knowledge_base.py

"""
knowledge_base.py
─────────────────
Patrones de error HTR y grafías del castellano s.XVI.
Edita estas listas para ampliar la base de conocimiento estática.
"""

# ── Confusiones visuales habituales en HTR sobre letra procesal / gótica ──────
HTR_ERROR_PATTERNS = [
    {"htr": "u",  "gt": "n",  "context": "confusión visual u/n en minúscula gótica",         "example": "uuestro → nuestro"},
    {"htr": "n",  "gt": "u",  "context": "confusión visual n/u en procesal",                  "example": "sno → suo (raro)"},
    {"htr": "c",  "gt": "e",  "context": "confusión c/e en cursiva procesal",                 "example": "merçcd → merçed"},
    {"htr": "rn", "gt": "m",  "context": "rn interpretado como m por el modelo",              "example": "cornprar → comprar"},
    {"htr": "ii", "gt": "u",  "context": "doble i confundida con u",                          "example": "diios → duos"},
    {"htr": "cl", "gt": "d",  "context": "cl confundido con d en procesal",                   "example": "clado → dado"},
    {"htr": "f",  "gt": "s",  "context": "s larga (ſ) leída como f por el modelo",            "example": "feñor → señor"},
    {"htr": "1",  "gt": "l",  "context": "1 numérico confundido con l minúscula",              "example": "1ugar → lugar"},
    {"htr": "i",  "gt": "j",  "context": "i/j sin distinción gráfica en s.XVI",               "example": "iusticia → justicia"},
    {"htr": "ó",  "gt": "a",  "context": "a cerrada interpretada como o",                     "example": "cóso → caso"},
    {"htr": "ll", "gt": "h",  "context": "ll confundida con h en algunas manos",               "example": "llonra → honra"},
    {"htr": "vn", "gt": "un", "context": "v usada como u consonántica al inicio de sílaba",   "example": "vno → uno"},
    {"htr": "e",  "gt": "c",  "context": "c abierta leída como e",                            "example": "etro → otro"},
    {"htr": "o",  "gt": "a",  "context": "a redondeada confundida con o",                     "example": "los → las"},
]

# ── Grafías propias del castellano s.XVI que NO deben modernizarse ────────────
GRAFIA_PATTERNS = [
    {"modern": "hizo",      "ancient": "fizo",          "rule": "f- inicial latina ante diptongo ie/ue"},
    {"modern": "hijo",      "ancient": "fijo",          "rule": "f- inicial conservada"},
    {"modern": "hacer",     "ancient": "fazer / hazer", "rule": "variación f/h en infinitivos"},
    {"modern": "dicho",     "ancient": "dho / dicho",   "rule": "abreviatura notarial dho"},
    {"modern": "merced",    "ancient": "merçed",        "rule": "cedilla ante e/i"},
    {"modern": "que",       "ancient": "q̃ / que",       "rule": "abreviatura con tilde volada"},
    {"modern": "porque",    "ancient": "porq̃ / porque", "rule": "abreviatura frecuente"},
    {"modern": "vecino",    "ancient": "vezino",        "rule": "z/c ante vocal anterior"},
    {"modern": "precio",    "ancient": "presçio",       "rule": "variación s/c+cedilla"},
    {"modern": "ciudad",    "ancient": "çibdad / cibdad","rule": "forma medieval con b/v"},
    {"modern": "mucho",     "ancient": "muncho",        "rule": "nasalización muncho/mucho"},
    {"modern": "mismo",     "ancient": "mesmo",         "rule": "mesmo forma habitual s.XVI"},
    {"modern": "también",   "ancient": "tanbién",       "rule": "asimilación nasal"},
    {"modern": "escribano", "ancient": "escriuano",     "rule": "v/u gráfica"},
    {"modern": "nuestro",   "ancient": "nuestro / nro", "rule": "abreviatura nro en notarial"},
    {"modern": "señor",     "ancient": "señor / sr",    "rule": "abreviatura sr"},
    {"modern": "dicho",     "ancient": "dcho / dho",    "rule": "doble abreviatura notarial"},
    {"modern": "tienen",    "ancient": "tienen / tienẽ","rule": "tilde abreviativa nasal final"},
    {"modern": "lugar",     "ancient": "lugar / lug̃r",  "rule": "abreviatura con tilde"},
    {"modern": "presente",  "ancient": "prezente / presente", "rule": "alternancia s/z"},
]

# ── Documentos de ejemplo embebidos (se amplían con el corpus real) ───────────
SAMPLE_PAIRS = [
    {
        "id": "sample_001",
        "type": "notarial",
        "region": "Castilla",
        "date": "1542",
        "htr": "q̃ fizo merçed al dho lugar de las alcaualas",
        "gt":  "que fizo merçed al dicho lugar de las alcaualas",
        "corrections": ["dho → dicho (abreviatura expandida)"],
    },
    {
        "id": "sample_002",
        "type": "notarial",
        "region": "Andalucía",
        "date": "1561",
        "htr": "el escriuano del cabildo faze fe y da testimouio verdadero",
        "gt":  "el escriuano del cabildo faze fe y da testimonio verdadero",
        "corrections": ["testimouio → testimonio (u/n confusión HTR)"],
    },
    {
        "id": "sample_003",
        "type": "judicial",
        "region": "Castilla",
        "date": "1534",
        "htr": "en la muy noble çibdad de burgos a veynte dias del mes de março",
        "gt":  "en la muy noble çibdad de burgos a veynte días del mes de março",
        "corrections": ["días: acento restituido"],
    },
    {
        "id": "sample_004",
        "type": "eclesiastico",
        "region": "Toledo",
        "date": "1578",
        "htr": "el vezino dela villa de alcala prezento ante nos vna peticion",
        "gt":  "el vezino de la villa de alcalá presentó ante nos una petición",
        "corrections": ["dela → de la", "alcala → alcalá", "prezento → presentó", "vna → una"],
    },
    {
        "id": "sample_005",
        "type": "notarial",
        "region": "Extremadura",
        "date": "1549",
        "htr": "yo el sobredho escriuano doy fe q̃ conosco al otorgante",
        "gt":  "yo el sobredicho escriuano doy fe que conosco al otorgante",
        "corrections": ["sobredho → sobredicho", "q̃ → que"],
    },
    {
        "id": "sample_006",
        "type": "judicial",
        "region": "Castilla",
        "date": "1556",
        "htr": "fizo pareçer ante si a juan de la torre vezino desta villa",
        "gt":  "fizo pareçer ante sí a juan de la torre vezino desta villa",
        "corrections": ["si → sí (acento diacrítico)"],
    },
    {
        "id": "sample_007",
        "type": "notarial",
        "region": "Aragón",
        "date": "1523",
        "htr": "sepan quantos esta carta de poder vieren como yo pero lopez",
        "gt":  "sepan quantos esta carta de poder vieren como yo pero lópez",
        "corrections": ["lopez → lópez (acento)"],
    },
    {
        "id": "sample_008",
        "type": "eclesiastico",
        "region": "Sevilla",
        "date": "1587",
        "htr": "en el nonbre de dios e de la virgen maria su madre amen",
        "gt":  "en el nonbre de dios e de la virgen maría su madre amén",
        "corrections": ["maría, amén: acentos restituidos"],
    },
]