Precisión a nivel de campo vs. a nivel de carácter: ¿cuál es la diferencia?

Última revisión: 2026-08-13 · Aplica a: extracción de datos de documentos / evaluación de OCR / flujos de trabajo de cuentas por pagar y entrada de datos

Alcance: Esta definición cubre las dos métricas de precisión utilizadas para evaluar los sistemas de extracción de datos de documentos y OCR — la precisión a nivel de carácter (con qué frecuencia se leen correctamente los caracteres individuales) y la precisión a nivel de campo (con qué frecuencia se extraen correctamente como unidad los campos de datos completos, como el total de una factura o una fecha). No cubre la precisión a nivel de palabra (WER) más allá de una breve comparación, la precisión a nivel de documento (todos los campos de un documento correctos) ni la tasa de procesamiento directo (STP) — cada uno de los cuales se define en su propia página de referencia.
También conocida como: La precisión a nivel de campo a veces se denomina "precisión de campo", "precisión de extracción de campos" o "precisión de extracción a nivel de campo". La precisión a nivel de carácter suele expresarse como su inversa, la tasa de error de caracteres (CER).

La precisión a nivel de campo mide si cada campo extraído es completamente correcto; la precisión a nivel de carácter mide si los caracteres individuales se leen correctamente. Un carácter mal leído corrompe un campo completo, por lo que las dos métricas describen cosas completamente diferentes.

Cómo Funcionan las Dos Métricas de Precisión

Ambas métricas son proporciones, pero cuentan cosas diferentes. La precisión a nivel de carácter pregunta "¿cuántos de los caracteres de este documento se leyeron correctamente?" La precisión a nivel de campo pregunta "¿cuántos de los campos de datos que realmente necesito se extrajeron sin un solo error?"

Precisión a nivel de carácter = caracteres reconocidos correctamente ÷ total de caracteres. La definición formal estándar proviene de la comunidad de evaluación de OCR: la tasa de error de caracteres (CER) es la distancia de edición de Levenshtein entre el texto reconocido y la verdad fundamental — el número mínimo de sustituciones, eliminaciones e inserciones necesarias para convertir uno en el otro — dividido por el número total de caracteres (especificación del proyecto OCR-D). La precisión de caracteres es simplemente 100% − CER. El propio marco de evaluación de NIST (TRAIT) define la precisión de caracteres de la misma manera, como 100 × (1 − distancia de edición normalizada) sobre todas las anotaciones (NISTIR 8199, 2017).

Precisión a nivel de campo = campos extraídos correctamente ÷ total de campos. Un campo — total de factura, fecha, nombre del proveedor, número de cuenta — se califica como una unidad binaria: o coincide exactamente con la verdad fundamental o falla. La versión formal utilizada en los puntos de referencia académicos es el F1 a nivel de campo, la media armónica de precisión y recuperación: F1 = 2 × (Precisión × Recuperación) / (Precisión + Recuperación), donde la precisión es la proporción de campos extraídos que fueron correctos y la recuperación es la proporción de campos esperados que se encontraron (glosario de LlamaIndex, ejemplo trabajado de 10 campos). Un solo dígito incorrecto en un número de factura hace que ese campo sea incorrecto — no se aplica crédito parcial.

Aquí es donde las dos métricas divergen. Un campo con N caracteres a una precisión a nivel de carácter de C% tiene aproximadamente una probabilidad de C^N de ser completamente correcto — el efecto compuesto que hace que la precisión a nivel de carácter sea inútil para predecir la precisión a nivel de campo. Para un número de factura de 9 dígitos con una precisión a nivel de carácter del 99%: 0.99^9 ≈ 91.3% de precisión a nivel de campo para ese campo. El mismo número con una precisión a nivel de carácter del 99.9% aumenta a 99.1%. Un campo de 20 caracteres con una precisión a nivel de carácter del 95% cae a solo 35.9% de precisión a nivel de campo. Esta es una aproximación que asume que los errores son independientes y están distribuidos uniformemente — los sistemas reales concentran los errores en los campos exactos que importan (números, códigos, identificadores), por lo que la precisión a nivel de campo real suele ser peor de lo que predice el modelo. El propio trabajo de OCR de NIST observó esto directamente: reconocer números de página produjo una tasa de error a nivel de campo del 12% incluso cuando el reconocimiento general de caracteres parecía respetable (NISTIR 6101).

