Revisión crítica de patrones de victimización y riesgo de violencia de género mediante Machine Learning
Actividad inicial | Seminario Investigativo
Daniela Hernández Navas
31 de julio de 2026
1 Introducción
La violencia de género es un fenómeno complejo que no puede comprenderse únicamente a partir del acto violento en sí mismo. En su aparición, permanencia y consecuencias intervienen factores sociales, familiares, económicos, territoriales, culturales e institucionales. La edad de la víctima, su relación con el agresor, la dependencia económica, el acceso a servicios, la pertenencia étnica, la zona de residencia y la respuesta de las instituciones pueden modificar tanto la exposición al riesgo como la posibilidad de recibir ayuda. Esta complejidad es todavía mayor en territorios donde confluyen pobreza, conflicto armado, desigualdad y debilidad en los sistemas de información.
El artículo seleccionado, “Detection of Victimization Patterns and Risk of Gender Violence Through Machine Learning Algorithms”, estudia esta problemática en San Andrés de Tumaco, Nariño. La investigación utiliza registros oficiales del Sistema de Vigilancia en Salud Pública —SIVIGILA— relacionados con intentos de suicidio, intoxicaciones y violencia de género e intrafamiliar. A partir de esos registros, los autores aplican análisis estadístico, técnicas de agrupamiento y algoritmos de clasificación con el propósito de reconocer perfiles de victimización, estimar ciertos resultados institucionales y construir una herramienta de apoyo para autoridades locales.
La elección del artículo es pertinente para Seminario Investigativo porque permite examinar un proyecto que combina un problema social de alta relevancia con herramientas propias de la ciencia de datos. También permite discutir temas que van más allá del uso de algoritmos: la calidad de los datos, la definición de la población, la selección de variables, la validez de las métricas, la posibilidad de generalizar los resultados y las implicaciones éticas de clasificar personas en un contexto sensible.
Este documento desarrolla una revisión detallada del estudio. No se limita a repetir el contenido del paper, sino que explica la lógica del proyecto, interpreta los modelos y resultados, contrasta las métricas reportadas con las matrices de confusión, identifica inconsistencias y propone mejoras y líneas futuras de investigación.
Idea central del análisis: el artículo aporta una caracterización útil de perfiles de victimización y evidencia problemas importantes en la calidad de los registros. Sin embargo, sus conclusiones predictivas deben interpretarse con cautela, debido a que varios modelos tienen desempeño moderado o bajo y algunas métricas no son coherentes con las matrices de confusión presentadas.
2 Ficha técnica del artículo
| Elemento | Información |
|---|---|
| Título | Detection of Victimization Patterns and Risk of Gender Violence Through Machine Learning Algorithms |
| Autores | Edna Rocío Bernal-Monroy y colaboradores |
| Revista | Informatics, volumen 12, artículo 21 |
| Año de publicación | 2025 |
| Lugar del estudio | San Andrés de Tumaco, Nariño, Colombia |
| Área temática | Ciencia de datos, salud pública, violencia de género y aprendizaje automático |
| Tipo de estudio | Observacional, retrospectivo, cuantitativo, aplicado y basado en registros administrativos |
| Fuente de datos | Sistema de Vigilancia en Salud Pública — SIVIGILA y Alcaldía de San Andrés de Tumaco |
| Periodo analizado | 2017–2023, con proyecciones posteriores |
| Técnicas principales | Análisis de correspondencias múltiples, PAM/K-medoids, árboles de decisión, random forest y redes neuronales artificiales |
| Herramientas computacionales | R, Python y Power BI |
3 Descripción general de la investigación
3.1 Problema investigado
El estudio parte de una situación territorial concreta. San Andrés de Tumaco presenta condiciones de pobreza, victimización y desigualdad que pueden aumentar la exposición de mujeres y niñas a distintas formas de violencia. El artículo adopta una visión de salud pública: la violencia no se entiende solamente como un delito o conflicto familiar, sino como un fenómeno que puede producir efectos físicos, psicológicos y sociales, entre ellos intentos de suicidio, intoxicaciones, consumo de sustancias, hospitalización y necesidad de atención especializada.
