Costa Rica cuenta con una amplia oferta de medios digitales, pero la información que publican está dispersa, en formatos distintos y sin una estructura que permita analizarla de forma sistemática. Esto dificulta estudiar cómo los medios cubren la agenda política y quiénes son los actores con mayor visibilidad mediática. El Observatorio Democrático nace para resolver ese problema mediante herramientas computacionales que recolectan, limpian y analizan noticias de forma continua.

Mediante técnicas de web scraping, se descargan diariamente titulares de noticias provenientes de los siguientes medios:

• La Nación

• El Financiero

• Diario Extra

• CRHoy

• Teletica

• Repretel

• La República

• El Mundo CR

• El Delfino

• La Teja, Paho CR, The Tico Times, Caribe Actual, Presidencia de la República, entre otros (62+ medios funcionales)

Esta recolección continua permite construir un repositorio actualizado de información periodística.

De los 131 medios evaluados, 35 fueron descartados por no corresponder a sitios web válidos (17) o por dominio expirado/inexistente (18). De los 96 sitios web válidos, 77 funcionaron correctamente y 19 no funcionaron por razones técnicas (firewall, falla de contenido estructurado, error de conexión, mantenimiento, etc.).

Los medios funcionales representan una muestra amplia del ecosistema informativo nacional, cubriendo medios de alcance nacional, regional y temático, así como portales en inglés orientados a audiencias internacionales residentes en Costa Rica.

Fase 1 — Recolección inicial: Scripts desarrollados en Python con BeautifulSoup y Playwright para recolectar noticias, validar funcionamiento e identificar problemas de conexión o inconsistencias en la estructura HTML.

Fase 2 — Pipeline de agentes automatizados:

1. Recolector — Descarga y extracción inicial de noticias desde cada medio.

2. Extractor — Limpieza del contenido, eliminación de publicidad, navegación y ruido HTML.

3. Validador — Control de calidad, consistencia y detección de duplicados.

4. Actualizador — Integración continua al corpus maestro con registro centralizado.

5. Agente monitor + publicador — Seguimiento de tendencias temáticas y salida hacia plataforma web.

El análisis presenta limitaciones porque los datos originales pueden estar incompletos, duplicados o registrados con formatos distintos, especialmente en fechas, URLs y estructura del contenido HTML. Algunos medios bloquean el acceso automatizado o cambian su estructura con frecuencia, requiriendo mantenimiento continuo de los scrapers.

La cobertura geográfica también es desigual: los medios de la Gran Área Metropolitana están mejor representados que los medios regionales. El ecosistema mediático cambia constantemente, por lo que el dataset y el pipeline requieren actualización periódica para ser más representativos del panorama informativo nacional.