Lenguaje y encuadre
Cómo un artículo presenta las afirmaciones, moldea el énfasis y guía al lector hacia una interpretación particular.
Viesly / Marco de confianza
Metodología
Última actualización: April 2026
Viesly analiza artículos a través de un proceso estructurado asistido por IA, centrado en señales de confianza, encuadre editorial y sesgo.
El objetivo no es reducir el periodismo a un solo veredicto. El objetivo es dar a los lectores una visión más clara y transparente de cómo está escrito un artículo, qué señales contiene y dónde puede ser útil un escrutinio adicional.
Para qué es esta página
Esta página explica qué analiza Viesly, cómo se produce la evaluación, qué representa la Puntuación de Confianza y dónde comienzan los límites del sistema. Su propósito es hacer el producto más fácil de entender y de usar con responsabilidad.
Qué analiza Viesly
Viesly examina la presentación de un artículo a través de múltiples lentes asociadas con la fiabilidad, el encuadre editorial y el sesgo interpretativo.
Señales de credibilidad de las fuentes
Si las fuentes parecen atribuibles, variadas y orientadas a la evidencia, o si son escasas, circulares u opacas.
Redacción emocional o manipuladora
Si la redacción parece medida e informativa o si recurre a frases cargadas, señales de indignación o presión persuasiva.
Equilibrio y perspectiva
Si el contexto relevante, los contraargumentos y las perspectivas en competencia están representados de forma significativa.
Indicadores de confianza factual
Si las afirmaciones se presentan con la certeza, atribución y consistencia interna adecuadas.
Patrones generales de confianza
Cómo estas señales se combinan para sugerir una mayor o menor fiabilidad en la presentación del artículo.
Cómo funciona el análisis
La evaluación está diseñada como un proceso estructurado para que el resultado pueda ser a la vez sistemático y explicable.
01
Extracción del artículo
El contenido del artículo se analiza y prepara para su evaluación, de modo que el sistema pueda valorarlo en un formato consistente.
02
Evaluación estructurada
El sistema inspecciona el encuadre, la redacción, los patrones de fuentes y otras señales relacionadas con la credibilidad a lo largo del artículo.
03
Razonamiento multimodelo
Anthropic Claude y Google Gemini se utilizan dentro del proceso de evaluación para comparar patrones de razonamiento y respaldar una síntesis más robusta.
04
Puntuación y síntesis
Las señales se combinan en resultados estructurados, incluyendo una Puntuación de Confianza, resúmenes explicativos e indicadores de problemas.
05
Explicación para el usuario
Los resultados se presentan para ayudar a los usuarios a entender el razonamiento detrás de la evaluación, no solo la puntuación en sí.
Puntuación de Confianza
La Puntuación de Confianza es un indicador interpretativo. No es una declaración de verdad objetiva y no debe leerse de forma aislada de la explicación que la rodea.
Qué significa
La puntuación refleja patrones asociados con la fiabilidad y las señales relacionadas con el sesgo en la presentación de un artículo. Resume cómo el sistema interpreta las fuentes, la redacción, el equilibrio, la claridad e indicadores relacionados.
El contexto sigue importando. Un artículo matizado puede contener un lenguaje contundente por razones legítimas, y un artículo pulido puede omitir contexto importante. La puntuación debe apoyar el criterio del lector, no reemplazarlo.
Qué influye en la puntuación
- Señales de consistencia factual
- Sensacionalismo o redacción cargada
- Calidad de la evidencia y las fuentes
- Equilibrio del encuadre
- Claridad frente a manipulación
- Confianza del resultado del modelo
Por qué se usan múltiples modelos
Viesly utiliza múltiples sistemas de IA avanzados en su proceso de evaluación para mejorar la robustez, contrastar los patrones de razonamiento y producir explicaciones sintetizadas más útiles.
Anthropic Claude
Se usa como parte del proceso de razonamiento para analizar la estructura, el lenguaje y las señales relacionadas con la credibilidad en un formato consistente.
Google Gemini
Se usa dentro del proceso para proporcionar un paso de razonamiento adicional y ayudar a reforzar la explicación sintetizada final.
Por qué importa esto
Múltiples modelos no eliminan los errores ni garantizan la verdad. Sin embargo, pueden ayudar a detectar desacuerdos, reducir la dependencia excesiva de un único camino de razonamiento y producir resultados más fáciles de interpretar de forma crítica para los usuarios.
Limitaciones y transparencia
Viesly busca ser transparente sobre dónde el análisis de IA ayuda y dónde el juicio humano sigue siendo esencial.
El análisis de IA puede ser útil, pero no es infalible.
La calidad del artículo, el acceso a las fuentes y el contexto disponible pueden afectar el resultado.
La sátira sutil, los temas especializados o la falta de contexto de referencia pueden reducir la precisión.
Viesly debe apoyar la lectura crítica, no reemplazarla.
El producto no determina la verdad absoluta.
Nota sobre privacidad
Viesly está diseñado para analizar el contenido con cuidado y evitar la retención innecesaria de datos de acuerdo con las prácticas de privacidad de la plataforma. Para más detalles sobre cómo se gestiona la privacidad en el producto, consulta la Política de Privacidad.
Lee con criterio
Viesly se aprovecha mejor como herramienta de apoyo a la decisión para una mayor alfabetización mediática. Revisa la puntuación, lee la explicación, considera el artículo en contexto y utiliza el resultado como un dato más para tu juicio informado, no como una respuesta definitiva.