Los autores consideran que los registros institucionales contienen patrones que pueden ayudar a comprender mejor el fenómeno. Por ello, no analizan exclusivamente los reportes de violencia de género, sino también los eventos de intento de suicidio e intoxicación. La conexión propuesta es que ciertas formas de autolesión o exposición a sustancias podrían estar vinculadas directa o indirectamente con experiencias de violencia, conflictos de pareja o vulnerabilidad social.
Esta decisión amplía el campo de análisis, pero también introduce un reto metodológico. Una intoxicación o un intento de suicidio no necesariamente se debe a violencia de género. Para establecer esa relación sería necesario contar con evidencia individual que conecte ambos eventos, y el artículo no demuestra de forma clara que exista esa vinculación para cada caso. Por tanto, algunos resultados deben interpretarse como asociaciones plausibles dentro de registros de salud, no como prueba causal de que la violencia produjo el evento.
3.2 Fundamento conceptual
El trabajo se apoya en el enfoque de los determinantes sociales de la salud. Desde esta perspectiva, los resultados en salud no dependen solamente de características médicas o biológicas. También están condicionados por educación, pobreza, empleo, vivienda, territorio, acceso a servicios, relaciones de poder, discriminación y redes de apoyo.
Aplicado a la violencia de género, este fundamento implica que no basta con registrar si una mujer fue agredida. También es necesario observar en qué etapa de la vida se encuentra, si convive con el agresor, cuál es su nivel educativo, a qué régimen de salud pertenece, dónde ocurrió el hecho y qué posibilidades tiene de pedir ayuda. Esas variables no son causas automáticas de violencia, pero pueden describir contextos de vulnerabilidad y diferencias en la forma en que el fenómeno se manifiesta.
El fundamento técnico del estudio es que los algoritmos de machine learning pueden identificar relaciones complejas entre variables. Un análisis descriptivo permite conocer cuántos casos existen y cómo se distribuyen. Un modelo de clasificación intenta aprender combinaciones de características que permitan distinguir categorías. Un algoritmo de clustering, por su parte, busca grupos de registros con perfiles semejantes sin utilizar una variable objetivo previamente definida.
3.3 Propósito aplicado
La investigación pretende tener una utilidad práctica. Los autores integran los resultados en una herramienta de Power BI destinada a apoyar a las autoridades locales. La herramienta presenta estadísticas, perfiles, tendencias y proyecciones en una interfaz más accesible que una base de datos tradicional.
Este componente es valioso porque facilita la comunicación de resultados. Sin embargo, debe diferenciarse una herramienta de visualización de un sistema de predicción confiable. Power BI puede mostrar patrones y facilitar consultas, pero no corrige errores de registro, sesgos de selección ni limitaciones de los modelos de origen.
4 Revisión del artículo según la guía
4.1 Análisis del título: ¿qué, cómo, cuándo y dónde?
El título indica que la investigación estudia patrones de victimización y riesgo de violencia de género mediante algoritmos de aprendizaje automático. El “qué” corresponde a los perfiles de violencia y vulnerabilidad; el “cómo” se refiere al uso de técnicas estadísticas, clustering y clasificación; el “dónde” es San Andrés de Tumaco; y el “cuándo” corresponde al periodo 2017–2023, aunque el artículo fue publicado en 2025 y presenta proyecciones posteriores.
El título resume bien la intención general, pero la palabra riesgo es más amplia que varias de las tareas realmente modeladas. Los modelos no predicen de manera directa si una mujer sufrirá violencia en el futuro. En distintos apartados se predice la remisión a trabajo social, la remisión a psiquiatría, la condición de alerta en una intoxicación o la naturaleza de una violencia ya registrada. Por ello, el trabajo se acerca más a una clasificación de registros y a una caracterización de perfiles que a un modelo prospectivo de riesgo.
4.2 Objetivo del estudio
El objetivo general es aplicar análisis estadístico y técnicas de machine learning para identificar patrones de victimización y vulnerabilidad en mujeres de San Andrés de Tumaco, e integrar esos resultados en una herramienta de apoyo para la toma de decisiones institucionales.
