Qué explica el corpusWhat the corpus explains

Honestidad del modeloModel honesty

Los posteriores por caso son juicios analíticos estructurados, no frecuencias calibradas empíricamente: comparabilidad no es lo mismo que verdad. El modelo dice qué explicación es más coherente con el análisis de cada caso, no cuál es objetivamente correcta. Hay dos maneras de agregar el corpus, y ambas cubren los mismos casos —incidentes por su objeto, casos-documento por el lean de su contenido—. El «nº esperado de casos por explicación» (la suma de las probabilidades de cada narrativa) es lineal y comparable, válido aunque los casos estén correlacionados, y reparte la masa «indeterminable» de forma fraccional: se muestra en /calidad. El conteo por hipótesis modal asigna cada caso —clasificación forzada— a su narrativa más probable, conservando «Indeterminado» como narrativa propia para lo que no se puede decidir; el gráfico de arriba y los enlaces a los casos usan este último: conteos enteros y navegables, coherentes con el filtro de «/cases». Las dos vistas dan cifras algo distintas porque son estimadores distintos (esperado vs modal), no porque se contradigan. La distribución completa de cada caso —con su masa de incertidumbre repartida entre las narrativas que apoya— vive en el detalle del caso.Per-case posteriors are structured analytical judgments, not empirically calibrated frequencies: comparability is not the same as truth. The model says which explanation is most coherent with each case's analysis, not which is objectively correct. There are two ways to aggregate the corpus, and both cover the same cases —incidents by their object, document cases by their content's lean. The 'expected number of cases per explanation' (the sum of each narrative's probabilities) is linear and comparable, holding even if cases are correlated, and it spreads the 'indeterminable' mass fractionally: it is shown on /calidad. The modal-hypothesis count assigns each case —forced classification— to its single most probable narrative, keeping 'Indeterminate' as its own narrative for what cannot be decided; the chart above and the links to the cases use the latter: integer, navigable counts, consistent with the '/cases' filter. The two views give slightly different figures because they are different estimators (expected vs modal), not because they contradict each other. Each case's full distribution —with its uncertainty mass spread across the narratives it supports— lives in the case detail.

Dos ejes independientes, fácil de confundir: el «tier» (S/A/B) mide la fuerza de la evidencia —cuán difícil es descartar el caso—, mientras que esta partición de explicaciones mide qué fue. No son lo mismo: un caso bien documentado (Tier S o A) puede tener como explicación más plausible un posible fraude, y un caso de evidencia limitada (Tier B) no es, por eso, un fraude. De hecho, los casos clasificados como posible fraude se reparten por igual entre Tier A y Tier B.Two independent axes, easy to confuse: the «tier» (S/A/B) measures the strength of the evidence —how hard the case is to dismiss— while this partition of explanations measures what it was. They are not the same: a well-documented case (Tier S or A) can have a possible hoax as its most plausible explanation, and a case with limited evidence (Tier B) is not, for that reason, a hoax. In fact, the cases classified as possible hoax split evenly between Tier A and Tier B.