La brecha no es teórica. En el punto de referencia SROIE de ICDAR 2019 — 1,000 recibos escaneados donde los equipos fueron evaluados en ambas tareas: OCR a nivel de palabra (Tarea 2) y extracción de información clave a nivel de campo (Tarea 3) en las mismas imágenes — 7 de 24 métodos presentados superaron el 90% de Hmean a nivel de palabra, pero solo 1 de 18 superó el 90% de F1 a nivel de campo (90.49%), y más de la mitad de las propuestas a nivel de campo obtuvieron menos del 80% (Huang et al., ICDAR 2019). Incluso el mejor método de OCR en la Tarea 2 no pudo alcanzar la estricta precisión del 99% que exigen las aplicaciones de recibos — y la extracción a nivel de campo fue aún más difícil. El F1 moderno a nivel de campo en el punto de referencia CORD de recibos se sitúa entre 78% y 97% según el modelo (LayoutLM 78.4, LayoutLMv2 78.9, Donut 84.1, LayoutLMv3 alrededor de 96.6), según los artículos originales de los modelos (Kim et al., Donut, 2022).

Por qué importa la distinción

Los proveedores citan la precisión de caracteres porque es el número más alto y fácil de producir — mientras que las decisiones empresariales dependen de la precisión de campos, que siempre es menor.

La brecha entre marketing y realidad es sistemática. Las afirmaciones de precisión a nivel de carácter de 98–99.5% son habituales para documentos impresos limpios — e incluso las mejores propuestas de OCR al punto de referencia SROIE de ICDAR 2019 no alcanzaron la precisión del 99% que exigen las aplicaciones de recibos (Huang et al., ICDAR 2019). Pero la precisión a nivel de campo, medida en las mismas imágenes, es mucho menor: solo 1 de 18 métodos a nivel de campo en SROIE superó el 90% de F1, mientras que 7 de 24 métodos de OCR a nivel de palabra superaron el 90% — los mismos documentos, dos puntuaciones muy diferentes (Huang et al., ICDAR 2019). El modelo C^N anterior explica la brecha: con un 95% de precisión de caracteres, un campo de 20 caracteres es completamente correcto solo el 35.9% de las veces. Ambos números pueden ser ciertos en el mismo recibo — alta precisión de caracteres y precisión de campos mucho menor — porque responden a preguntas diferentes.

La razón por la que la precisión de campos es el número que importa es que sus sistemas posteriores consumen campos, no caracteres. Un dígito incorrecto en el total de una factura corrompe un pago; un número de cuenta incorrecto corrompe una contabilización — independientemente de cuántos otros caracteres se hayan leído correctamente. La propia tecnología de OCR del NIST demostró este punto en su investigación de conversión de documentos: reconocer los números de página del Registro Federal produjo una tasa de error de campo del 12% incluso cuando el reconocimiento general de caracteres parecía respetable (NISTIR 6101).

La consecuencia operativa es el dimensionamiento de la cola de revisión. Cada error a nivel de campo es un documento que debe detectarse y corregirse. Los modelos modernos alcanzan un F1 a nivel de campo en los años 90 medios en recibos de referencia — LayoutLMv3 obtiene alrededor de 96.6% en CORD, frente al 78–84% de los modelos anteriores (Kim et al., Donut, 2022) — pero la precisión en el mundo real depende del tipo de documento, la calidad de la imagen y el diseño de los campos, y cada documento por debajo del 100% de precisión de campos envía a alguien a una cola de revisión. Un equipo que evalúa una herramienta solo por la precisión de caracteres sobreestimará sistemáticamente cuántos documentos pueden procesarse sin intervención — que es exactamente por lo que los equipos de compras y cuentas por pagar deberían solicitar la precisión a nivel de campo en sus propios tipos de documento antes de comprometerse con cualquier flujo de trabajo.

