ParlaIbero · herramientas
Proyecto PID2022-141706NB-C22 financiado por MICIU/AEI/10.13039/501100011033 y por FEDER, UE.
ParlaIbero reúne las intervenciones en el pleno de las cámaras bajas o únicas de 16 países:
Argentina, Brasil, Chile, Colombia, Costa Rica, Ecuador, El Salvador, España, Guatemala, México,
Panamá, Paraguay, Perú, Portugal, República Dominicana y Uruguay. Son 10.091.060 intervenciones en
52.718 sesiones, cada una vinculada a un padrón de diputados. Hay un conjunto de datos con su DOI
por país en Harvard Dataverse, bajo licencia
CC BY 4.0.
Este repositorio ofrece dos cosas:
| qué es | para quién |
|---|
mcp/ | Servidor MCP que descarga los datos de Dataverse y permite consultarlos desde Claude, ChatGPT (aplicación de escritorio), Antigravity, OpenCode, Cursor, Codex o cualquier agente compatible con MCP | quien quiere usar los datos |
skills/ | Los 21 skills diaries-* y su código (diaries-lib): la tubería que convirtió los diarios de sesiones (PDF y HTML) en esas matrices | quien quiere reproducir el corpus o construir uno nuevo |
English below.
1 · Servidor MCP: consultar ParlaIbero desde un agente
Requisito: uv (instala Python si hace falta).
Claude Code
claude mcp add parlaibero -s user -- uvx parlaibero-mcp
Claude Desktop, Cursor, Antigravity, Gemini CLI y otros (bloque mcpServers de su configuración; ChatGPT de escritorio, OpenCode y Codex, en mcp/README.md):
{
"mcpServers": {
"parlaibero": {
"command": "uvx",
"args": ["parlaibero-mcp"]
}
}
}
Después basta con pedirlo en lenguaje natural: «descarga El Salvador y dime qué partidos hablan más
de seguridad desde 2019», «¿cuánto se menciona la corrupción en el Congreso peruano por
década?», «compara el peso de las diputadas en el habla de España y Portugal».
¿Por dónde empezar? El tutorial recorre cuatro estudios completos
(la difusión de una palabra, la reacción a la pandemia, la voz de las diputadas frente a su peso en la cámara y los
marcos de la reforma de las pensiones en Brasil) con sus peticiones, resultados reales y comprobaciones, y una ficha de
cada una de las 34 herramientas. Está en español e inglés; el texto fuente está en docs/tutorial/.
| herramienta | qué hace |
|---|
list_countries · download_country | los 16 conjuntos, qué hay descargado, y la descarga de Dataverse con verificación MD5 |
get_documentation · describe_data | README, diccionario, limitaciones conocidas… (en, es, pt) y el esquema de las tablas |
coverage | la base antes de leer una tendencia: sesiones, palabras, vinculación, años que faltan y años con base escasa |
ngram_viewer | visor tipo Google Books Ngram: varias palabras o frases a la vez, por millón de palabras, con suavizado y una línea por país si se quiere; escribe el gráfico en SVG (para artículos y diapositivas) o HTML (interactivo) |
term_counter | el contador: apariciones, intervenciones, oradores, desglose por sexo y partido, y la primera y la última aparición en cada país |
term_frequency | un término agrupado por año, década, país, legislatura, partido, sexo u orador |
share_of_voice | cuánto habla cada grupo (sexo o partido) frente a su peso en el padrón de ese periodo |
distinctive_words | las palabras que más distinguen a dos grupos: diputadas y diputados, dos partidos, dos periodos (log-odds de Monroe et al. 2008) |
kwic · collocations | concordancias en contexto y palabras que acompañan a un término |
search_text · get_intervention · get_session | buscar pasajes y leerlos con su contexto |
query_sql · export_result | SQL de solo lectura (DuckDB) y exportación a CSV o Parquet |
query_log · how_to_cite | lo que se ha ejecutado, con las versiones de los datos (y una nota de métodos), y la cita de cada conjunto |
Bibliotecas: subconjuntos para un análisis enfocado y comparado. library_create reúne las
intervenciones de un tema, un periodo o un grupo en uno o varios países, con una definición por
país (términos, filtros, ventana de tiempo) y la edición de los datos con que se hizo. Las fechas
pueden alinearse con un acontecimiento distinto en cada país (event_dates). Desde ese momento,
cualquier herramienta de análisis trabaja dentro de ella con library=. library_describe dice qué
hay en cada parte antes de comparar: tamaño, fechas, oradores, peso de la presidencia y de los
turnos largos, años demasiado escasos. library_edit, library_combine y library_rebuild
(tras una edición nueva) la afinan.
library_export la escribe para el Diarios Explorer
como un archivo .2replib por país, porque el explorador trabaja con un país a la vez, más un
índice que permite a library_import reconstruir la biblioteca comparada. ⚠ Cada archivo se
importa en el explorador con el CSV de su país cargado: el explorador no comprueba de qué país
es el archivo.
