Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 32 Núm. 64 (2023)
Abril-Junio 2023 (Publicación Continua)

Articulos

Machine learning aplicado a la violencia de género: un estudio de mapeo sistemático

https://doi.org/10.19053/01211129.v32.n64.2023.15944

Publicado 2023-06-20

Cristian-Camilo Pinto-Muñoz
Universidad del Cauca

Jhon-Alex Zuñiga-Samboni
Universidad del Cauca

Hugo-Armando Ordoñez-Erazo
Universidad del Cauca

Resumen

Machine Learning (ML) se ha posicionado como una de las mejores herramientas para abordar diferentes problemáticas gracias a su capacidad de procesamiento de datos y a los diferentes modelos, algoritmos y factor predictivo para ayudar a dar solución a los problemas definidos. Es por ello, que este artículo presenta un mapeo sistemático de los años 2018 a 2023, el cual se orienta en la aplicación de ML enfocado en la violencia de género. La metodología seguida para la realización del estudio parte de la definición de elementos, como preguntas de investigación, cadenas de búsqueda, fuentes bibliográficas y criterios de inclusión y exclusión. Los resultados de la investigación permiten comprender los beneficios y retos que presenta el uso de inteligencia artificial, desde específicamente una de sus ramas, el ML, para ayudar a combatir problemas en diferentes ámbitos de la sociedad, como educación, salud, violencia, entre otros. Además de constatar en qué países se está investigando el ML y en qué contextos es aplicado. El trabajo discute la aplicación de ML para combatir la violencia de género. Tras realizar el estudio de revisión de la literatura, se encontraron resultados beneficiosos de la aplicación de inteligencia artificial y ML, ya que los resultados obtenidos en los diferentes artículos presentaban capacidad predictiva y mejoras en comparación con los sistemas actualmente usados. Sin embargo, pese a los resultados positivos, no se encontró en la revisión evidencia de desarrollo de un modelo o algoritmo de ML aplicado a la violencia de género en Colombia.

Palabras clave

Aprendizaje automático, violencia de género, violencia intrafamiliar, Colombia, predicción.

PDF (English) XML (English)

