Banco Interamericano de Desarrollo
facebook
twitter
youtube
linkedin
instagram
Abierto al públicoBeyond BordersCaribbean Development TrendsCiudades SosteniblesEnergía para el FuturoEnfoque EducaciónFactor TrabajoGente SaludableGestión fiscalGobernarteIdeas MatterIdeas que CuentanIdeaçãoImpactoIndustrias CreativasLa Maleta AbiertaMoviliblogMás Allá de las FronterasNegocios SosteniblesPrimeros PasosPuntos sobre la iSeguridad CiudadanaSostenibilidadVolvamos a la fuente¿Y si hablamos de igualdad?Inicio
Administración pública Agua y saneamiento Ciencia, tecnología e innovación Comercio e integración regional Conocimeinto Abierto Desarrollo infantil temprano Desarrollo urbano y vivienda Educación Energía Género y diversidad Impacto Industrias Creativas Medio ambiente, cambio climático y Salvaguardias Política y gestión fiscal Salud Sin Miedos Trabajo y pensiones
  • Skip to main content
  • Skip to secondary menu
  • Skip to primary sidebar
  • Skip to footer

Seguridad Ciudadana

  • INICIO
  • CATEGORÍAS
    • Estadísticas y datos del crimen
    • Policía
    • Prevención del crimen
    • Reforma de la justicia
    • Sistemas penitenciarios
    • Violencia de género
  • Autores
  • Español
    • English

“Machine Learning” y “MoneyBall”: Lecciones para prevenir y predecir la violencia doméstica

September 21, 2017 by Robert Pantzer 1 Comentario


Por Robert Pantzer

La película “Money Ball” cuenta la historia real de Billie Beane, gerente del equipo de béisbol “Oakland Athletics”. Al principio del 2002 el equipo era mediocre y sin dinero. Beane, actuado por Brad Pitt, contrata a Peter Brand, un joven economista de Yale con ideas radicales sobre cómo identificar el valor de los jugadores. Reemplazan el método tradicional para escoger jugadores, basado en experiencia e intuición, por algoritmos y “machine learning”. Incluyen jugadores descartados por otros equipos por edad o lesiones, pero con cualidades escondidas. La estrategia termina dando resultados espectaculares, incluyendo una racha de 19 partidos consecutivos ganados, y otros equipos empezaron a adoptar el mismo modelo.

Al igual que el deporte, estas tecnologías se están usando en muchos otros campos. Un área en la que muestra resultados interesantes es en la lucha contra la violencia doméstica (VD). La VD es un desafío al nivel regional y mundial. Según la Organización Mundial de Salud (OMS) el promedio de la población femenina afectada en América Latina y el Caribe (ALC) es de 30%. Cada día en ALC son asesinadas 12 mujeres solo por el hecho de pertenecer al “género equivocado”. Aproximadamente la mitad de los incidentes de VD ocurre en hogares en presencia de niños menores de 12 años. La VD representa una carga psicológica traumática no solamente para la víctima  pero también para sus hijos y se transmite a futuras generaciones.

En los últimos 25 años, los departamentos de policía han avanzado en la reducción del crimen en la calle, pero la violencia doméstica sigue siendo alta. Aunque todavía existe un debate sobre las razones por la cuales bajaron los índices del crimen en las calles, muchos piensan que la disponibilidad de los datos y plataformas tecnológicas de información han jugado un papel importante en identificar los “Hot Spots” o puntos calientes del crimen, focalizando los recursos y la atención policial a éstas áreas.

Por estas razones, la lucha contra la violencia doméstica, que típicamente sucede detrás de puertas cerradas, ha sido difícil. Los departamentos de policía y los servicios sociales han desarrollado otras intervenciones estratégicas tales como líneas telefónicas de emergencia, detención obligatoria  y alarmas comunitarias. Sin embargo, estas medidas son más reactivas que proactivas, y tienen resultados mixtos en reducir violencia doméstica.

En un mundo de escasos recursos, ¿cómo puede la policía direccionar los recursos limitados para luchar contra la violencia de la forma más eficiente?  Se debería de prestar mayor atención a las lecciones derivadas del control policial predictivo – y de la película Money Ball – para establecer una estrategia basada en datos e invertir los recursos en los casos de VD más riesgosos. Pero identificar estos casos no es una tarea fácil. Mientras muchas víctimas se encuentran bajo un cierto riesgo, solamente pocas quedan expuestas a un riesgo mayor.  Identificar a estas víctimas es como encontrar una aguja en un pajar.