En la práctica, el estudio desarrolla varias tareas. Primero organiza y depura registros. Después examina asociaciones entre variables sociodemográficas, clínicas y territoriales. Luego aplica clustering para encontrar grupos de perfiles similares y modelos supervisados para clasificar remisiones, alertas o tipos de violencia. Finalmente, construye proyecciones y visualizaciones.
Esta amplitud es atractiva, pero genera cierta dispersión. El artículo no formula una única pregunta predictiva ni una sola variable objetivo. Mezcla tareas descriptivas, exploratorias, predictivas y de visualización. Como consecuencia, no siempre es sencillo determinar cuál es el resultado principal del estudio ni qué modelo representa el aporte central.
4.3 Tipo de investigación
La investigación es cuantitativa porque trabaja con datos estructurados, frecuencias y métricas. Es observacional porque los investigadores no manipulan las condiciones ni asignan tratamientos. Es retrospectiva porque analiza registros históricos ya existentes. También es aplicada porque busca producir una herramienta útil para la gestión pública.
El estudio posee una dimensión descriptiva, al caracterizar los casos; una dimensión exploratoria, al buscar asociaciones y clusters; y una dimensión predictiva, al entrenar modelos de clasificación. No se trata de un experimento, por lo que sus resultados permiten hablar de patrones y asociaciones, pero no demostrar causalidad.
4.4 Población
La población de interés está constituida por mujeres y niñas de San Andrés de Tumaco expuestas a violencia de género o a consecuencias relacionadas con ella. Sin embargo, la población realmente observada está formada por mujeres cuyos casos llegaron al sistema institucional y fueron registrados en SIVIGILA.
Esto excluye a quienes no denunciaron, no consultaron, fueron atendidas sin una notificación adecuada o tuvieron registros incompletos. Por esa razón, el estudio no representa a todas las mujeres del municipio. Representa principalmente a las mujeres visibles para el sistema de salud pública.
4.5 Muestra y registros analizados
| Evento | Fenómeno | Registros utilizados | Variables | Registros totales reportados |
|---|---|---|---|---|
| 356 | Intentos de suicidio | 465 | 52 | 737 |
| 365 | Intoxicaciones | 297 | 49 | 708 |
| 875 | Violencia de género e intrafamiliar | 3030 | 41 | 3680 |
El evento 356 incluye 465 registros de mujeres con intento de suicidio y 52 variables complementarias. El evento 365 contiene 297 registros relacionados con intoxicaciones y 49 variables. El evento 875 utiliza 3.030 registros de violencia de género e intrafamiliar y 41 variables.
El artículo también informa que la Alcaldía recopiló 737, 708 y 3.680 reportes respectivamente. No obstante, no explica con suficiente detalle cómo se pasó de esos registros iniciales a la muestra analítica final. Habría sido necesario presentar un diagrama que mostrara cuántos registros fueron excluidos por sexo, duplicación, datos faltantes u otros criterios. Esta ausencia reduce la reproducibilidad.
4.6 Tipo de muestreo
No se emplea muestreo probabilístico. Los autores trabajan con registros administrativos disponibles que cumplen ciertos criterios de inclusión. El procedimiento puede describirse como una selección no probabilística basada en disponibilidad institucional.
No todas las mujeres tuvieron la misma probabilidad de aparecer. La inclusión dependió de haber sido atendida, registrada y notificada. Esto introduce sesgo de selección. Las mujeres con mayor acceso al sistema o con situaciones más visibles pueden estar sobrerrepresentadas, mientras que las víctimas que no denuncian o viven en zonas con menor presencia institucional pueden quedar subrepresentadas.
4.7 Unidad de análisis
La unidad de análisis parece ser cada registro de evento correspondiente a una mujer. Sin embargo, el artículo no aclara si cada registro corresponde a una persona diferente. Una misma mujer podría aparecer en varios años, en más de un evento o en múltiples consultas.
