docs: say why starred glosses leave training but stay in the score

[Endika]

Solo documentación. Entrenamiento y evaluación tratan distinto las 2.178 glosas con asterisco de LSE-Health, parece una incoherencia y no lo es, y no estaba escrito en ningún sitio.

El reparto, verificado contra el tier VAR del ELAN

El prefijo * marca «slight drift from normal realization, o un signo OOV visualmente muy parecido», y el motivo concreto de cada una vive en un tier VAR dentro del bundle de ELAN. Parseado enlazando cada código con su glosa: 2.178 glosas marcadas, 2.178 con código, uno cada una.

código	n	qué es	¿sirve?
SIM	472	otra glosa que solo se le parece	no — la etiqueta está mal
OCC	68	signo ocluido	no
OUT	18	signo fuera de plano	no
SHO	485	signo muy corto, por velocidad y mucha coarticulación	sí, y es el caso difícil
MPH LAX MAN LOC	1.129	morfología, ejecución relajada, mano no dominante anómala, ubicación desplazada	sí — el signo real, ejecutado distinto

Por qué la asimetría está bien

El entrenamiento las excluye (health_split.py), siguiendo el consejo de los autores del corpus: son articulaciones distintas de la nominal y emborronan las clases.

La evaluación las puntúa todas (health_words.py:normalize quita el *). Eso hace que la cifra publicada sea la más estricta de las políticas disponibles, no una favorecedora: las 472 SIM le piden al modelo la etiqueta de un signo que no se le está enseñando.

política	instancias puntuables	recall de palabra
todas puntuadas (lo publicado)	1.060	38,1%
quitando solo SIM/OCC/OUT	996	39,7%
quitando todas las marcadas	849	43,1%

La cifra publicada es conservadora por ~1,6 puntos frente a un examen justo, y por 5 frente al favorecedor.

Lo que el README ahora prohíbe explícitamente

No "arreglar" la asimetría excluyéndolas también al puntuar. Subiría la cifra sin que el motor mejore, que es la definición de mover la portería. Si alguna vez se cambia: quitar solo SIM/OCC/OUT, y decirlo al lado del número.

El aviso va en los dos sitios — la sección del README y el docstring de normalize, que es la línea que alguien tocaría sin leerlo.

De paso

Las 485 SHO conviene reportarlas aparte cuando se discuta el segmentador: son exactamente los signos cortos y muy coarticulados que un suelo de duración mínima hace aritméticamente irrecuperables, por la cota IoU <= L/F que ya está documentada más abajo.

Sin cambios de código ni de comportamiento. 30 tests de Python y 199 de JS en verde.