Pero un grupo de investigadores está haciendo precisamente eso. Ellos han empezado a utilizar el aprendizaje de máquinas aplicado a problemas sociales tales como la violencia doméstica. Implementado en el Silicon Valley por gigantes como Google y Facebook, el aprendizaje de máquinas o “machine learning” es una tecnología estadística que identifica tendencias detalladas en conjuntos de datos masivos o “Big Data”. Estas tendencias a veces son muy sutiles y por ende difíciles para el ser humano de identificar.

Regresando a nuestra analogía con la película “Money Ball”, para seleccionar a los jugadores, primero se debe “alimentar” y entrenar la máquina para saber cuáles son los atributos a identificar. Lo mismo se implementa en el caso de “pronosticar” la violencia doméstica. La máquina es alimentada e instruida con datos que han sido asociados con mayor riesgo de violencia doméstica, como edad, casos de VD anteriores, código postal, o posesión de armas. En ambos casos, la máquina utiliza un algoritmo que determina cuales descripciones o individuales son fuertemente asociados con el resultado.

La evidencia muestra que este análisis puede generar valiosa información para la toma de decisiones. En algunos casos, los algoritmos generan conclusiones que serían casi imposibles de generar por seres humanos —particularmente en los casos de lesiones o intentos de lesionar. Según el Crime Lab de la Universidad de Chicago, al computar millones de expedientes policiales  las máquinas pueden aprender a “entender” los datos y asistir en la toma de decisiones que identifican las personas con riesgo más alto de ser víctima de violencia doméstica y así asignar los escasos recursos a precisamente estos casos de alto riesgo. La gran promesa de las máquinas que aprenden es que los gobiernos pueden salvar vidas con costos reducidos – simplemente aplicando un proceso más inteligente y mejorando la asignación de los recursos. En comparación con otros métodos de análisis, el aprendizaje de máquinas tiene las siguientes ventajas:

  1. Alcance. Se pueden aprender más características de un conjunto de datos de lo que sería posible con las ciencias sociales tradicionales, o por las computaciones humanas.
  2. Interpretación. Se puede comprender y analizar información como el texto de un informe policial, lo que no sería posible de analizar con otros métodos.
  3. Validación. Se utiliza validación cruzada para evitar un sobreajuste de los datos disponibles — es decir evitar construir un modelo demasiado complejo que funcionaría bien con el conjunto de datos seleccionados, pero no necesariamente en el mundo real.

No basta con predecir el crimen. Las policías y los servicios sociales deben tener la capacidad de responder y atender a los casos más riesgosos. Algunos departamentos de policía están utilizando estrategias en las que el gobierno se acerca más a las (potenciales) víctimas. Generalmente, el policía o el proveedor de los servicios sociales intenta establecer una relación con la persona en riesgo o la víctima para darle apoyo y monitorear su seguridad. Esta estrategia es prometedora, pero como se pueden imaginar, solo puede ser implementada con un número muy limitado de casos.

Sabemos que identificar a las personas más indicadas para cualquier intervención es clave para maximizar su costo-beneficio. En el caso de VD, es aún más importante ya que puede significar salvar una vida. Muchas industrias, incluyendo el comercio y los deportes, han ganado al apalancar el aprendizaje de máquinas – como fue el caso en la película Money Ball. Ahora es tiempo de empezar a usar estas tecnologías para reducir la violencia, particularmente cuando ocurre a puertas cerradas.

Fotos: Wikipedia Fair Use

Flickr CC – QWERTY.


Archivado Bajo:Entradas en ESPAÑOL, Estadísticas y datos del crimen, Policía, Violencia de género Etiquetado con:datos, machine learning, seguridad ciudadana, tecnología, violencia doméstica, violencia intrafamiliar

Robert Pantzer

Robert Pantzer es especialista en modernización del estado (IFD/ICS). Es economista de la Universidad de Friburgo, Suiza. Actualmente es especialista en la División de Innovación para Servir al Ciudadano (ICS) del BID. Previamente, fue especialista en Bahamas, Colombia y Honduras donde lideró los proyectos de la División ICS en las áreas de administración pública, reforma judicial y seguridad ciudadana. Ha trabajado como Consejero en la Embajada de Suiza en Washington D.C. y la Misión Permanente de Suiza ante las Naciones Unidas en Nueva York. Fue Consejero de Suiza en el Directorio del BID y funcionario de la Secretaría de Estado de Economía en Suiza (SECO).

