SIGNAL
ENTRDEARESRU
ABRIR FORMULARIO CONFIDENCIAL
Protocolo de Auditoría GEO de NOMOS

GLOSARIO / FUENTES / CAPA PARA MÁQUINAS

Glosario, fundamentos metodológicos y capa para máquinas

Esta bibliografía no es una lista de autoridades que respalden todos los umbrales propios de NOMOS. Identifica fundamentos metodológicos sobre muestreo, gestión de riesgos, integridad de datos, linaje de la evidencia, acuerdo entre evaluadores, estándares abiertos y evaluación de la conformidad.

Versión
0.9.0
Estado
versión candidata fijada para publicación

Glosario

Observación
Un hallazgo no material que requiere mejoras en claridad, forma o buenas prácticas.
Producto de IA
El objeto medido definido por el producto del sistema generativo particular, la superficie, el plan y la versión disponibles para el usuario.
Afirmación atómica
La unidad más pequeña de significado capaz de transportar un juicio independiente sobre la verdad, el alcance, el tiempo, la entidad o la evidencia.
BQ
El código de Calidad de Referencia que indica el nivel de ejecución y reproducibilidad de un punto de referencia real.
Registro de captura
Un registro que conserva el prompt enviado, la respuesta, el tiempo, la superficie y la evidencia de integridad juntos.
Base común de comparación
La población de usuarios que comparte condiciones de acceso legítimas en todos los productos de IA que se están comparando.
Crítico
Un hallazgo irrecuperable capaz de causar un daño severo a un usuario, un derecho, la seguridad o una decisión material.
GEO-1000
La escala de informes que expresa los resultados de la población objetivo por equivalentes de usuario 1,000.
Paquete de hechos verificados
El paquete de auditoría versionado combinando identidad, alcance, tiempo, evidencia y registros evidencia en contrario para una entidad.
Prompt
La entrada del sistema generativo que bloquea la pregunta de investigación, la entidad objetivo, el contexto y la carga de respuesta.
Tasa de cobertura
La frecuencia con la que un método de estimación por intervalos contiene el valor verdadero asumido bajo un diseño de prueba.
Grave
Un hallazgo material que distorsiona el resultado o el juicio de conformidad y no puede ser compensado por una puntuación compuesta.
Moderado
Un hallazgo de efecto material limitado que, no obstante, requiere remediación y puede conducir a un resultado condicional.
Alcance natural
La población objetivo capaz de acceder a un determinado producto de IA, idioma, superficie y condición de uso de manera natural y legítima.
NOMOS
La voz metodológica crítica y la identidad de estándares desarrollada en este trabajo por Kaan MURAZ con sistemas de IA; no es una persona jurídica independiente ni un modelo base separado.
Brecha de referencia
Una condición en la que no existe o no se puede acceder a una referencia confiable requerida para una decisión.
Demostración sintética
Un ejemplo calculado utilizado para probar el funcionamiento interno del método; no es un estudio real de usuarios, salida real de IA o resultado real del rendimiento institucional.
No resuelto
Un estado de decisión utilizado cuando la evidencia es insuficiente para un juicio final o un conflicto no puede resolverse.