Esta cuestión es importante porque la repetición de personas puede romper el supuesto de independencia entre observaciones. Para resolverlo habría sido necesario utilizar un identificador anonimizado que permitiera distinguir personas de eventos.
4.8 Variables utilizadas
Las variables sociodemográficas incluyen edad, ciclo vital, escolaridad, estado civil, etnia, estrato, zona y régimen de salud. Las variables familiares y sociales incluyen problemas de pareja, problemas económicos, antecedentes de violencia, convivencia con el agresor y relación entre víctima y agresor. Las variables clínicas incluyen ideación suicida, antecedentes psiquiátricos, abuso de alcohol, consumo de sustancias y remisiones a servicios de apoyo.
En el evento de intoxicación se analizan tipo de sustancia, vía de exposición, lugar del evento y situación de alerta. En el evento de violencia se consideran naturaleza de la violencia, mecanismo de agresión, escenario, sexo del agresor y convivencia.
La diversidad de variables permite una caracterización amplia. Sin embargo, también aumenta el riesgo de trabajar con categorías incompletas, poco estandarizadas o registradas con diferentes niveles de calidad.
4.9 Variables objetivo
El estudio utiliza varias variables objetivo. Para el evento 356 se predice la remisión a trabajo social y la remisión a psiquiatría. Para el evento 365 se intenta clasificar la situación de alerta. Para el evento 875 se clasifica el tipo de violencia. Además, se construyen proyecciones de tasas.
Estas variables no miden lo mismo. Una remisión institucional puede depender del criterio del profesional, la disponibilidad de servicios o el protocolo de la institución. Por tanto, un modelo de remisión puede aprender cómo funciona el sistema de atención y no necesariamente quién presenta mayor riesgo clínico.
La variable objetivo define el significado del modelo. Predecir una decisión institucional no equivale a predecir la ocurrencia futura de violencia.
5 Caracterización de los datos
5.1 Fuente y naturaleza
Los datos provienen de SIVIGILA y fueron suministrados por la Alcaldía de San Andrés de Tumaco. Son datos secundarios, observacionales y administrativos. También son altamente sensibles porque contienen información relacionada con salud mental, violencia, etnia, ubicación y relaciones familiares.
La mayoría de las variables son categóricas. Esta característica justifica el uso de análisis de correspondencias múltiples y técnicas de clasificación para datos tabulares. No obstante, trabajar con categorías implica dificultades adicionales cuando existen valores “no reporta”, codificaciones inconsistentes o categorías con muy pocos casos.
5.2 Periodo y temporalidad
La ventana principal comprende 2017–2023. Los registros se generan de manera continua, pero el artículo los consolida por año para el análisis de tasas y las proyecciones.
La dimensión temporal debe interpretarse con cuidado. Una variación anual puede reflejar un cambio real en la violencia, pero también modificaciones en el acceso a servicios, campañas de denuncia, capacidad institucional o calidad del registro. Por ello, una disminución en reportes no necesariamente implica una disminución real de la violencia.
5.3 Alcance territorial
El estudio incorpora variables como área urbana, centro poblado y rural disperso. Sin embargo, los autores reconocen que los datos de barrios, veredas y ubicaciones no estaban estandarizados.
Esta limitación impidió realizar análisis espaciales precisos por sectores pequeños. Aunque el trabajo tiene un enfoque territorial, no desarrolla un modelamiento geoespacial completo. Para ello habría sido necesario geocodificar los registros y utilizar unidades territoriales consistentes.
5.4 Acceso y confidencialidad
Los datos no son públicos. El artículo señala que están bajo custodia institucional y que su acceso requiere autorización. Esta restricción es adecuada por la sensibilidad de la información.
Sin embargo, el documento debería explicar con más detalle el proceso de anonimización, la revisión ética, los controles de acceso y la forma en que se evitó la reidentificación de víctimas. También sería importante aclarar si la herramienta de Power BI trabaja únicamente con datos agregados o permite consultar información individual.
