Quiénes aparecen

entidades nombradasEntidades nombradas (NER). Los nombres propios que aparecen en un texto: personas, lugares, instituciones. En minería de texto se llama NER (reconocimiento de entidades nombradas). Acá los reconoce un modelo entrenado con textos en español (spaCy); al lado se muestra lo que veían nuestras reglas —la mayúscula y listas de palabras conocidas— como contraste.⚠️ El modelo acierta unas dos de cada tres veces, y las reglas una de cada tres: siempre queda algo mal puesto. Un apellido solo («Montenegro») se junta con el nombre completo si apareció antes en el texto; si no, queda como otra persona.leer más →

Las palabras dicen de qué se habla. Los nombres dicen de quién: las personas, las organizaciones y los lugares más nombrados, con los dos filtros sin los cuales la lista es correcta e inútil.

Sobre qué se buscan los nombres

670 notas · 5 diarios · 257.920 palabras

01 — Lo que sale

Personas

  1. 45
  2. 44
  3. 34
  4. 26
  5. 24
  6. 21
  7. 18
  8. 18
  9. 17
  10. 17

Organizaciones

  1. 103
  2. 38
  3. 35
  4. 28
  5. 27
  6. 25
  7. 24
  8. 24
  9. 19
  10. 19

Lugares

  1. 93
  2. 69
  3. 68
  4. 49
  5. 42
  6. 37
  7. 34
  8. 29
  9. 22
  10. 21

670 notas · 5 diarios · 257.920 palabras · el número es cuántas veces se nombra. Tocá un nombre para ver dónde lo dicen y con qué palabras aparece. Lo tachado es lo que sacaron los filtros de abajo. Los nombres los encontró un modelo —spaCy, es_core_news_md— que corre en nuestra máquina.

Lo que veían nuestras reglas

Hasta el 25 de agosto de 2026 esta lista salía de reglas nuestras: dos palabras con mayúscula seguidas, más listas de cargos, de instituciones y de barrios. Medidas contra 30 notas marcadas a mano encontraban 26 de cada 100 nombres —22 de cada 100 personas— contra 63 del modelo (93 en personas). Se quedan acá porque se pueden abrir y mirar por dentro, que es lo que al modelo no se le puede hacer.

Personas

  1. Javier Milei 96
  2. Guillermo Montenegro 47
  3. Patricia Bullrich 43
  4. Axel Kicillof 36
  5. Luis Caputo 24
  6. Mariano Moyano 18
  7. Cristina Kirchner 18
  8. Jorge Caldera 16
  9. Monte Hermoso 16
  10. Sofía Herrera 15

Organizaciones

  1. Provincia 185
  2. Justicia 180
  3. Gobierno 156
  4. Hospital 143
  5. Policía 122
  6. Fiscalía 83
  7. Escuela 78
  8. Tribunal 70
  9. Juzgado 68
  10. Nación 65

Lugares

  1. Centro 145
  2. Batán 108
  3. Libertad 101
  4. Puerto 58
  5. Camet 43
  6. Belgrano 30
  7. Santa Fe 29
  8. Playa Grande 27
  9. Peralta Ramos 27
  10. Chapadmalal 25

Personas · sólo el modelo: Agustín Neme, Horacio Asensio, Lucía Pérez, Juan B, Juan Pablo Offidani, Sebastián Martínez · sólo las reglas: Axel Kicillof, Luis Caputo, Mariano Moyano, Cristina Kirchner, Monte Hermoso, Sofía Herrera

Organizaciones · sólo el modelo: Justicia Federal, Armada Argentina, Policía Científica, El PAMI, Senado de la Nación Patricia Bullrich, ATE Mar del Plata, HIGA, UTA Mar del Plata · sólo las reglas: Provincia, Justicia, Gobierno, Hospital, Policía, Fiscalía, Escuela, Tribunal

Lugares · sólo el modelo: La Argentina, provincia de Buenos Aires, Lomas de Batán, El Municipio, Parque Luro de Mar del Plata, Base Naval Mar del Plata, Centro Especializado de Aprehensión, Vuelve Montenegro · sólo las reglas: Centro, Batán, Libertad, Puerto, Camet, Belgrano, Santa Fe, Playa Grande

Qué se pierde acá: el modelo también se equivoca —a veces toma un título de nota por una organización, o parte un nombre— y, a diferencia de las reglas, no podés abrirlo y ver por qué decidió. Donde los dos coinciden hay bastante seguridad; donde se separan, tocá el nombre y mirá la frase.

03 — La perilla

Dos filtros que cambian todo

Sin ellos la lista es correcta y a la vez inútil. Lo descartado se ve tachado arriba.

«Mar del Plata» y los nombres de los diarios aparecen en todas las notas: es cierto y no dice nada. Como actores, son ruido. Y «Clínica Colón» no es una persona por más que empiece con mayúscula: cambia de columna.

04 — El límite

El modelo acierta bastante más que unas reglas (medido: 63 de cada 100 nombres contra 26), pero se equivoca igual: parte nombres, toma el título de una nota por una organización y no sabe que dos formas de escribir son la misma persona. Y no se le puede preguntar por qué decidió. Sirve para orientarse sobre quién está en escena — no como padrón.
¿Qué es Quiénes aparecen? — ver más

Los nombres los encuentra un modelo entrenado (spaCy) que lee la frase entera y aprendió, sobre miles de textos en español marcados a mano, qué suena a nombre de persona, de organización o de lugar. Después nosotros acomodamos: el apellido suelto se suma al nombre completo, y se tachan la ciudad y los diarios, que están en todas las notas y no dicen nada.

NER (reconocimiento de entidades nombradas) por modelo estadístico, no por reglas: spaCy es_core_news_md, corriendo en nuestro propio servidor. Nuestras reglas anteriores —mayúsculas más listas de cargos e instituciones— quedan al lado como contraste, porque se pueden mostrar por dentro y el modelo no.

Leer la explicación completa: cómo se hace paso a paso, y los trabajos que fundaron la técnica →

Probar con un texto tuyo → Pegás lo que quieras y le corrés el mismo conteo. Sin registrarte. Y después: cómo lo dice cada diario → Un mismo hecho no se cuenta igual en todos lados. Acá se ve dónde se separan los diarios: qué palabras usan todos, cuáles usa casi solo uno, con qué tono, y —plegado al final— cuál escribe más difícil.
Todos investigamos algo.

Con una cuenta gratis cargás tus textos, los etiquetás, corrés estos mismos análisis sobre ellos y publicás lo que encontraste. Cuando publicás tu primera investigación, sos investigador del HLab.

Crear mi cuenta → Ver un caso completo: El Marquesado