Fundamentos metodológicos

  1. [K01] Aggarwal et al.. GEO: Generative Engine Optimization. 2024. https://doi.org/10.1145/3637528.3671900
  2. [K02] NIST. AI Risk Management Framework 1.0. 2023. https://www.nist.gov/itl/ai-risk-management-framework
  3. [K03] NIST. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). 2024. https://doi.org/10.6028/NIST.AI.600-1
  4. [K04] AAPOR. Transparency Initiative. current edition. https://aapor.org/standards-and-ethics/transparency-initiative/
  5. [K05] AAPOR. Standard Definitions, 10th edition. 2023. https://aapor.org/standards-and-ethics/standard-definitions/
  6. [K06] AAPOR. Code of Professional Ethics and Practices. current edition. https://aapor.org/standards-and-ethics/
  7. [K07] United Nations Statistics Division. Designing Household Survey Samples: Practical Guidelines. 2008. https://unstats.un.org/unsd/demographic-social/Standards-and-Methods/files/Handbooks/surveys/Series_F98-E.pdf
  8. [K08] CDC/NCHS. Reliability of Estimates: Design Effect and Effective Sample Size. current record. https://wwwn.cdc.gov/nchs/nhanes/tutorials/reliabilityofestimates.aspx
  9. [K09] NIST/SEMATECH. Confidence Limits for a Binomial Proportion. current record. https://www.itl.nist.gov/div898/handbook/prc/section2/prc241.htm
  10. [K10] W3C. PROV-O: The PROV Ontology. 2013. https://www.w3.org/TR/prov-o/
  11. [K11] W3C. JSON-LD 1.1. 2020. https://www.w3.org/TR/json-ld/
  12. [K12] IETF. RFC 8259 — The JavaScript Object Notation Data Interchange Format. 2017. https://www.rfc-editor.org/rfc/rfc8259.html
  13. [K13] IETF. BCP 14 — RFC 2119 and RFC 8174. 1997/2017. https://www.rfc-editor.org/info/bcp14
  14. [K14] IETF. RFC 8785 — JSON Canonicalization Scheme. 2020. https://www.rfc-editor.org/rfc/rfc8785.html
  15. [K15] ISO/IEC. 17000:2020 — Conformity assessment vocabulary and general principles. 2020. https://www.iso.org/standard/73029.html
  16. [K16] ISO/IEC. 17007:2026 — Conformity assessment — Guidance for drafting normative documents suitable for use for conformity assessment. 2026. https://www.iso.org/standard/17007
  17. [K17] ISO/IEC. 42001:2023 — Artificial intelligence management system. 2023. https://www.iso.org/standard/42001
  18. [K18] W3C. Process Document. current edition. https://www.w3.org/policies/process/
  19. [K19] ISO. Good Standardization Practices. current record. https://www.iso.org/files/live/sites/isoorg/files/store/en/PUB100440.pdf
  20. [K20] UNESCO. Recommendation on the Ethics of Artificial Intelligence. 2021. https://www.unesco.org/en/legal-affairs/recommendation-ethics-artificial-intelligence
  21. [K21] European Union. Regulation (EU) 2024/1689 — Artificial Intelligence Act. 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  22. [K22] European Union. Regulation (EU) 2016/679 — General Data Protection Regulation. 2016. https://eur-lex.europa.eu/eli/reg/2016/679/oj
  23. [K23] Creative Commons. Attribution 4.0 International. 4.0. https://creativecommons.org/licenses/by/4.0/
  24. [K24] Open Source Initiative. Open Source Definition. current edition. https://opensource.org/osd
  25. [K25] NIST. FIPS 180-4 — Secure Hash Standard. 2015. https://doi.org/10.6028/NIST.FIPS.180-4
  26. [K26] IETF. RFC 3161 — Time-Stamp Protocol. 2001. https://www.rfc-editor.org/rfc/rfc3161.html
  27. [K27] Jacob Cohen. A Coefficient of Agreement for Nominal Scales. 1960. https://doi.org/10.1177/001316446002000104
  28. [K28] Klaus Krippendorff. Reliability in Content Analysis: Some Common Misconceptions and Recommendations. 2004. https://doi.org/10.1111/j.1468-2958.2004.tb00738.x

Capa legible por máquinas

Esta edición para lectores humanos se acompaña de un objeto de publicación JSON independiente: NOMOS-GEO-Audit-Protocol-ES-0.9.0-machine.json. Contiene la identidad y la versión del libro, los identificadores de capítulo, los identificadores de reglas normativas y bloques para máquinas separados del texto fuente.

La existencia de una capa legible por máquinas no crea certificación, condición de estándar mundial canónico, respaldo de proveedores de IA ni una relación automática de confianza. Todo conflicto entre el texto humano y el registro de máquina exige control de versiones y una revisión humana responsable frente al texto maestro turco fijado.

Cita sugerida

Muraz, Kaan. Protocolo de Auditoría GEO de NOMOS: Un protocolo para medir la representación de entidades en sistemas generativos en la población mundial. Texto final candidato, edición editorial en español. NobleJackal, 2026. https://doi.org/10.5281/zenodo.22041222. https://noblejackal.com/es/nomos-geo-audit-protocol/
© 2026 Kaan MURAZ. Publicado bajo licencia CC BY 4.0; se requiere atribución.