Conceptos erróneos comunes

  • Concepto erróneo: «Una precisión del 99 % significa que el 99 % de mis datos son correctos».
  • Realidad: Depende por completo de qué se midió. Una precisión del 99 % a nivel de carácter no significa una precisión del 99 % a nivel de campo: un solo carácter mal leído corrompe todo el campo. Con una precisión a nivel de carácter del 99 %, un número de factura de 9 dígitos tiene solo una probabilidad del 91,3 % de ser completamente correcto (0,99^9), y un campo de 20 caracteres es completamente correcto solo el 81,8 % de las veces. El mismo documento puede obtener una puntuación alta a nivel de carácter mientras una parte significativa de sus campos es incorrecta: el punto de referencia SROIE documentó 7 de 24 métodos a nivel de palabra por encima del 90 % frente a solo 1 de 18 métodos a nivel de campo (Huang et al., ICDAR 2019).
  • Concepto erróneo: «La precisión a nivel de carácter y la precisión a nivel de campo son convertibles: basta con restar un porcentaje fijo».
  • Realidad: La conversión depende de la longitud del campo y de la distribución de errores, por lo que no existe una asignación fija. El modelo C^N muestra que la penalización crece con la longitud del campo: un campo de 9 caracteres con una precisión a nivel de carácter del 99 % mantiene una precisión a nivel de campo del 91,3 %, pero un campo de 20 caracteres con la misma precisión a nivel de carácter cae al 81,8 %, y con una precisión a nivel de carácter del 95 %, un campo de 20 caracteres cae a solo el 35,9 %. Los distintos campos del mismo documento tienen longitudes y tasas de error diferentes: no existe un factor de conversión único.
  • Concepto erróneo: «Una mayor precisión a nivel de carácter siempre significa una mejor herramienta».
  • Realidad: El rendimiento a nivel de campo depende de más que la simple lectura de caracteres: el contexto, la comprensión de la estructura y la validación pueden elevar la precisión a nivel de campo por encima de lo que predice la precisión a nivel de carácter, o hundirla por debajo. Un sistema puede leer casi todos los caracteres correctamente y aun así asignar un valor al campo equivocado: un error estructural que la precisión a nivel de carácter ni siquiera puede medir, ya que nunca pregunta si el valor correcto llegó al lugar correcto. El F1 a nivel de campo detecta esto: penaliza tanto los valores incorrectos como los valores extraídos pero mal etiquetados, razón por la cual los puntos de referencia puntúan con F1 en lugar de con precisión bruta a nivel de carácter (glosario de LlamaIndex). Evalúe la precisión a nivel de campo directamente, con sus propios documentos.

Preguntas Frecuentes

¿Cuál es la diferencia entre la precisión a nivel de campo y a nivel de carácter?

La precisión a nivel de carácter mide con qué frecuencia se leen correctamente los caracteres individuales (como una proporción de caracteres correctos respecto al total); la precisión a nivel de campo mide con qué frecuencia se extraen correctamente campos de datos completos — número de factura, fecha, total, proveedor — como una unidad. Un campo es incorrecto si incluso uno de sus caracteres es incorrecto, por lo que la precisión a nivel de campo siempre es menor que la precisión a nivel de carácter en el mismo documento, y es la métrica que importa para los flujos de trabajo reales.

¿Una precisión del 99% significa que el 99% de mis datos son correctos?

Solo si el 99% se midió a nivel de campo. La "precisión del 99%" en el marketing de los proveedores suele ser la precisión a nivel de carácter, porque es el número más alto y más fácil de producir — y no es convertible a precisión de campo. Con una precisión de carácter del 99%, un número de factura de 9 dígitos es completamente correcto solo aproximadamente el 91.3% de las veces (0.99^9), y el riesgo de error por campo se acumula en todos los campos de cada documento.

¿Qué métrica de precisión debo usar al evaluar herramientas de extracción de documentos?

Solicite la precisión a nivel de campo, medida en sus propios tipos de documentos. La precisión de caracteres le indica qué tan bien el motor de OCR lee el texto; no le dice nada sobre si el valor correcto llegó al campo correcto — lo que consumen sus sistemas posteriores. Cuando vea una afirmación destacada de precisión, pregunte qué se midió, en qué documentos y en qué campos. El F1 a nivel de campo (precisión y recuperación juntas) es la métrica formal estándar porque también detecta campos que se extrajeron pero se les asignó la etiqueta incorrecta (glosario de LlamaIndex).

¿Cómo se calcula la precisión a nivel de campo?