Referencias

      UN Women, Fourth World Conference on Women, 1995. https://www.un.org/womenwatch/daw/beijing/platform/violence.htm#diagnosis
      UN Women, Las mujeres en Colombia, 2023. https://colombia.unwomen.org/es/onu-mujeres-en-colombia/las-mujeres-en-colombia
      ReliefWeb, Colombia: Situación de la Violencia Basada en Género (VBG) - Comparativo 2020 – 2021, 2022. https://reliefweb.int/report/colombia/colombia-situaci-n-de-la-violencia-basada-en-g-nero-vbg-comparativo-2020-2021-abril
      IBM, ¿Qué es Machine Learning?, 2023. https://www.ibm.com/mx-es/analytics/machine-learning
      Á. González-Prieto, A. Brú, J. C. Nuño, J. L. González-Álvarez, “Machine learning for risk assessment in gender-based crime,” Arxiv, Jun. 2021. https://doi.org/10.48550/arxiv.2106.11847
      I. Y. Chen, E. Alsentzer, H. Park, R. Thomas, B. Gosangi, R. Gujrathi, B. Khurana, “Intimate Partner Violence and Injury Prediction from Radiology Reports,” Biocomputing, vol. 26, pp. 55–66, 2021. https://doi.org/10.1142/9789811232701_0006
      L. Quijano-Sánchez, F. Liberatore, G. Rodríguez-Lorenzo, R. E. Lillo, J. L. González-Álvarez, “A twist in Intimate Partner Violence Risk Assessment Tools: Gauging the contribution of exogenous and historical variables,” Knowledge-Based Systems, vol. 234, e107586, 2021. https://doi.org/10.1016/j.knosys.2021.107586
      E. Turner, G. Brown, J. Medina Ariza, “Predicting Domestic Abuse (Fairly) and Police Risk Assessment,” Psychosocial Intervention, vol. 31, no. 3, pp. 145-157, 2022. https://doi.org/10.5093/pi2022a11
      B. A. Kitchenham, D. Budgen, O. Pearl Brereton, “Using mapping studies as the basis for further research - A participant-observer case study,” Information and Software Technology, vol. 53, no. 6, pp. 638–651, 2011. https://doi.org/10.1016/j.infsof.2010.12.011
      A. Carrera-Rivera, F. Larrinaga, G. Lasa, “Context-awareness for the design of Smart-product service systems: Literature review,” Computers in Industry, vol. 142. e103730, 2022. https://doi.org/10.1016/j.compind.2022.103730
      F. Isa, “Propuestas de modelos originales en inteligencia artificial, Teoría de juegos y probabilidad para: distribución de riquezas, medio ambiente, alimentos, cáncer, violencia y educación,” South Florida Journal of Development, vol. 3, no. 5, pp. 6171–6191, 2022. https://doi.org/10.46932/sfjdv3n5-053
      A. Monasterio Astobiza, “Inteligencia Artificial para el bien común (AI4SG): IA y los Objetivos de Desarrollo Sostenible,” Arbor, vol. 197, no. 802, e629, 2021. https://doi.org/10.3989/arbor.2021.802007
      M. Molina, F. Garip, “Machine Learning for Sociology,” Annual Review of Sociology, vol. 45, pp. 27–45, Jul. 2019. https://doi.org/10.1146/annurev-soc-073117-041106
      D. Yuliawan, D. Budiman Hakim, B. Juanda, A. Fauzi, “Classification and prediction of rural socio-economic vulnerability (IRSV) integrated with social-ecological system (SES),” Decision Science Letters, vol. 11, pp. 223-234, 2022. https://doi.org/10.5267/j.dsl.2022.4.001
      M. Zhang, T. Li, Y. Yu, Y. Li, P. Hui, Y. Zheng, “Urban Anomaly Analytics: Description, Detection, and Prediction,” IEEE Trans Big Data, vol. 8, pp. 809-826, 2022. https://doi.org/10.1109/tbdata.2020.2991008
      D. Dantas, M. de Castro Nunes Santos Terra, L. P. Baldissera Schorr, N. Calegarioa, “Machine learning for carbon stock prediction in a tropical forest in Southeastern Brazil,” Bosque (Valdivia), vol. 42, no. 1, pp. 131–140, 2021. https://doi.org/10.4067/S0717-92002021000100131
      H. S. Garcia Cañon, “Implementación de técnicas de machine learning para la predicción de variables meteorológicas y del suelo que afectan la agricultura,” Grade Thesis, Universidad de Los Andes, Colombia, 2019. https://repositorio.uniandes.edu.co/bitstream/handle/1992/45458/u827540.pdf
      H. Lamos-Díaz, D. E. Puentes-Garzón, D. A. Zarate-Caicedo, “Comparison Between Machine Learning Models for Yield Forecast in Cocoa Crops in Santander, Colombia,” Revista Facultad de Ingeniería, vol. 29, no. 54, e10853, 2020. https://doi.org/10.19053/01211129.V29.N54.2020.10853
      O. D. Castrillón, W. Sarache, S. Ruiz-Herrera, “Predicción del rendimiento académico por medio de técnicas de inteligencia artificial,” Formación universitaria, vol. 13, no. 1, pp. 93-102, 2020. https://doi.org/10.4067/S0718-50062020000100093
      H. Ordóñez, C. Cobos, V. Bucheli, “Machine learning model for predicting theft trends in Colombia,” Revista Iberica de Sistemas e Tecnologias de Informacao, vol. 2020, no. E29, pp. 494-506, 2020.
      H.-A. Ordoñez-Eraso, C.-J. Pardo-Calvache, C.-A. Cobos-Lozada, “Detección de tendencias de homicidios en Colombia usando Machine Learning,” Revista Facultad de Ingeniería, vol. 29, no. 54, e11740, 2020. https://doi.org/10.19053/01211129.v29.n54.2020.11740
