Transcripción y entidades de las Fichas de la Dirección Federal de Seguridad (DFS)

Motivación y Alcance El conjunto de datos proporciona insumos estructurados para el entrenamiento, validación y evaluación de modelos de Recuperación de Información, tales como Reconocimiento Óptico de Caracteres (OCR) o Reconocimiento de Entidades Nombradas (NER). Los datos proceden de la transcripción de los ficheros de la Dirección Federal de Seguridad, institución mexicana implicada en el seguimiento y vigilancia política llevada a cabo durante el periodo de la Guerra Sucia en América Latina. El objetivo de este dataset es facilitar el desarrollo de herramientas computacionales aplicadas a la investigación y documentación de violaciones graves a derechos humanos. El recurso fue desarrollado en el marco del proyecto LENTIGOB CBF-2025-G-1031 por un equipo integrado por investigadoras, investigadores y estudiantes, con financiamiento de la Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI). Se utilizaron imágenes de las fichas previamente publicadas por el proyecto Archivos de la Represión (AR) de Artículo 19 y del Archivo General de la Nación (AGN). Estructura del conjunto de datos El corpus contiene 495 fichas documentales de la extinta Dirección Federal de Seguridad (DFS). Para cada registro se dispone de la imagen digitalizada, su transcripción textual y las anotaciones de entidades nombradas identificadas. En total, se anotaron 4,568 entidades distribuidas en cuatro categorías: Fechas (FEC), Lugares (LUG), Organizaciones (ORG) y Personas (PER). La organización del proyecto es: Imágenes “FDFS_Imagenes”: carpeta con las imágenes en formato .jpg de la ficha descargada del sitio del AGN. El nombre del archivo corresponde al ID_ficha del proyecto. Fichas “FDFS_Texto.csv”: archivo que contiene el identificador de cada ficha, su transcripción y la información para facilitar su ubicación en los sitios de AR y el AGN Fichas “FDFS_Entidad.csv”: archivo que contiene el identificador de cada entidad, la ficha en la que aparece, el tipo de entidad, su posición y su nombre estandarizado y textual. Diccionarios de datos FDFS_Texto.csv Variable Tipo Descripción ID_ficha Char (4) Identificador único alfanumérico asignado a la ficha documental (longitud exacta: 4 caracteres). Texto Texto Transcripción textual completa de la ficha. Texto_sin_Saltos Texto Transcripción normalizada a una sola línea continua, sustituyendo saltos de línea por espacios simples. Metodo_Texto Categoría Método empleado para obtener la transcripción del texto. AGN_Ficha Texto Signatura archivística en el Archivo General de la Nación; articula fichero, número de caja e identificador interno de ficha. AGN_Numero Texto Número de control asignado en el catálogo digital del AGN. AGN_Link URL URL del registro documental en el portal del AGN. AR_NombreArchivo Texto Nombre del archivo de imagen digitalizada en el acervo de AR. AR_Link Char (4) URL localizadora del documento digital en la plataforma de AR. FDFS_Entidad.csv Variable Tipo Descripción ID_entidad Char (13) Identificador único del registro de la entidad nombrada dentro del corpus anotado. ID_ficha Char (4) Identificador de la ficha documental donde se localiza la entidad. Llave foránea referenciada a fichas_dfs. Texto Texto Transcripción textual completa de la ficha. Tipo Categoría Categoría ontológica de la entidad. Valores permitidos: FEC (Fecha), LUG (Lugar), ORG (Organización), PER (Persona). Nombre Texto Forma canónica, estandarizada o normalizada de la entidad para resolución y enlace de registros. Inicio Entero Índice entero (base 0) correspondiente al carácter donde inicia la mención dentro de la cadena Texto. Longitud Entero Número total de caracteres que componen la mención de la entidad en el texto. Subcadena Texto Fragmento literal exacto extraído de Texto en el intervalo delimitado por [Inicio, Inicio + Longitud]. Estadísticas del conjunto de datos El conjunto de datos incluye 495 fichas documentales, tanto en formato de imagen como en texto transcrito. No