Usando y Citando el Corpus de Wikiprompt para Investigación

Uso y Cita del Corpus de Wikiprompt para Investigación

La ingeniería de prompts produce texto a escala, y el texto a escala es exactamente el tipo de cosa que a investigadores, estudiantes y periodistas les gusta estudiar. ¿Qué patrones de redacción se repiten en los prompts de imagen dirigidos a diferentes modelos? ¿Cómo difieren estructuralmente los prompts creativos de los de codificación o productividad? Estas son preguntas respondibles, pero solo si existe un corpus contra el cual responderlas, y hasta ahora ese corpus vivía disperso en las líneas de tiempo de cuentas sociales individuales, sin indexar y efectivamente imposible de estudiar.

Wikiprompt ha pasado los últimos meses curando exactamente este tipo de colección: prompts de IA públicos, enviados por usuarios, extraídos de la web abierta, organizados y etiquetados. El catálogo ahora contiene más de 55,000 prompts que abarcan modelos de texto como ChatGPT, Claude y Gemini, y modelos de imagen o video como Midjourney, GPT Image, Seedance, Veo, Kling y Nano Banana. Ese corpus está disponible como un conjunto de datos masivo público, y esta publicación es una guía para usarlo de manera responsable en trabajo académico o periodístico: cómo extraerlo de forma reproducible, cómo atribuirlo y dónde están sus límites.

Por qué este corpus

La mayoría de los conjuntos de datos de prompts que circulan en contextos de investigación son muestras pequeñas recopiladas a mano o capturas raspadas con procedencia poco clara. El de Wikiprompt difiere de tres maneras.

Primero, cada registro rastrea un origen real y atribuible: un campo original_source enlaza a la publicación original, y un campo author nombra a la persona que lo escribió. Este es un índice curado de actividad real de intercambio público de prompts, no un conjunto de datos sintético o anonimizado.

Segundo, está estructurado y es comparable entre registros. Cada prompt tiene una category (creativa, marketing, personal, productividad, codificación, educación, negocios, investigación u otros), tags, un campo model que nombra el sistema de IA objetivo y, cuando corresponde, un objeto metadata con media_type, aspect_ratio, style y una evaluación editorial de calidad, inusual para un conjunto de datos público y útil para estudiar qué separa un prompt fuerte de uno débil.

Tercero, es accesible sin fricción: sin clave de API, sin límites de tasa que evitar, sin infraestructura de scraping que mantener. Eso importa para la reproducibilidad, que es el punto de esta publicación.

Extracción de datos de forma reproducible

El conjunto de datos se expone como dos endpoints. El manifiesto del conjunto de datos devuelve un documento JSON que describe la colección: total_prompts, el esquema completo de record_fields y el esquema de paginación. El catálogo en sí vive en /dataset/prompts, también JSON, paginado con un cursor de keyset en lugar de números de página.

La paginación por keyset merece ser mencionada porque es lo que hace que una extracción de investigación sea reproducible. La paginación basada en offset cambia bajo tus pies si se agregan o eliminan registros a mitad del rastreo, duplicando u omitiendo filas silenciosamente. Un cursor de keyset no tiene ese modo de fallo: sigue la URL next en cada respuesta hasta que devuelva null, y cada página está anclada a una posición estable en lugar de un recuento de filas que puede desplazarse.

Una extracción mínima:

curl "https://www.wikiprompt.org/dataset/prompts?limit=500"

limit acepta hasta 500 registros por página (200 por defecto), y el parámetro del cursor es after. Un rastreo completo en Python es un bucle corto:

import requests

url = "https://www.wikiprompt.org/dataset/prompts?limit=500"

records = []

while url:

resp = requests.get(url, timeout=30).json()

records.extend(resp["prompts"])

url = resp.get("next")

print(len(records), "records pulled")

La respuesta se sirve con Access-Control-Allow-Origin: * y caché de borde pesado, por lo que este bucle es barato y no requiere un proxy de backend. Para una muestra fija y reproducible, registra la fecha de tu extracción junto con la instantánea de tu conjunto de datos, ya que el corpus está creciendo activamente.

Qué hay en un registro

Cada registro incluye campos para análisis de texto (title, description, content, el texto real del prompt), para clasificación (category, tags, model) y para trabajo multimodal (media, un array de URLs de imágenes o videos, más el objeto estructurado metadata). Los campos de tiempo (created_at, updated_at) apoyan estudios longitudinales, y slug más url dan a cada registro un identificador estable y desreferenciable para citar ejemplos específicos en lugar de solo estadísticas agregadas.

Para hacer esto concreto, una cita podría apuntar a una foto arquitectónica de un solo ladrillo proyectando una sombra monumental, o una entrada estilísticamente distinta como un retrato que combina imágenes de otoño con un motivo de mandala tibetano, o una que se basa en convenciones de wuxia y estética thangka. Cada una de esas páginas es el lugar canónico y citable para ese registro: URL estable, atribución visible al autor original y un enlace de regreso a la publicación original.

Para búsquedas en vivo en lugar de una extracción masiva, la API de búsqueda admite filtrado sobre el mismo catálogo, y los resúmenes legibles por máquina viven en llms.txt. Ninguno reemplaza el conjunto de datos masivo para muestreo sistemático, pero ambos ayudan con muestras específicas, como extraer solo la categoría creativa para un estudio limitado a ese dominio.

Atribución y cita

Wikiprompt es un agregador, no el autor original de los prompts en el corpus. El contenido proviene de publicaciones públicas de creadores individuales, y la atribución correcta requiere citar ambas capas: a Wikiprompt como fuente del conjunto de datos y el original_source específico para cualquier registro que cites, reproduzcas o analices en detalle. No mantenemos ni reclamamos una licencia formal sobre el contenido subyacente; trata el reuso como una solicitud de atribución adecuada en lugar de una concesión de derechos más amplios. Si un uso plantea una pregunta que los campos del conjunto de datos no responden, rastrea el registro hasta su original_source y anota ese linaje en tu documentación.

Un formato de cita razonable para el corpus en su conjunto:

Corpus de Wikiprompt. Recuperado [fecha] de https://www.wikiprompt.org/dataset/prompts.

Actividad pública agregada de prompts de IA; los registros individuales atribuyen a los autores originales

a través del campo original_source.

Al citar un prompt individual, usa su URL canónica (wikiprompt.org/<slug>) y, cuando el análisis dependa del contexto original, el original_source enlazado.

Límites que deben declararse claramente

Este es un corpus curado, no una muestra aleatoria de toda la actividad de prompts de IA en línea. Solo los prompts activos y aprobados se exportan; los eliminados por razones de calidad o política no aparecerán. Eso lo hace adecuado para estudiar cómo se ve una colección moderada y pública de prompts, pero no para hacer afirmaciones universales sobre cómo las personas escriben prompts para IA en general.

El corpus también está creciendo, no es fijo. Una extracción de esta semana no coincidirá exactamente con una de la próxima. Donde la reproducibilidad importe, guarda una instantánea local (la paginación con keyset anterior hace que esto sea barato), registra la fecha de extracción y, idealmente, informa el recuento de registros y los límites de fecha de tu instantánea.

Finalmente, las evaluaciones de calidad en metadata son juicios editoriales hechos durante la curación, no un estándar validado empíricamente. Son útiles como una variable a estudiar, pero deben describirse como evaluaciones editoriales, no como puntuaciones objetivas.

Nada de esto es una razón para evitar el corpus. Es la condición bajo la cual existe cualquier conjunto de datos agregado y público: saber de dónde vienen los datos, declarar los límites de la muestra y dar crédito a las personas que realmente escribieron los prompts.