      J. D. Gelvez Ferreira, M. P. Nieto Rodriguez, C. A. Rocha Ruiz, “Prediciendo el crimen en ciudades intermedias: un modelo de ‘machine learning’ en Bucaramanga, Colombia,” Urvio. Revista Latinoamericana de Estudios de Seguridad, no. 34, pp. 83-98, 2022. https://doi.org/10.17141/urvio.34.2022.5395
      J. E. Valero Cajahuanca, Á. F. Navarro Raymundo, A. C. Larios Franco, J. D. Julca Flores, “Deserción universitaria: Evaluación de diferentes algoritmos de Machine Learning para su predicción,” Revista de Ciencias Sociales, vol. 28, no. 3, pp. 362–375, Jul. 2022. https://doi.org/10.31876/rcs.v28i3.38480
      O. D. Castrillón-Gómez, W. Sarache, S. Ruiz-Herrera, “Predicción de las principales variables que conllevan al abandono estudiantil por medio de técnicas de minería de datos,” Formación universitaria, vol. 13, no. 6, pp. 217-228, 2020. https://doi.org/10.4067/S0718-50062020000600217
      R. Mosquera, O. D. Castrillón, L. Parra, “Predicción de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos utilizando Técnicas de Inteligencia Artificial,” Información Tecnológica, vol. 29, no. 4, pp. 267–280, 2018. https://doi.org/10.4067/S0718-07642018000400267
      S. Kino, Y.-T. Hsu, K. Shiba, Y.-S. Chien, C. Mita, I. Kawachi, A. Daoud, “A scoping review on the use of machine learning in research on social determinants of health: Trends and research prospects,” SSM Popul Health, vol. 15, e100836, 2021. https://doi.org/10.1016/J.SSMPH.2021.100836
      L. D. Polero, C. M. Garmendia, R. E. Echegoyen, A. Alves de Lima, F. Bertón, F. Lambardi, P. Ariznavarreta, R. Campos, J. P. Costabel, “A Machine Learning Algorithm for Risk Prediction of Acute Coronary Syndrome (ANGINA),” Revista Argentina de Cardiología, vol. 88, pp. 9-13, 2020. https://doi.org/10.7775/rac.v88.i1.17193
      I. L. Acosta-Guzman, E. A. Varela-Tapia, C. I. Acosta-Varela, J. D. Tumbaco-Bravo, “Body mass index (BMI) prediction using support vector machine algorithms and AI machine learning decision trees,” in Vigesima Primera Conferencia Iberoamericana en Sistemas, Cibernetica e Informatica, 2022, pp. 18-23. https://doi.org/10.54808/CISCI2022.01.18
      A. G. Quintanilla, N. M. Medina, J. Sulla-Torres, “Prediction of breast cancer through biomarkers using machine learning,” in 18th LACCEI International Multi-Conference for Engineering, Education and Technology, 2020. https://doi.org/10.18687/LACCEI2020.1.1.514
      J. Tan, C. Ma, C. Zhu, Y. Wang, X. Zou, H. Li, J. Li, Y. He, C. Wu, “Prediction models for depression risk among older adults: systematic review and critical appraisal,” Ageing Research Reviews, vol. 83, e101803, 2023. https://doi.org/10.1016/j.arr.2022.101803
      A. A. Lara, “Prediction of psychosocial occupational risk in urban transport applying machine learning techniques,” Revista Ibérica de Sistemas e Tecnologias de Informação, no. E37, pp. 153-165, 2020.
      W. Sun, et al., “Towards artificial intelligence-based learning health system for population-level mortality prediction using electrocardiograms,” NPJ Digital Medicine, vol. 6, no. 1, e21, 2023. https://doi.org/10.1038/s41746-023-00765-3
      M. Molina-Calderon et al., “Application of Machine Learning for the Prediction of Covid19 Through Classification Techniques and Supervised Learning,” in 20th LACCEI International Multi-Conference for Engineering, Education, and Technology, 2022. https://doi.org/10.18687/LACCEI2022.1.1.425
      S. A. Sadegh-Zadeh, M. Bahrami, A. Najafi, M. Asgari-Ahi, R. Campion, A. M. Hajiyavand, “Evaluation of COVID-19 pandemic on components of social and mental health using machine learning, analysing United States data in 2020,” Frontiers in Psychiatry, vol. 13, e933439, 2022. https://doi.org/10.3389/fpsyt.2022.933439
      K. Todorovic, E. O’Leary, K. P. Ward, P. P. Devarasetty, S. J. Lee, M. Knox, E. Andari, “Prevalence, increase and predictors of family violence during the COVID-19 pandemic, using modern machine learning approaches,” Frontiers in Psychiatry, vol. 13, e883294, 2022. https://doi.org/10.3389/fpsyt.2022.883294
      M. Hannes, C. Rauh, “Using past violence and current news to predict changes in violence,” International Interactions, vol. 48, no. 4, pp. 579-596, 2022. https://doi.org/10.1080/03050629.2022.2063853
      D. E. Goin, K. E. Rudolph, J. Ahern, “Predictors of firearm violence in urban communities: A machine-learning approach,” Health and Place, vol. 51, pp. 61-67, 2018. https://doi.org/10.1016/j.healthplace.2018.02.013
      J. Yin, “Crime Prediction Methods Based on Machine Learning: A Survey,” Computers, Materials and Continua, vol. 74, no. 2, pp. 4601–4629, 2023. https://doi.org/10.32604/cmc.2023.034190