fue posible localizar todas las fichas en ambos repositorios, por lo que falta información sobre 24 fichas del AGN y 11 fichas de AR. Se localizaron 4,568 entidades en cuatro categorías: Fechas (FEC), Lugares (LUG), Organizaciones (ORG) y Personas (PER). PER ORG FEC LUG Total de menciones 1250 888 524 1906 Mediana por ficha 2 2 1 3 Máximo por ficha 10 13 6 23 Las diez entidades más mencionadas por tipo son: PER ORG FEC LUG Lucio Cabañas Barrientos 38 Brigada Campesina de Ajusticiamiento 43 1972-01-11 5 Penal 55 Ruben Figueroa Figueroa 34 Partido de los Pobres 17 1974-12-03 4 Estado de Guerrero 37 Lucio Cabañas 24 PRI 13 1978-12-09 4 Chilpancingo, Guerrero 23 Genaro Vazquez Rojas 17 Fuerzas Armadas Revolucionarias 13 1966-09-22 4 Acapulco, Guerrero 23 Rosa Pacheco de Tellez 14 Asociación Civica Guerrerense 12 1967 4 Guerrero 22 Agustin Alanis Fuentes 13 U.A.G. 8 1975-09-23 4 Distrito Federal 21 Javier Garcia Paniagua 12 Partido Comunista Mexicano 8 1984-04-05 4 Acapulco 16 Alfonso Cisneros Lopez 11 Ejército 7 1977-07-08 4 Atoyac de Alvarez, Guerrero 15 Max Arturo Lopez Hernandez 10 Partido Socialista de los Trabajadores 7 1974-07-03 4 Ciudad de México 14 Martha Tellez Pacheco 10 P.R.I. 6 1973 4 Iguala, Guerrero 12 Metodología de generación del conjunto de datos Las fichas fueron creadas por la Dirección Federal de Seguridad (DFS, 1947–1985), órgano de inteligencia y policía política del Estado mexicano encargado de la vigilancia de movimientos sociales, partidos de oposición, organizaciones armadas y disidencias políticas durante la Guerra Sucia. Se realizó una primera digitalización por la Ex Comisión de la Verdad del Estado de Guerrero (Comverdad) en 2011, la cual fue compartida y resguardada en Archivos de la Represión por la organización Artículo 19. En 2020, el personal de la Comisión Nacional de Búsqueda (CNB) seleccionó de manera aleatoria 495 fichas a partir del acervo de Archivos de la Represión. Sobre este subconjunto se llevó a cabo una primera transcripción manual y extracción de OCR, reportada en la tesis de Juan Carlos González Aguilar, accesible en el repositorio institucional TESIUNAM [Gonzales Aguilar, 2022]. En 2025, el equipo del proyecto LENTIGOB retomó las transcripciones públicas para alinearlas con la nueva digitalización de alta resolución y OCR automático publicada por el AGN. Este proceso requirió cuatro meses de trabajo. Las tomas fotográficas de Archivos de la Represión registraban con frecuencia una sola cara de la ficha o encuadraban hasta cuatro fichas simultáneamente en una sola captura. Por el contrario, el AGN Digital almacena las fichas en formato PDF individualizado con dos páginas (anverso y reverso). Se programó un módulo automatizado en Python para comparar el contenido de la transcripción manual con las capas de texto y metadatos de las páginas 1 y 2 de los documentos del AGN. El algoritmo asignó cada transcripción a su página correspondiente, estableciendo el vínculo biunívoco entre texto manual y expediente digital oficial. Durante un periodo de seis meses adicionales, se realizó la detección y anotación de entidades nombradas sobre las extracciones manuales. Consideraciones Consideraciones éticas y tratamiento de datos personales El conjunto de datos incluye nombres y datos personales recabados originalmente por la DFS mediante mecanismos de espionaje y control político. La publicación de esta información se fundamenta en su valor documental para el esclarecimiento de violaciones graves a derechos humanos y la reconstrucción de la verdad histórica. No es factible asegurar que las personas mencionadas en las fichas tengan conocimiento de que sus datos fueron registrados por la DFS, que obran en archivos públicos o que forman parte de este conjunto de datos. En atención a los derechos de las personas titulares o sus representantes legales, el proyecto mantiene una política activa de retiro: si una persona citada solicita la remoción de sus datos, debe enviar su petición al correo de contacto para proceder a su exclusión