en este sitio existe antes como fichero público. Aquí puedes descargarlo.

Licencia

CC BY 4.0 (Creative Commons Reconocimiento 4.0 Internacional). Puedes copiar, redistribuir, transformar y construir sobre estos datos, incluso con fines comerciales, citando la fuente: «Hemeroscopio, hemeroscopio.org, [fecha de descarga]» y, si usas un volcado anual, su DOI.

Qué hay

Ficheros Parquet particionados por día (dia=AAAA-MM-DD/) y un catálogo index.json con ruta, partición, filas, huella SHA-256 y esquema de cada fichero, más un diccionario de variables:

Fichero Qué contiene Marca
articulo Dirección normalizada y canónica, cabecera, idioma, sección declarada, tema (modelo), horas declarada y observada, si es opinión o directo, si el cuerpo era accesible, huella del titular (titular_sha256) ■ hechos (salvo tema_iptc)
tramo_portada Cada periodo en que un artículo estuvo en la portada de una cabecera: inicio y fin efectivos, orden en el DOM, banda (apertura / 2-10 / 11-30 / resto), si la banda se sostuvo ≥ 2 capturas, bloque ■
historia Cada agrupación de artículos sobre la misma noticia: apertura y cierre, número de cabeceras y artículos, descriptor propio, sección dominante, versión del algoritmo ◆ modelo
articulo_historia Asignación de cada artículo a su historia, con similitud, si fue provisional o laxa, y si la hizo el modelo o una persona ◆
metrica_cabecera Cada métrica comparativa: valor del modelo de efectos fijos, intervalo, las tres sensibilidades, p ajustada, n, ventana, versión del método ◆
afinidad Asociación corregida por marginales entre pares de cabeceras, con intervalo y n ◆
conteo_frase y frase_partidista Conteo por artículo de coincidencias con una lista congelada de frases parlamentarias (de datos abiertos del Congreso y ParlaMint), y la lista misma con su versión ◆ (desde el 22-2-2027)
composicion_ventana Composición nominal y efectiva de la muestra por familia de métricas y ventana gobernanza
encuadre_titular Cada titular juzgado por el modelo de encuadre: huella SHA-256 del titular, cabecera, historia, letra en cada orden de la escala, puntuación (−1 a +1), probabilidad de «no aplica», si aplica, si es inconsistente entre órdenes, valencia, versión del método. Sin texto de titular: solo huellas, y sin identificadores internos de versión ◆ estimado · encuadre
encuadre_historia_cabecera Una fila por noticia y cabecera: puntuación media de sus piezas, banda (mínimo-máximo), número de piezas y de piezas que aplican, inconsistentes, valencia media, si es teletipo compartido ◆
encuadre_cabecera Una fila por cabecera y ventana de 90 días: desviación respecto al conjunto (cruda y encogida), intervalo, sensibilidades S1-S4, p ajustada, lectura fija, n de noticias, días y titulares, tasas de inconsistencia y «no aplica», si es publicable y por qué no ◆ (solo cabeceras publicables; las demás salen con publicable = false y sin cifra)

Los ficheros JSON que alimentan el panel (hoy.json, estado.json, dia/<fecha>.json, historia/<id>.json, cabecera/<slug>.json) también son públicos, con la misma licencia salvo los titulares citados en la página de cada noticia, que son de sus autores y cabeceras (ver Aviso legal); su estructura está descrita en el diccionario de variables. Los campos del encuadre viajan con prefijo m_ (m_encuadre en cada noticia, m_mapa_medios en hoy.json, m_tendencia y su serie en cada cabecera) y llevan siempre su intervalo y su n; cuando no hay cifra publicable el campo es null y va acompañado de su motivo.

Qué no hay, y por qué

  • Titulares literales: en los ficheros Parquet el titular va como huella SHA-256 + dirección canónica + cabecera. Quien necesite el texto lo obtiene del original. Los titulares literales solo se muestran, como cita, en la página de cada noticia del sitio y en su JSON.
  • Cuerpos ni entradillas: no los almacenamos en ningún soporte (ver Nuestro bot).
  • Firmas de periodistas: nunca en los ficheros Parquet; en el JSON de cada noticia solo como atribución de una cita.
  • El valor del prior externo (CIS, MBFC…) que usamos para componer la muestra: se publica en Método con su fuente, pero no viaja en los datos, para que nadie lo use como etiqueta.
  • Un corpus: no cedemos reproducciones a nadie. Quien quiera un corpus de investigación lo reconstruye con el código y la lista de direcciones bajo su propia excepción legal.

Descarga

  • Catálogo: https://hemeroscopio.org/datos/d/index.json (se regenera cada día).
  • Ficheros: la ruta que indica el catálogo, o https://hemeroscopio.org/datos/d/<ruta>.
  • Diccionario de variables: https://hemeroscopio.org/datos/d/diccionario.md.
  • Volcado anual con DOI en Zenodo cada enero, con el informe de metodología y el código de ese año.

Cómo leerlos

Con DuckDB, en una línea: select * from read_parquet('https://hemeroscopio.org/datos/d/tramo_portada/dia=*/*.parquet') limit 10;. En el repositorio hay un cuaderno de ejemplo que reconstruye la matriz de cobertura de un día.

Reglas de lectura que te pedimos

  • Cada cifra comparativa lleva n, ventana, intervalo y versión del método: úsalos. Si el intervalo cruza cero, la lectura correcta es «sin diferencia detectable».
  • Las cifras de encuadre (encuadre_*, m_encuadre, m_tendencia) son estimaciones de un modelo de lenguaje de pesos abiertos sobre titulares, en una escala de −1 (izquierda) a +1 (derecha) del debate político español; la de cabecera es relativa al conjunto de cabeceras medidas en las mismas noticias, no una etiqueta del medio. No las conviertas en categorías ni en una lista ordenada de cabeceras: el método no lo sostiene y así lo explica Método. Una cabecera con publicable = false no tiene cifra que citar.
  • Las cabeceras nuevas entran en la serie en la fecha que marca composicion_ventana; compara ventanas con la misma composición.
  • Los campos de modelo (m_* en los JSON; historia, articulo_historia, metrica_cabecera, afinidad, tema_iptc en Parquet) son salidas de un algoritmo con una tasa de error publicada en Método; los hechos ■ no.
  • Un cambio de versión de la lista de frases es una ruptura de serie: no sumes conteos de versiones distintas.

Cómo citar

Hemeroscopio (2027). Registro de portadas de la prensa digital española [conjunto de datos]. hemeroscopio.org. DOI: [pendiente del primer volcado].