6 Proceso metodológico
6.1 Preparación de los datos
Los autores comienzan con la identificación de las fuentes y la selección de los eventos 356, 365 y 875. Después organizan los registros en datos básicos y complementarios, realizan limpieza y etiquetado, revisan categorías faltantes y seleccionan variables para cada modelo.
También se menciona el tratamiento del desbalance mediante submuestreo. Este procedimiento reduce la cantidad de observaciones de la clase mayoritaria para equilibrar la clasificación. Puede ser útil, pero también elimina información y aumenta la variabilidad cuando la muestra original ya es pequeña.
La metodología no describe de manera suficiente el porcentaje de faltantes por variable, el criterio exacto de exclusión, la estrategia de imputación, la codificación de categorías ni la proporción entre entrenamiento y prueba. Tampoco se reportan semillas aleatorias, lo cual dificulta reproducir los resultados.
6.2 Análisis de correspondencias múltiples
El Multiple Correspondence Analysis — MCA se emplea para explorar relaciones entre variables categóricas. Su objetivo es proyectar las categorías en un espacio de pocas dimensiones para identificar cuáles contribuyen más a diferenciar perfiles.
En el estudio, el MCA permite observar la importancia de categorías relacionadas con ciclo vital, zona, convivencia y tipo de violencia. También sirve como paso previo para el clustering.
No obstante, el MCA no demuestra causalidad. La cercanía entre categorías en un plano factorial indica asociación dentro de los datos, no que una variable produzca la otra.
6.3 Clustering: K-means, K-medoids y PAM
El artículo menciona K-means y K-medoids, pero finalmente prioriza Partitioning Around Medoids — PAM. PAM representa cada grupo mediante un medoide, es decir, una observación real. Esto puede ser más robusto que K-means cuando existen valores extremos o cuando la media no es una representación adecuada.
El propósito del clustering es identificar grupos de mujeres con perfiles similares. Algunos grupos se relacionan con menores y violencia sexual, otros con mujeres adultas que conviven con el agresor y otros con contextos de negligencia o abandono.
Sin embargo, el artículo no explica cómo eligió el número de clusters, qué medida de distancia utilizó ni cómo evaluó la calidad de los grupos. Habría sido conveniente reportar silhouette, estabilidad o comparación entre diferentes soluciones.
6.4 Árboles de decisión
Los árboles de decisión dividen los datos mediante reglas sucesivas. En cada nodo se selecciona una variable que separa mejor las clases según criterios como el índice de Gini o la entropía.
Su principal ventaja es la interpretabilidad. Un profesional puede seguir las reglas del árbol y comprender qué variables participan en la clasificación. Esto resulta útil en una herramienta institucional.
Sin embargo, los árboles individuales son inestables y pueden sobreajustarse. Pequeños cambios en los datos pueden producir estructuras diferentes. Por ello, su desempeño depende de la profundidad, la poda y el tamaño mínimo de los nodos.
6.5 Random forest
Random forest combina múltiples árboles entrenados sobre muestras bootstrap y subconjuntos aleatorios de variables. La predicción final se obtiene mediante votación.
Esta estrategia suele mejorar la estabilidad y reducir el sobreajuste. También permite estimar importancia de variables. En el artículo, random forest se aplica a las tareas de remisión y clasificación del tipo de violencia.
No obstante, la metodología no reporta de forma completa el número
final de árboles, el valor de mtry, la profundidad ni el
esquema de validación cruzada. Sin esos datos no es posible reproducir
el modelo con precisión.
6.6 Redes neuronales artificiales
Las redes neuronales utilizadas contienen varias capas ocultas, algunas con cientos de neuronas. El propósito es capturar relaciones no lineales entre variables.
Sin embargo, una arquitectura con 500 y 100 neuronas parece sobredimensionada para muestras de 465 o 297 registros. Con pocos datos y muchos parámetros, la red puede memorizar el conjunto de entrenamiento y fallar fuera de muestra.
Los resultados bajos pueden explicarse por el tamaño reducido, el desbalance, la codificación de variables categóricas y la complejidad innecesaria de la arquitectura. Esto no significa que las redes neuronales sean inútiles para el problema, sino que esta configuración no fue adecuada.
