Archivo · Elecciones presidenciales Colombia 2026

Detrás de cámaras

Cómo está construida la infraestructura de datos y matching de Aclara tu voto. Esta sección es para desarrolladores e investigadores. Si buscas la explicación en lenguaje simple, ve a Metodología.

Stack tecnológico

Frontend

Next.js 16 (App Router) · Tailwind CSS · TypeScript

Desplegado en Vercel. Build estático con SSG para páginas de candidatos.

Motor de afinidad

TypeScript · Vitest

Corre en el navegador. Portado desde el scorer de referencia en Python, con tests de paridad que garantizan resultados idénticos.

Datos

JSON canónico (candidates_canonical.json)

Single source of truth. Curado manualmente. Incluido en el build; sin servidor ni base de datos.

Investigación (offline)

Python · agentes de recolección, extracción y agregación

Propone cambios a los perfiles para revisión humana. No corre en producción.

Flujo de producción actual

Usuario→ responde 25 preguntas en el quiz
Quiz page→ carga las 25 preguntas del JSON canónico
Quiz page→ guarda las respuestas (1–5 por pregunta)
Scorer→ calcula afinidad ponderada por los 7 ejes temáticos, en el navegador
Scorer→ devuelve Result[] ordenado por score (0–100%)
Results page→ muestra candidatos + desglose por tema
/candidatos/[id]→ perfil completo del candidato, prerenderizado como HTML estático

Algoritmo de afinidad

Cada pregunta está asociada a un eje temático y tiene un peso (1–3). Las respuestas se promedian ponderadamente por eje, resultando en un puntaje de usuario por tema en escala 1–5.

Cada candidato tiene un stance_score por tema (1–5). La afinidad en un tema se calcula como:

acuerdo = 1 − |puntaje_usuario − puntaje_candidato| / 4

El puntaje final es la suma ponderada del acuerdo en cada tema multiplicada por el peso relativo del tema. Temas sin datos redistribuyen su peso proporcionalmente entre los temas disponibles.

Las preguntas con dirección negativa tienen sus respuestas invertidas antes del cálculo: 6 − respuesta.

Los 7 ejes temáticos

Los pesos reflejan la importancia relativa de cada tema en el perfil político colombiano 2026.

Seguridad

25%

Política de paz, relaciones con grupos armados, fuerzas militares.

Economía

20%

Modelo económico, inversión privada, rol del Estado en la economía.

Salud

15%

Sistema de salud, EPS vs. modelo público, reforma a la salud.

Energía y Medio Ambiente

15%

Transición energética, exploración de petróleo, acción climática.

Política Fiscal

10%

Deuda pública, gasto social, reforma tributaria, austeridad.

Política Exterior

10%

Relaciones con EE.UU., Venezuela, organismos internacionales.

Anticorrupción

5%

Transparencia, control institucional, mecanismos anticorrupción.

Arquitectura de agentes

El sistema utiliza un pipeline de curación manual con dos agentes en producción. Los perfiles de candidatos son revisados y aprobados por humanos antes de publicarse — ningún cambio llega a los datos activos sin revisión explícita.

Review Agent

Activo

Compara el perfil propuesto con el publicado y genera un diff legible por humanos. Permite a un revisor aceptar o rechazar cambios antes de que lleguen a la data canónica.

Inputs: ProposedUpdate[], canonical data
Outputs: ReviewDiff, recomendación de acción

Matcher Agent

Activo

Lee el perfil canónico y las respuestas del usuario al quiz. Calcula afinidad usando promedios ponderados y normalización de escala. Explica los mayores acuerdos y divergencias.

Inputs: Answers (q01–q25), candidates_canonical.json
Outputs: Result[] ordenados por score, breakdown por tema, explicación

Capa de revisión humana

Antes de que cualquier cambio generado automáticamente llegue a los datos publicados, pasa por una etapa de revisión explícita. El modelo de datos separa claramente:

Publicado

candidates_canonical.json

Datos activos. Curados manualmente. Lo que ve el usuario.

Propuesto

proposed_updates.json

Cambios sugeridos por el agente investigador. Pendientes de revisión.

Revisado

review_log.json

Decisiones del revisor humano: aprobado, rechazado, con notas.

Por qué datos estáticos primero

Confiabilidad ante todo. Un sistema de scraping automatizado comete errores — extrae posturas equivocadas, cita fuentes de baja calidad, o malinterpreta contexto político. Preferimos comenzar con datos curados (aunque pocos) antes que datos abundantes pero ruidosos.

Cero costo. No se usan APIs de búsqueda de pago ni servicios cloud. Todo corre estáticamente. El equipo puede desplegar y operar sin presupuesto.

Transparencia auditora. Cada dato tiene su fuente documentada en el JSON canónico. Cualquier persona puede revisar, cuestionar y proponer correcciones.

Escalabilidad gradual. La arquitectura está lista para agentes de investigación automáticos. Cuando el pipeline esté calibrado y validado, pasará a producción sin cambiar la capa de datos canónica ni el quiz.

Fotos de candidatos: Wikimedia Commons (CC BY-SA)