Reader Interactions

Comments

  1. Pablo Gómez Dice

    September 22, 2017 at 7:04 pm

    Importante implementar, potencializar y utilizar los datos estadísticos para anticiparse a fenómenos sociales, como en este caso de la VD. Los números nunca sobran, por el contrario, complementan estudios de diversa índole para la toma de decisiones. Espero seguir recibiendo blogs, columnas y estudios relacionados con la seguridad ciudadana. Gracias.

    Reply

Leave a Reply Cancel reply

Your email address will not be published. Required fields are marked *

Primary Sidebar

Siguenos

Subscribe

SIN MIEDOS

Un espacio para ideas y soluciones sobre seguridad ciudadana y justicia en América Latina y el Caribe.

Buscar

Similar post

  • Para sus 726 cumpleaños, Suiza se vuelve un país más seguro, con una excepción….
  • Erradicando la violencia machista: Cuando las ideas no conocen fronteras
  • Confinamiento y violencia dentro del hogar: Cuando el peligro está en casa
  • ¿Cómo vacunarse contra la violencia de género?
  • ¿Cómo los sistemas de justicia pueden mitigar la violencia contra la comunidad LGBTIQ+?

Footer

Banco Interamericano de Desarrollo
facebook
twitter
youtube
youtube
youtube

Blogs escritos por empleados del BID:

Copyright © Banco Interamericano de Desarrollo ("BID"). Este trabajo está disponible bajo los términos de una licencia Creative Commons IGO 3.0 Reconocimiento-No comercial-Sin Obras Derivadas. (CC-IGO 3.0 BY-NC-ND) y pueden reproducirse con la debida atribución al BID y para cualquier uso no comercial. No se permite ningún trabajo derivado. Cualquier disputa relacionada con el uso de las obras del BID que no se pueda resolver de manera amistosa se someterá a arbitraje de conformidad con el reglamento de la CNUDMI. El uso del nombre del BID para cualquier otro propósito que no sea la atribución, y el uso del logotipo del BID estarán sujetos a un acuerdo de licencia escrito por separado entre el BID y el usuario y no está autorizado como parte de esta licencia CC-IGO. Tenga en cuenta que el enlace proporcionado anteriormente incluye términos y condiciones adicionales de la licencia.


Blogs escritos por autores externos:

Para preguntas relacionadas con los derechos de autor para autores que no son empleados del BID, por favor complete el formulario de contacto de este blog.

Las opiniones expresadas en este blog son las de los autores y no necesariamente reflejan las opiniones del BID, su Directorio Ejecutivo o los países que representan.

Atribución: además de otorgar la atribución al respectivo autor y propietario de los derechos de autor, según proceda, le agradeceríamos que incluyera un enlace que remita al sitio web de los blogs del BID.



Política de privacidad

Copyright © 2023 · Magazine Pro on Genesis Framework · WordPress · Log in

Banco Interamericano de Desarrollo

Aviso Legal

Las opiniones expresadas en estos blogs son las de los autores y no necesariamente reflejan las opiniones del Banco Interamericano de Desarrollo, sus directivas, la Asamblea de Gobernadores o sus países miembros.

facebook
twitter
youtube
En este sitio web se utilizan cookies para optimizar la funcionalidad y brindar la mejor experiencia posible. Si continúa visitando otras páginas, se instalarán cookies en su navegador.
Para obtener más información al respecto, haga clic aquí.
X
Manage consent

Privacy Overview

This website uses cookies to improve your experience while you navigate through the website. Out of these, the cookies that are categorized as necessary are stored on your browser as they are essential for the working of basic functionalities of the website. We also use third-party cookies that help us analyze and understand how you use this website. These cookies will be stored in your browser only with your consent. You also have the option to opt-out of these cookies. But opting out of some of these cookies may affect your browsing experience.
Necessary
Always Enabled

Necessary cookies are absolutely essential for the website to function properly. This category only includes cookies that ensures basic functionalities and security features of the website. These cookies do not store any personal information.

Non-necessary

Any cookies that may not be particularly necessary for the website to function and is used specifically to collect user personal data via analytics, ads, other embedded contents are termed as non-necessary cookies. It is mandatory to procure user consent prior to running these cookies on your website.

SAVE & ACCEPT