6.7 Evaluación de los modelos
Los autores emplean accuracy, precision, sensibilidad, F1-score y matrices de confusión. En problemas sensibles, la sensibilidad tiene especial importancia porque un falso negativo representa un caso que el modelo no identifica.
Por eso, una accuracy aparentemente alta no es suficiente. Un modelo puede acertar la mayoría de los casos de la clase dominante y fallar en la clase más importante. Habría sido conveniente reportar balanced accuracy, macro F1 y curvas precision-recall.
7 Resultados principales
7.1 Patrones según el ciclo vital
Uno de los hallazgos más relevantes es que la naturaleza de la violencia cambia según la etapa de vida. En infancia y adolescencia se observa mayor presencia de violencia sexual, negligencia y abandono. En juventud y adultez predominan más la violencia física y psicológica.
Este resultado sugiere que las estrategias de prevención no deberían ser uniformes. La protección de niñas y adolescentes requiere acciones distintas a las dirigidas a mujeres adultas. También muestra la importancia de incorporar el ciclo vital en el diseño de políticas públicas.
7.2 Convivencia con el agresor
La convivencia aparece como una variable relevante. Las víctimas que viven con el agresor presentan con mayor frecuencia violencia física, psicológica, negligencia y abandono.
En contraste, algunos casos de violencia sexual en menores aparecen asociados con agresores que no conviven con la víctima. Esta diferencia puede orientar rutas de atención específicas.
7.3 Territorio y vulnerabilidad
El área de ocurrencia, el régimen de salud y el ciclo vital aparecen como variables relevantes. Sin embargo, la falta de estandarización territorial impide conclusiones detalladas por barrio o vereda.
El artículo puede identificar diferencias generales entre zona urbana y rural dispersa, pero no construir mapas precisos de riesgo. Esta limitación reduce el alcance geoespacial del estudio.
7.4 Evolución temporal
| Año | Población femenina | Casos | Mujeres afectadas | Tasa de casos por 1.000 | Tasa de mujeres por 1.000 |
|---|---|---|---|---|---|
| 2018 | 128752 | 366 | 355 | 2.84 | 2.73 |
| 2019 | 129923 | 401 | 374 | 3.08 | 2.87 |
| 2020 | 132176 | 324 | 296 | 2.45 | 2.23 |
| 2021 | 133515 | 392 | 363 | 2.93 | 2.71 |
| 2022 | 134277 | 406 | 374 | 3.02 | 2.78 |
| 2023 | 135117 | 515 | 467 | 3.81 | 3.45 |
La tasa disminuye en 2020 y aumenta después, con un máximo en 2023. Este comportamiento puede reflejar un aumento real, pero también cambios en la notificación o acceso a servicios. Por ello, el gráfico representa casos registrados, no la prevalencia total de violencia en el municipio.
8 Resultados de los modelos
| Modelo | Accuracy (%) | Precision (%) | Recall (%) | F1 (%) |
|---|---|---|---|---|
| Árbol — remisión a trabajo social | 58.69 | 73.91 | 56.66 | 64.15 |
| Árbol — remisión a psiquiatría | 65.21 | 73.91 | 62.96 | 68.00 |
| Árbol — alerta por intoxicación | 79.66 | 54.54 | 46.15 | 50.00 |
| Random forest — trabajo social | 61.08 | 61.05 | 62.36 | 61.70 |
| Random forest — psiquiatría | 58.69 | 59.09 | 56.52 | 57.77 |
| ANN — trabajo social | 37.14 | 35.93 | 32.85 | 34.32 |
| ANN — psiquiatría | 51.43 | 32.81 | 45.65 | 38.18 |
Los árboles y random forests presentan resultados moderados. Ninguno demuestra una capacidad suficientemente alta y estable como para justificar decisiones automáticas sobre mujeres individuales. Las redes neuronales muestran un rendimiento inferior en las tareas de remisión.