inmediata. Consideraciones sobre la muestra y sesgos: Las 495 fichas fueron seleccionadas de forma aleatoria a partir de los fondos disponibles, por lo que no constituyen la totalidad del Fichero de la DFS. Los registros originales contienen múltiples fuentes de ruido y sesgos sistemáticos derivados de los métodos de vigilancia, perfilamiento político y doctrina de seguridad de la corporación emisora. A estos sesgos se agregan el ruido y sesgos de los procesos políticos de esclarecimiento de la verdad y del manejo de documentos historicos. Localización y trazabilidad de fuentes: El conjunto de datos incluye campos para vincular cada ficha con dos acervos documentales: Archivos de la represión: Colección documental digitalizada bajo resguardo de Artículo 19. Se ubica en la URL: https://archivosdelarepresion.org/ Fondo DFS en el Archivo General de la Nación (AGN): Repositorio institucional del Estado mexicano. EL fondo especifico se encuentra en el URL: https://repositorio.agn.gob.mx/arbol-jerarquico?id=977d2de2-8c98-40af-a61a-a19d85ee582b Al momento de la publicación del conjunto de datos, los enlaces directos a las fichas en el portal del AGN presentan fallas operativas de resolución de URL. Los registros pueden ser ubicados mediante navegación directa en el catálogo interno del sitio del AGN empleando las signaturas y metadatos consignados en este dataset. Disponibilidad y licenciamiento El conjunto de datos está depositado en el repositorio abierto Zenodo bajo licencia MIT. El esquema de mantenimiento contempla actualizaciones incrementales en Zenodo conforme se procesen nuevas fichas, se corrijan transcripciones o se expandan las entidades anotadas. Agradecimientos Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI) por el financiamiento otorgado a través del proyecto CBF-2025-G-1031). Archivo General de la Nación (AGN) por la preservación y digitalización del acervo de la Dirección Federal de Seguridad. Artículo 19 (Oficina para México y Centroamérica) por el resguardo y acceso a la plataforma Archivos de la Represión. Comisión Nacional de Búsqueda (CNB) por las labores preliminares de selección muestral. Referencias González Aguilar, J. C. (2022). *Uso de Aprendizaje de Máquina para el análisis de los ficheros de la Dirección Federal de Seguridad (DFS)* [Tesis de licenciatura, Universidad Nacional Autónoma de México, Facultad de Estudios Superiores Acatlán]. TESIUNAM. Recuperado el 19 de agosto de 2026, de [https://tesiunamdocumentos.dgb.unam.mx/ptd2022/noviembre/0833442/Index.html](https://tesiunamdocumentos.dgb.unam.mx/ptd2022/noviembre/0833442/Index.html) Artículo 19 México y Centroamérica. (s. f.). *Presentación*. Archivos de la Represión. Recuperado el 19 de agosto de 2026, de [https://biblioteca.archivosdelarepresion.org/page/presentacion](https://biblioteca.archivosdelarepresion.org/page/presentacion) Comisión de la Verdad del Estado de Guerrero. (2014, 15 de octubre). *Informe final de actividades*. Sitios de Memoria, Secretaría de Gobernación. Recuperado el 19 de agosto de 2026, de [https://sitiosdememoria.segob.gob.mx/work/models/SitiosDeMemoria/Documentos/PDF/InformeFinalCOMVERDAD.pdf](https://sitiosdememoria.segob.gob.mx/work/models/SitiosDeMemoria/Documentos/PDF/InformeFinalCOMVERDAD.pdf) Archivo General de la Nación. (s. f.). *Secretaría de Gobernación. Dirección Federal de Seguridad. Ficheros: Índice general por nombres y cajones* [Fondo documental]. Repositorio Digital del AGN. Recuperado el 19 de agosto de 2026, de [https://repositorio.agn.gob.mx/arbol-jerarquico?id=977d2de2-8c98-40af-a61a-a19d85ee582b](https://repositorio.agn.gob.mx/arbol-jerarquico?id=977d2de2-8c98-40af-a61a-a19d85ee582b) Mecanismo para la Verdad y el Esclarecimiento Histórico. (2024). *Fue el Estado (1965-1990): Volumen 1*. Secretaría de Gobernación. Recuperado el 19 de agosto de 2026, de [http://www.meh.org.mx/especial-informe-final/descargas/Informe_final_MEH_Fue_el_Estado_Vol1_V3.pdf](http://www.meh.org.mx/especial-informe-final/descargas/Informe_final_MEH_Fue_el_Estado_Vol1_V3.pdf)