Dos filtros cambian los resultados, y las herramientas avisan cuando conviene usarlos:
max_turn_words deja fuera los turnos muy largos. Casi siempre son documentos leídos en el acta,
que el corpus conserva como habla cuando el acta no marca separación: son el 54 % de las palabras
de Argentina, el 26 % de Uruguay y el 25 % de México, frente a menos del 1 % en España. Por su
parte, exclude_chair deja fuera a la presidencia de la sesión, cuyo habla procedimental puede
dominar una comparación entre grupos.
Los datos se guardan en ~/.parlaibero (o en PARLAIBERO_HOME), y las bibliotecas aparte, en
~/.parlaibero/bibliotecas.duckdb, para que volver a descargar o reindexar no las toque. Los 16 países ocupan unos
12 GB de descarga y 15 GB de base de datos; El Salvador, el más pequeño, ocupa 99 MB. Los países
grandes pueden descargarse desde la terminal, para no depender del tiempo de espera del cliente:
uvx parlaibero-mcp download ES MX
Más detalles en mcp/README.md.
2 · Skills diaries-*: la tubería de construcción
Son instrucciones para Claude Code (ficheros SKILL.md) más el
código Python que invocan. Llevan un diario de sesiones desde el PDF escaneado hasta la matriz
canónica de 16 columnas: OCR, extracción, corrección, metadatos, deduplicación, etiquetado de
oradores, vinculación con el padrón, estandarización y documentación, con un sistema de confianza
(AUTO / FLAG / HALT) y un registro de decisiones metodológicas.
git clone https://github.com/rodrodr/parlaibero-tools.git
cd parlaibero-tools
bash install_skills.sh # copia los diaries-* a ~/.claude/skills (no sobrescribe sin --force)
Y en la carpeta del proyecto que vaya a contener los datos:
bash ~/.claude/skills/diaries-lib/install.sh
Luego, dentro de Claude Code, /diaries-teach explica el recorrido y
/diaries-bootstrap --country xx empieza un país nuevo. El OCR de PDF escaneados usa
Ollama en local.
Los skills recogen la experiencia de construir los 16 corpus y conservan referencias a ese
proceso: identificadores de decisiones (tr-0109, br-0011…), países de ejemplo y scripts
propios de cada país que no forman parte de este repositorio. Son el método tal como se aplicó,
no un producto genérico. El código vive en ~/.claude/skills/diaries-lib/ porque los SKILL.md
lo llaman por esa ruta.
Cómo citar
Cada país se cita por su conjunto de datos, con su DOI y su versión (how_to_cite la devuelve
formateada). Los identificadores id_session e id_int son estables dentro de una versión
publicada, no entre versiones.
Licencia
El código (servidor MCP y skills) se publica bajo MIT. Los datos de ParlaIbero no están
en este repositorio: se descargan de Harvard Dataverse, donde cada conjunto lleva su licencia
(CC BY 4.0), su autoría y su DOI. El logotipo de la financiación pertenece a sus titulares y no se
puede reutilizar ni modificar.
English
ParlaIbero collects the plenary speeches of the lower or single chambers of 16 countries in
Latin America, Spain and Portugal: 10,091,060 interventions in 52,718 sessions, each linked to a
register of deputies. There is one dataset and one DOI per country in
Harvard Dataverse, under CC BY 4.0.
This repository provides:
mcp/, an MCP server that downloads the datasets and lets any MCP-capable agent
(Claude Code, Claude Desktop, Cursor, Codex, Gemini CLI…) search, count and read them. Install it
in Claude Code with
claude mcp add parlaibero -s user -- uvx parlaibero-mcp.
See mcp/README.md for other clients, and the tutorial
for four complete studies with real requests, results and checks, and a card for each tool.skills/, the 21 diaries-* Claude Code skills and their Python code: the
pipeline that turned session diaries (PDF/HTML) into the corpus, from OCR to the canonical
16-column matrix. Install them with bash install_skills.sh. The skills are written in Spanish
and keep references to the construction of the 16 corpora.
Cite each country's dataset with its DOI and version (the how_to_cite tool formats it). Code is
MIT-licensed; data are CC BY 4.0 in Dataverse.
Grant PID2022-141706NB-C22 funded by MICIU/AEI/10.13039/501100011033 and by ERDF/EU.
Datasets
Versions as published on 2026-10-03; list_countries reads the current ones from Dataverse.
Para mantenedores · maintainers
skills/ se genera: no se edita a mano. La fuente única es ~/.claude/skills/diaries-* del
investigador, y python3 maintainer/sync_skills.py la exporta excluyendo respaldos y estado de
proyecto, convierte las rutas absolutas en relativas y falla si queda alguna ruta personal o algo
con aspecto de credencial.
Publicar una versión nueva del MCP en PyPI. Sube el número en mcp/pyproject.toml,
mcp/src/parlaibero_mcp/__init__.py y CITATION.cff, añade la entrada a CHANGELOG.md, y luego:
cd mcp && rm -rf dist && uv build --out-dir dist && uvx twine check dist/*
cd .. && set -a && source .env && set +a && cd mcp && uv publish dist/*
.env (fuera de git) contiene UV_PUBLISH_TOKEN. Una versión publicada no se puede volver a subir:
cualquier corrección sale con un número nuevo.
