Delimite fuentes y unidad de voto
Este procedimiento ayuda a equipos editoriales a revisar recomendaciones de libros o productos en una exportación autorizada de HN. No descarga comentarios ni identifica automáticamente todas las entidades. Registre enlaces, fecha, hilos, exclusiones y responsable; retire información innecesaria antes de enviar.
Extraiga la matriz con JSONPath o analice CSV y mapee entity, context, id y commentId. Guarde enlaces y notas aparte: el CSV del clasificador admite solo sus columnas previstas. El contexto debe contener literalmente la entidad, sin distinguir mayúsculas. Para dos entidades en un comentario cree filas con id diferentes y el mismo commentId, conservando suficiente contexto. No reescriba citas para imponer un nombre canónico: mantenga un registro de alias, pues no se fusionan automáticamente.
Valide sin borrar desacuerdos
Un JSON Schema compatible comprueba estructura, no procedencia. Cada ejecución acepta de 1 a 20 filas antes de agrupar; use identificadores estables en vez de números de posición que se repitan en lotes.
Revise duplicados de exportación en una copia, sin coincidencia difusa, con sensibilidad a mayúsculas y sin recortar espacios. Compare todos los campos de evidencia y registre eliminaciones. No deduzca igualdad por nombre o por opiniones parecidas. El clasificador agrupa entidad y commentId; si falta este, usa la huella de entidad/contexto. Etiquetas contradictorias o pendientes en un grupo bloquean su inclusión. Borrar una crítica antes de revisar puede fabricar una recomendación aparente.
Revise significado, modo y correcciones
Tres comentarios distintos sobre un libro —recomendación explícita, crítica y deseo de leer— producen before igual a tres y after igual a uno si se resuelven correctamente. La crítica no resta un voto al elogio; la intención de lectura es otra categoría. Mezclas y pendientes no cuentan automáticamente.
Las reglas no hacen llamadas al modelo, pero eso no garantiza procesamiento local en el navegador ni cobertura lingüística completa. El modo híbrido envía registros pendientes a un proveedor externo: autorice el envío y documente modo y umbral. La confianza no es precisión medida. La evidencia del modelo se comprueba contra el contexto enviado, no contra la página original; una persona debe confirmar fuente e interpretación.
Descargue la plantilla actual. id y fingerprint vinculan cada corrección a entidad y contexto. Añada motivo, active confirmed solo tras revisar y conserve mixed cuando la opinión sea mixta. El elogio humano confirmado y no mixto puede contar sin confianza numérica; los conflictos del grupo siguen bloqueando el voto. Si cambia el texto, genere una plantilla nueva.
Concilie lotes y entregue evidencia
Compare informes alineados por id y orden estable: una diferencia por ruta no hace correspondencia semántica. Preserve informes iniciales y correcciones. before cuenta grupos, no filas, autores ni lectores; after cuenta elogios aptos. No sume clasificaciones por lote sin revisar claves globales entidad/comentario y conflictos. Separe el número de grupos pendientes del de filas pendientes y publique alcance, política de alias y límites de comentarios sin id.
Seleccione ranking explícitamente antes de convertir a CSV; un informe completo puede llevar al conversor a elegir otra matriz. Conserve el CSV nativo de menciones y JSON original. Las comillas CSV no evitan fórmulas: importe columnas no confiables como texto e inspeccione celdas sospechosas. Verifique totales, archive archivos locales y calcule SHA-256 finales. Use los procedimientos relacionados para limpieza general o privacidad; aquí el objetivo es contar recomendaciones con evidencia.