> Esta traducción se ofrece por comodidad. El texto normativo es el original en inglés. # Puntuación de coherencia semántica **Especificación del Meta-Universo** **ID del documento:** MU-V2-ECO-006 **Título:** Puntuación de coherencia semántica **Clase de documento:** informativo **Versión:** 2.0 (borrador) **Estado:** borrador de trabajo **Referencias normativas:** ninguna **Referencias informativas:** [Validation](../02-architecture/Validation.md), [Certification](../06-ecosystem/Certification.md), [Traceability](../02-architecture/Traceability.md), [Event](../04-core-concepts/Event.md), [Provenance-Graph](../02-architecture/Provenance-Graph.md) **Copyright:** © Orkestron.AI **Licencia:** Apache-2.0 --- # 1. Propósito Este documento describe la **puntuación de coherencia semántica**: una medida automatizada y transparente de *hasta qué punto un meta-modelo conforme aprovecha las capacidades semánticas de que dispone*. Donde [Validation](../02-architecture/Validation.md) responde a una pregunta binaria (¿es conforme el modelo?), la puntuación de coherencia semántica responde a una graduada (¿cuán rico, trazable y fiable es su contenido?). La puntuación permite una **certificación graduada**: dos modelos pueden superar ambos la validación y diferir mucho en lo completos que son al registrar eventos, documentar conceptos o llevar procedencia. La puntuación hace visible y comparable esa diferencia. --- # 2. Qué mide la puntuación, y qué no La puntuación de coherencia semántica mide la **calidad del contenido**, no la arquitectura. - No vuelve a comprobar la conformidad; un modelo se puntúa solo después de superar los niveles de aprobado o suspenso de [Validation](../02-architecture/Validation.md). - No juzga si el *dominio modelado* es correcto; juzga con cuánta coherencia expresa el modelo aquello que afirma. - Una puntuación alta no sustituye a la certificación, y una baja no implica falta de conformidad: un modelo mínimo pero válido puede puntuar bajo y ser perfectamente usable. En resumen: la validación pregunta *¿está bien formado?*; la puntuación pregunta *¿está bien desarrollado?* --- # 3. Dimensiones que contribuyen La puntuación se compone de dimensiones independientes, cada una medible a partir del modelo y de su historia: - **Completitud de eventos**: la parte de los cambios de estado significativos registrados como [eventos](../04-core-concepts/Event.md) inmutables en lugar de quedar implícitos en el estado actual. - **Coherencia de las relaciones**: la proporción de relaciones bien tipadas, resolubles en ambos sentidos y sin extremos colgantes. - **Cobertura de proyecciones**: si los objetos destinados a compartirse tienen definidas proyecciones apropiadas para los contextos previstos. - **Presencia de procedencia**: la parte de los hechos significativos que llevan procedencia y participan en el [grafo de procedencia](../02-architecture/Provenance-Graph.md). - **Calidad de las correspondencias semánticas**: en modelos federados, con cuánta amplitud y limpieza se corresponden los conceptos con los estándares y socios con los que se declara interoperabilidad. - **Completitud de la documentación**: la parte de los conceptos públicos con nombre visible, descripción y documentación (incluida la cobertura localizada). - **Confianza en los datos**: la fuerza del vector de confianza asociado a las fuentes y afirmaciones del modelo. - **Frescura**: cuán recientemente se revisaron o actualizaron el modelo y sus hechos de mayor impacto en relación con la cadencia esperada. --- # 4. El modelo de puntuación La puntuación es una **suma ponderada** transparente sobre las dimensiones, normalizada a una escala de **0 a 100**: ```text Score = round( Σ ( weight_d × dimension_d ) ) dimension_d ∈ [0, 1] d ``` Una ponderación de referencia (quienes publican y las comunidades pueden ajustar y publicar la suya, ya que el modelo es transparente): | Dimensión | Peso | |-----------|-------:| | Completitud de eventos | 20 | | Presencia de procedencia | 18 | | Coherencia de las relaciones | 15 | | Cobertura de proyecciones | 12 | | Calidad de las correspondencias semánticas | 12 | | Completitud de la documentación | 10 | | Confianza en los datos | 8 | | Frescura | 5 | | **Total** | **100** | Las bandas publicadas dan al número una interpretación: | Banda | Rango | Lectura | |------|-------|---------| | Ejemplar | 90-100 | Contenido rico, plenamente trazable y listo para federar. | | Sólida | 75-89 | Bien desarrollado; huecos menores. | | Adecuada | 60-74 | Usable; huecos apreciables en historia o procedencia. | | En desarrollo | 40-59 | Válido pero escaso; huecos de contenido importantes. | | Mínima | 0-39 | Esqueleto conforme; poca riqueza semántica. | Un informe de coherencia publica el total, la banda y las subpuntuaciones por dimensión, de modo que el número nunca resulta opaco: quien lo lee siempre ve *qué* dimensión lo bajó. --- # 5. Cómo complementa a la validación y a MMQS La puntuación se sitúa entre la validación binaria y un futuro estándar de calidad graduada: - La [**validación**](../02-architecture/Validation.md) es la **puerta**: V0-V5, aprobado o suspenso. Un modelo debe superarla antes de ser puntuado. - La **puntuación de coherencia semántica** es el **gradiente**: un número comparable sobre la misma evidencia, expuesto a través de la [certificación](../06-ecosystem/Certification.md) para que esta pueda informar de una calidad *graduada* y no de un simple aprobado o suspenso. - El **estándar de calidad de meta-modelos (MMQS)** es el **estándar futuro** que haría normativo ese gradiente en todo el ecosistema (véanse las direcciones futuras). Como cada dimensión se calcula a partir de artefactos que la validación ya produce - eventos, relaciones, proyecciones, procedencia, correspondencias, documentación -, la puntuación reutiliza la evidencia existente y se reproduce igual que un [informe de validación](../02-architecture/Validation.md). --- # 6. Ejemplo trabajado de puntuación Tomemos un meta-modelo *Employee* que ha superado la validación. Dimensiones medidas (cada una de 0 a 1) y pesos de referencia: ```text Event completeness 0.90 × 20 = 18.0 Provenance presence 0.80 × 18 = 14.4 Relationship consistency 1.00 × 15 = 15.0 Projection coverage 0.75 × 12 = 9.0 Semantic Mapping quality 0.60 × 12 = 7.2 Documentation completeness 0.70 × 10 = 7.0 Data trust 0.85 × 8 = 6.8 Freshness 0.40 × 5 = 2.0 ------ Total 79.4 → 79 (Strong) ``` El informe publicado muestra el total (79, "Sólida") *y* el desglose, que hace evidente el camino de mejora: la frescura (2,0 sobre 5) y la calidad de las correspondencias semánticas (7,2 sobre 12) son los contribuyentes más débiles, así que revisar los hechos caducados y completar las correspondencias de federación subiría la puntuación más deprisa, sin cambiar en absoluto la arquitectura del modelo. --- # 7. Posición arquitectónica La puntuación de coherencia semántica preserva las invariantes del ecosistema: lee evidencia publicada sin modificar el modelo puntuado, no centraliza autoridad (cualquiera puede recalcularla a partir de la misma evidencia) y nunca anula la conformidad. Es una lente sobre la calidad, superpuesta a la validación, nunca un sustituto de ella. --- # 8. Direcciones futuras La puntuación de coherencia semántica es la semilla concreta de un futuro **estándar de calidad de meta-modelos (MMQS)**. MMQS podría estandarizar las definiciones de las dimensiones y su medición, publicar perfiles de peso de referencia por dominio, definir cómo afloran las puntuaciones graduadas en la [certificación](../06-ecosystem/Certification.md) y en el registro, e integrarse con un **marco de validación semántica (SVF)** para que la misma ejecución de pruebas produzca a la vez el veredicto de aprobado o suspenso y el gradiente de coherencia. También podría dejar que el [vector de confianza](../02-architecture/Traceability.md) y el [grafo de procedencia](../02-architecture/Provenance-Graph.md) alimentaran automáticamente la puntuación de frescura y de procedencia. --- # Declaración final La puntuación de coherencia semántica convierte el "¿es bueno este modelo?" de una opinión en un número transparente y reproducible. Al medir con cuánta amplitud un modelo registra su historia, fundamenta sus hechos y documenta su significado - y al mostrar siempre el desglose que hay detrás del total -, permite que el ecosistema premie la riqueza semántica sin comprometer nunca la claridad binaria de la conformidad.