Precisión a nivel de campo = campos extraídos correctamente ÷ total de campos esperados × 100%. Un campo coincide solo si es exactamente igual a la verdad fundamental: un solo carácter incorrecto hace fallar el campo. El estándar académico es el F1 a nivel de campo: F1 = 2 × (Precisión × Exhaustividad) / (Precisión + Exhaustividad), donde la precisión es la proporción de campos extraídos que fueron correctos y la exhaustividad es la proporción de campos esperados que se encontraron (glosario de LlamaIndex). Esta es la misma puntuación que utilizan los puntos de referencia SROIE y CORD.

¿Por qué la precisión a nivel de campo es siempre menor que la precisión a nivel de carácter?

Porque un campo falla si falla cualquiera de sus caracteres, y los campos largos fallan rápidamente. El modelo compuesto C^N significa que un campo de 9 caracteres con un 99% de precisión a nivel de carácter conserva solo un 91,3% de precisión a nivel de campo, y la penalización crece con la longitud del campo (0,99^20 ≈ 81,8%). Los sistemas reales también concentran errores en los campos numéricos, donde un solo dígito incorrecto es fatal: NIST observó esto en su propio trabajo de OCR, que produjo una tasa de error de campo del 12% en números de página a pesar de un reconocimiento de caracteres respetable (NISTIR 6101).

¿Cuáles son los puntos de referencia típicos de precisión a nivel de campo?

En los puntos de referencia académicos, el F1 a nivel de campo oscila entre 78% y 97% según el modelo: la competencia SROIE de ICDAR 2019 vio solo 1 de 18 propuestas superar el 90% de F1 a nivel de campo (más de la mitad obtuvo menos del 80%), mientras que los mejores modelos del punto de referencia CORD alcanzan aproximadamente 96–97% (Huang et al., 2019; Kim et al., 2022). Los números de producción varían más que los puntos de referencia porque los documentos reales son más desordenados: trate cualquier cifra individual como dependiente del documento y del campo, y pruebe con sus propios documentos.

Fuentes

  1. Huang, Z., et al. — "ICDAR2019 Competition on Scanned Receipt OCR and Information Extraction" (IEEE ICDAR, 2019). Conjunto de referencia de 1,000 recibos escaneados con 24 propuestas de OCR y 18 de extracción a nivel de campo; 7 de los 24 métodos de OCR superaron el 90% de Hmean, mientras que solo 1 de los 18 métodos a nivel de campo lo logró (90.49%), y más de la mitad quedó por debajo del 80%. Fuente principal de la brecha entre caracteres y campos en documentos idénticos.
  2. Kim, G., et al. — "OCR-free Document Understanding Transformer" (ECCV, 2022). F1 a nivel de campo en el conjunto de referencia CORD según el modelo: LayoutLM 78.4, LayoutLMv2 78.9, Donut 84.1, LayoutLMv3 (base) ~96.6. Fuente del rango de F1 a nivel de campo de 78–97%.
  3. NIST — "The Text Recognition Algorithm Independent Evaluation (TRAIT)" (NISTIR 8199, 2017). Definición oficial del NIST de precisión de caracteres = 100(1 − distancia de edición normalizada)/#anotaciones. Fuente de la definición formal de precisión de caracteres.
  4. NIST — "Impact of Image Quality on Machine Print OCR" (NISTIR 6101, 2001). El propio OCR del NIST produjo una tasa de error de campo del 12% en los números de página del Federal Register, a pesar de un reconocimiento a nivel de carácter respetable. Fuente del ejemplo de tasa de error de campo.
  5. OCR-D Project — Quality Assurance Specification. CER formal = (inserciones + eliminaciones + sustituciones) / total de caracteres y el análogo de WER. Fuente de la fórmula de CER.
  6. LlamaIndex — "What is F1 Score for Document Extraction?". F1 = 2·(P·R)/(P+R) con un ejemplo práctico de factura de 10 campos; explica la puntuación a nivel de campo frente a la de documento. Fuente de la fórmula de F1 y del ejemplo práctico.

Lectura relacionada: La guía de precisión en 4 niveles: carácter, campo, documento y STP · Por qué «99 % de precisión» casi siempre se refiere al nivel de carácter · Cómo medir la precisión a nivel de campo en la práctica

📮 contact email: [email protected]