Transcripción masiva de documentos históricos para la recuperación del patrimonio estadístico mediante IA: Un estudio de viabilidad a partir del Censo de Población de Huelva de 1970.
España busca rescatar fuentes histórico-estadísticas en papel para crear registros longitudinales. Este estudio analiza la viabilidad de recuperar microdatos del Censo de Huelva de 1970 usando modelos de lenguaje (LLM). Para cumplir con la confidencialidad, el flujo de trabajo incluyó: preprocesamiento de imágenes, segmentación, anonimización (desordenamiento aleatorio y hashes) y transcripción masiva con la API de Gemini mediante validación multimodelo para evitar alucinaciones. Los resultados se validaron con la Base de Datos Longitudinal de Población de Andalucía (BDLPA), localizando al 50% de los individuos, cifra coherente con la supervivencia y migración tras 40 años (error < 5%). Se demuestra la viabilidad técnica y económica de la IA para rescatar microdatos históricos. Como paso futuro, se propone el Aprendizaje Federado para entrenar modelos de reconocimiento de texto (HTR) propios, garantizando la privacidad y la soberanía tecnológica de la administración pública.
Palabras clave: IA estadística pública modelos de lenguaje