El documento se analiza dentro de este navegador. No se envía a ningún servidor.
Probabilidad por área línea punteada = umbral
Tipo de documento segundo modelo, mismo umbral
Por qué eligió el área palabras que más pesaron
Vocabulario reconocido
Lectura por fragmentos
Ver el texto como lo leyó el modelo
Clasificados en esta sesión
| Hora | Documento | Área | Tipo | Confianza |
|---|
| Documento | Palabras | Área | Conf. | Tipo | Conf. | Área correcta | Tipo correcto | ¿Acertó? | Quitar |
|---|
Marque en "Área correcta" y "Tipo correcto" la respuesta que daría un abogado. Deje el tipo sin marcar si el texto es una consulta informal. Así la herramienta calcula el porcentaje de aciertos sobre los documentos que decidió por sí sola.
Cómo decide
El prototipo no lee como un abogado. Cuenta qué palabras aparecen, compara ese patrón con 840 documentos de entrenamiento y estima dos cosas: a cuál de las siete áreas se parece más y qué tipo de documento es.
- 1Texto jurídico
Demanda, sentencia, resolución o consulta, pegada o leída de un PDF, Word o TXT.
- 2Procesamiento
Minúsculas, sin tildes, números ni palabras vacías. Cada palabra se reduce a su raíz:
trabajadores → trabaj. - 3Representación
TF-IDF: un vector de — términos (palabras y pares de palabras) que pesa más lo distintivo.
- 4Modelos
Dos regresiones logísticas sobre el mismo vector: una para el área y otra para el tipo de documento.
- 5Categoría predicha
Área y tipo con mayor probabilidad. Si no superan el umbral, va a revisión humana o queda "tipo no identificado".
Desempeño medido
Comparación de modelos validación cruzada, 5 pliegues
| Modelo | Exactitud | F1-macro |
|---|
Matriz de confusión
Tipo de documento
| Tipo | Documentos | Pistas principales |
|---|
Matriz de confusión del tipo
Lectura crítica. El 100 % de aciertos se obtuvo con un corpus sintético de 1.050 textos que repite frases entre documentos; no mide el desempeño con documentos reales. Con 17 textos redactados de otra forma, el área más probable fue correcta en 15 y el tipo en 7 de 10. El error más claro: una tutela para proteger un derecho de petición salió como "derecho de petición" con 97 % de confianza, porque el modelo cuenta palabras y no entiende qué acción se ejerce.
Lo que aprendió
Raíces con más peso para cada área.
Límites
- Clasifica por vocabulario, no por jurisdicción. Un contrato realidad con una alcaldía usa palabras laborales y el modelo lo envía a laboral, aunque se tramita ante lo contencioso administrativo.
- Áreas que se cruzan. Un fraude bancario es financiero frente al banco y penal frente al delincuente; una concusión es disciplinaria y penal; una liquidación de la DIAN es tributaria, pero se demanda por la vía contencioso administrativa. El modelo elige una sola y con poca confianza.
- El tipo depende de las fórmulas. El modelo reconoce una tutela por expresiones como "acción de tutela" o "derecho fundamental". Si un ciudadano escribe sin esas fórmulas, o si el texto menciona otro tipo (una tutela que protege un derecho de petición), se equivoca.
- Las consultas no son un tipo. El modelo solo conoce cinco tipos. Una consulta informal debería quedar como "tipo no identificado"; casi siempre ocurre, pero no siempre.
- Una sola etiqueta. Un documento mixto recibe solo una categoría. La lectura por fragmentos ayuda a detectarlo.
- PDF escaneados. Si el PDF es una imagen, no hay texto que leer. Se necesita OCR antes de clasificar.
- Datos de entrenamiento sintéticos. El corpus usa lenguaje técnico: el modelo no reconoce palabras como robaron o cuchillo, y por eso clasificó un atraco como laboral. Para uso real habría que reentrenarlo con documentos de la organización o providencias públicas, anonimizados conforme a la Ley 1581 de 2012.
- Es apoyo, no decisión. Sirve para ordenar la bandeja de entrada; la clasificación final la valida un profesional.