      L. Bennett Moses, J. Chan, “Algorithmic prediction in policing: assumptions, evaluation, and accountability,” Policing and Society, vol. 28, no. 7, pp. 806–822, 2018. https://doi.org/10.1080/10439463.2016.1253695
      A. Cáceres, “Rol de la tecnología en la prevención de la violencia de género. El caso de Qispy,” Master Thesis, Pontificia Universidad Católica del Perú, Perú, 2021. http://hdl.handle.net/20.500.12404/20848
      M. F. Canabal Benito, R. Toro Flores, S. López Ongil, C. López Ongil, “Neurotransmisores para mejorar la detección de situaciones de peligro en víctimas de violencia de género,” in V Congreso Internacional de Jóvenes Investigadorxs con perspectiva de género, 2020, pp. 314–322. http://hdl.handle.net/10016/32409
      L. F. Macedo Quiñones, G. T. Chávez Tarazona, “Aplicación de redes neuronales artificiales sobre la violencia de la mujer por su pareja según la encuesta demográfica y de salud familiar, Endes 2016,” Grade Thesis, Universidad Nacional Santiago Antúnez de Mayolo, Perú, 2018. http://repositorio.unasam.edu.pe/handle/UNASAM/2885
      A. Farouk, A. Nasser, “El árbol de decisión en el análisis de la convivencia en casos de víctimas mortales de violencia de género en España,” Journal of Science and Research, vol. 5, no. 4, pp. 109–119, 2020. https://doi.org/10.5281/zenodo.4161179
      I. Rodríguez-Rodríguez, J. V. Rodríguez, D. J. Pardo-Quiles, P. Heras-González, I. Chatzigiannakis, “Modeling and Forecasting Gender-Based Violence through Machine Learning Techniques,” Applied Sciences, vol. 10, no. 22, e8244, 2020. https://doi.org/10.3390/APP10228244
      C. M. Homan, J. Nicolas Schrading, R. W. Ptucha, C. Cerulli, C. O. Alm, “Quantitative Methods for Analyzing Intimate Partner Violence in Microblogs: Observational Study,” Journal of Medical Internet Research, vol. 22, no. 11, p. e15347, 2020. https://doi.org/10.2196/15347
      J. M. Kafka, M. D. Fliss, P. J. Trangenstein, L. McNaughton Reyes, B. W. Pence, K. E. Moracco, “Detecting intimate partner violence circumstance for suicide: development and validation of a tool using natural language processing and supervised machine learning in the National Violent Death Reporting System,” Injury Prevention, vol. 29, no. 2, pp. 134-141, Dec. 2022. https://doi.org/10.1136/IP-2022-044662
      L. B. Amusa, A. V. Bengesai, H. T. A. Khan, “Predicting the Vulnerability of Women to Intimate Partner Violence in South Africa: Evidence from Tree-based Machine Learning Techniques,” Journal of Interpersonal Violence, vol. 37, no. 7-8, pp. 5228-5245, 2020. https://doi.org/10.1177/0886260520960110
      Á. González-Prieto, A. Brú, J. C. Nuño, J. L. González-Álvarez, “Hybrid machine learning methods for risk assessment in gender-based crime,” Knowledge-Based Systems, vol. 260, e110130, 2023. https://doi.org/10.1016/j.knosys.2022.110130
      L. McDougal, N. Dehingia, N. Bhan, A. Singh, J. McAuley, A. Raj, “using machine learning to explore factors associated with marital sexual violence in a cross-sectional study from India,” BMJ Open, vol. 11, no. 12, e053603, Dec. 2021. https://doi.org/10.1136/bmjopen-2021-053603
      A. Raj, N. Dehingia, A. Singh, J. McAuley, L. McDougal, “Machine learning analysis of non-marital sexual violence in India,” EClinicalMedicine, vol. 39, e101046, 2021. http://doi.org/10.1016/j.eclinm.2021.101046
      N. Dehingia, A. K. Dey, L. McDougal, J. McAuley, A. Singh, A. Raj, “Help seeking behavior by women experiencing intimate partner violence in india: A machine learning approach to identifying risk factors,” Plos One, vol. 17, no. 2, e0262538, 2022. https://doi.org/10.1371/journal.pone.0262538
      S. Lopez-Larrosa et al., “Using Machine Learning Techniques to Predict Adolescents’ Involvement in Family Conflict,” Social Science Computer Review, vol. 0, no. 0, e01, 2022. https://doi.org/10.1177/08944393221084064
      J. Xue, J. Chen, C. Chen, R. Hu, T. Zhu, “The hidden pandemic of family violence during COVID-19: Unsupervised learning of tweets,” Journal of Medical Internet Research, vol. 22, no. 11, e24361, 2020. https://doi.org/10.2196/24361
      W. E. Leal, A. R. Piquero, J. Kurland, N. L. Piquero, E. L. Gloyd, “A Case Study of Family Violence During COVID-19 in San Antonio,” Crime Delinq, vol. 68, no. 8, pp. 1161-1182, Jul. 2022. https://doi.org/10.1177/00111287211064781
      M. M. Hossain et al., “Prediction on Domestic Violence in Bangladesh during the COVID-19 Outbreak Using Machine Learning Methods,” Applied System Innovation, vol. 4, no. 4, e77, Oct. 2021. https://doi.org/10.3390/asi4040077
      M. Clur, “Violencia doméstica en Argentina: un modelo de evaluación de riesgos aplicando técnicas de machine learning.” Grade Thesis, Instituto Tecnológico de Buenos Aires, Argentina, 2022. http://ri.itba.edu.ar/handle/123456789/3851

Descargas

Los datos de descargas todavía no están disponibles.