El árbol para remisión a trabajo social reporta una precision relativamente alta, pero su sensibilidad es limitada. Esto significa que cuando predice una remisión puede acertar con cierta frecuencia, pero deja sin detectar una cantidad importante de casos que sí requerían atención.
El árbol para intoxicaciones presenta una accuracy aparentemente alta y una sensibilidad baja. Esta combinación suele indicar desbalance de clases: el modelo acierta principalmente los casos de la categoría dominante y falla en las situaciones de alerta.
8.1 Clasificación del tipo de violencia
| Clase | Accuracy (%) | Sensibilidad (%) | Precision (%) | F1 (%) |
|---|---|---|---|---|
| Física | 66.66 | 58.33 | 43.75 | 50.00 |
| Psicológica | 68.05 | 41.66 | 71.42 | 52.63 |
| Negligencia y abandono | 83.33 | 83.33 | 62.50 | 71.42 |
| Sexual | 54.16 | 25.00 | 33.33 | 28.57 |
El desempeño cambia mucho entre clases. El modelo identifica mejor negligencia y abandono, pero presenta una sensibilidad de apenas 25% para violencia sexual. En una aplicación real, esto implicaría que tres de cada cuatro casos de esa categoría podrían quedar sin identificar.
Esta desigualdad muestra que una métrica global puede ocultar fallas graves. En problemas multiclase es necesario observar el desempeño de cada categoría, especialmente aquellas con mayor costo social.
9 Análisis crítico
9.1 Fortalezas
La principal fortaleza del estudio es su relevancia social. La investigación aborda una problemática urgente en un territorio colombiano con condiciones específicas de vulnerabilidad.
También es valioso su enfoque interdisciplinario. El artículo integra salud pública, estadística, aprendizaje automático y visualización institucional. Esta combinación demuestra que la ciencia de datos puede utilizarse para apoyar problemas sociales y no solamente aplicaciones comerciales.
Otra fortaleza es el uso de métodos interpretables. Los árboles y el MCA facilitan la comunicación de resultados a profesionales que no tienen formación avanzada en machine learning.
La diferenciación por ciclo vital también es importante. El estudio reconoce que la violencia no se manifiesta de igual manera en todas las edades y que las estrategias de prevención deben adaptarse.
Finalmente, la herramienta de Power BI aumenta la posibilidad de uso institucional, siempre que se presente como apoyo y no como sustituto del juicio profesional.
9.2 Limitaciones reconocidas por los autores
Los autores reconocen problemas de datos faltantes, duplicación, categorías “no reporta” y falta de estandarización territorial. También señalan que las redes neuronales no lograron identificar patrones representativos y que algunas categorías contienen pocos casos.
Estas limitaciones no son secundarias. Afectan directamente la validez de los modelos. Un algoritmo no puede corregir automáticamente una base construida con información incompleta o inconsistente.
9.3 Limitaciones adicionales
El subregistro es una de las principales limitaciones. SIVIGILA solo contiene casos conocidos por el sistema. La violencia de género suele estar subreportada, por lo que la base refleja una parte del fenómeno.
La ausencia de validación externa limita la generalización. Los modelos fueron evaluados con datos de Tumaco y no se sabe si funcionarían en otros municipios o periodos.
El estudio tampoco presenta análisis de equidad algorítmica. Sería necesario comprobar si el modelo comete más errores en ciertos grupos étnicos, territoriales o etarios.
También falta calibración. Un modelo de riesgo debería demostrar que sus probabilidades corresponden con frecuencias observadas.
Otra limitación es la posibilidad de fuga de información. No se aclara si algunas variables utilizadas como predictoras fueron registradas después de la decisión que el modelo intenta predecir. Si esto ocurrió, el rendimiento estaría artificialmente inflado.
10 Inconsistencias y posibles errores
10.1 Diferencia entre registros totales y utilizados
El artículo no explica claramente cómo se pasó de los registros totales a la muestra final. Sin un flujo de selección, no es posible evaluar si las exclusiones introdujeron sesgo.
