Fixer les sources et l'unité de vote
Ce parcours aide une équipe éditoriale à examiner des recommandations de livres ou produits dans un export autorisé de HN. Il ne collecte pas les commentaires et ne reconnaît pas toutes les entités. Notez liens, date, fils, exclusions et responsable ; retirez les données personnelles inutiles avant soumission.
Extrayez une matrice avec JSONPath ou analysez le CSV, puis mappez entity, context, id et commentId. Liens et notes restent à part : le CSV du classificateur n'accepte que ses colonnes prévues. Le contexte doit contenir littéralement l'entité, sans distinction de casse. Pour deux entités dans un commentaire, créez deux id et gardez le même commentId et un contexte suffisant. Ne réécrivez pas une citation pour imposer un nom canonique ; documentez les alias, qui ne sont pas fusionnés automatiquement.
Valider sans effacer les désaccords
Un JSON Schema compatible contrôle la structure, pas la provenance. Chaque exécution reçoit 1 à 20 lignes avant regroupement. Utilisez des id stables plutôt que des positions répétées entre lots.
Contrôlez les doublons d'export sur une copie, sans rapprochement approximatif, en respectant la casse et sans supprimer les espaces. Comparez les champs de preuve complets et consignez les retraits. Ne supprimez pas des avis uniquement parce qu'ils citent le même nom ou se ressemblent. Le classificateur groupe entité et commentId, ou l'empreinte entité/contexte sans identifiant. Une contradiction ou un cas ouvert bloque l'inclusion du groupe ; retirer la critique en amont peut créer un faux soutien.
Vérifier le sens et les corrections
Trois commentaires distincts —recommandation explicite, critique, projet de lecture— donnent before égal à trois et after égal à un s'ils sont correctement résolus. La critique n'est pas un vote négatif soustrait aux éloges ; l'intention constitue une catégorie séparée. Avis mixtes et non résolus ne comptent pas automatiquement.
Les règles ne font aucun appel au modèle, sans garantir traitement local dans le navigateur ni couverture linguistique complète. Le mode hybride transmet les cas ouverts à un prestataire : autorisez-le et gardez mode et seuil. La confiance n'est pas une précision mesurée. Les preuves du modèle sont vérifiées dans le contexte fourni, pas sur le site source ; une personne doit confirmer provenance et interprétation.
Téléchargez le modèle actuel de correction. id et fingerprint lient la décision à l'entité et au contexte. Ajoutez une raison, activez confirmed après révision et conservez mixed pour un avis réellement partagé. Un éloge humain confirmé et non mixte peut compter sans confiance numérique, mais les conflits du groupe restent bloquants. Après modification du texte, exportez un nouveau modèle.
Rapprocher les lots avant publication
Comparez les rapports alignés par id et ordre stable ; une différence de chemin ne réalise pas de rapprochement sémantique. Gardez rapports initiaux et corrections. before compte des groupes, pas des lignes, auteurs ou lecteurs ; after compte des éloges admissibles. N'additionnez pas les lots sans rapprocher clés globales et conflits. Distinguez groupes ouverts et lignes à revoir, et indiquez périmètre, politique d'alias et limites des identifiants absents.
Sélectionnez ranking avant conversion CSV : le rapport entier peut faire choisir une autre matrice. Préservez le CSV natif des mentions et le JSON original. Les guillemets CSV ne neutralisent pas les formules : importez le texte non fiable comme texte et inspectez les cellules suspectes. Vérifiez totaux, archives locales et SHA-256 finaux. Les parcours associés servent au nettoyage général ou à la confidentialité ; celui-ci reste centré sur le comptage documenté.