10.3 Random forest para intoxicaciones
El artículo menciona 1 verdadero positivo, 1 verdadero negativo, 10 falsos positivos y 10 falsos negativos.
| Indicador | Valor |
|---|---|
| Accuracy derivada de la matriz | 9.09% |
| Accuracy reportada | 90.90% |
La matriz implica una accuracy de 9,09%, no 90,90%. El desbalance puede afectar la utilidad de una métrica, pero no puede explicar una incompatibilidad matemática directa.
10.4 Confusión terminológica
En algunos apartados se utiliza el término accuracy cuando la tabla presenta precision. Esta confusión dificulta interpretar los resultados.
10.5 Error de rotulación
Una tabla ubicada en la sección de random forest aparece rotulada como árbol de decisión y repite valores de una tabla anterior. Esto puede deberse a un error de edición o copia.
10.6 MCA y PCA
La metodología describe MCA, pero la discusión menciona PCA. Son técnicas diferentes. MCA es apropiado para variables categóricas, mientras que PCA se utiliza principalmente con variables numéricas.
10.7 Clasificación difusa
El resumen menciona técnicas fuzzy para manejar datos incompletos, pero el cuerpo del artículo no explica el algoritmo, las funciones de pertenencia ni los resultados. Esto deja una parte importante de la metodología sin documentar.
10.8 K-means sin desarrollo suficiente
K-means se menciona en el resumen, pero el análisis se centra en PAM. No queda claro si K-means fue realmente aplicado o solo considerado.
10.9 Proyecciones poco transparentes
Las proyecciones futuras no incluyen intervalos de confianza ni una explicación completa del modelo temporal. Sin una medida de incertidumbre, las cifras pueden transmitir una precisión mayor a la real.
11 Consideraciones éticas
El uso de información sobre violencia exige protección estricta. Una herramienta de este tipo podría ayudar a priorizar recursos, pero también puede generar daño si clasifica erróneamente a personas o grupos.
El modelo no debe sustituir el criterio profesional. Debe funcionar como apoyo, con supervisión humana y protocolos claros.
También sería necesario garantizar anonimización, acceso restringido, auditoría, transparencia y mecanismos para corregir errores.
El uso de variables sensibles como etnia, zona o régimen de salud requiere especial cuidado. Estas variables pueden ayudar a identificar desigualdades, pero también pueden reproducir discriminación si el modelo aprende sesgos institucionales.
12 Aspectos por mejorar
La primera mejora debe centrarse en la calidad de los datos. Se requieren formularios con validaciones automáticas, categorías estandarizadas, control de duplicados y mejor georreferenciación.
La segunda mejora es la transparencia metodológica. El artículo debería reportar criterios de inclusión, tratamiento de faltantes, división de entrenamiento y prueba, hiperparámetros y semillas aleatorias.
La tercera mejora es la elección de modelos. Con muestras pequeñas, habría sido preferible comenzar con regresión logística regularizada, árboles simples y modelos multinomiales antes de utilizar redes neuronales complejas.
La cuarta mejora es la evaluación. Se deberían incluir balanced accuracy, macro F1, curvas precision-recall, calibración e intervalos de confianza.
La quinta mejora es la validación externa. Los modelos deben probarse en otros municipios o en periodos posteriores.
Finalmente, las proyecciones deberían basarse en modelos temporales explícitos y presentar intervalos de predicción.
13 Preguntas motivadoras
13.1 ¿Qué variables se asocian con los diferentes tipos de violencia?
¿Qué variables sociodemográficas, territoriales y familiares se asocian con mayor frecuencia a los diferentes tipos de violencia contra mujeres y niñas en San Andrés de Tumaco?
Esta pregunta permitiría estudiar de manera integrada el ciclo vital, la etnia, la zona, la escolaridad, la convivencia con el agresor y el régimen de salud. Su importancia radica en que no busca un único factor explicativo, sino combinaciones de condiciones que puedan caracterizar perfiles distintos.
13.2 ¿Cómo cambia la violencia durante el ciclo vital?
¿Cómo cambia la naturaleza de la violencia de género a lo largo del ciclo vital de las mujeres?
Esta pregunta surge de uno de los hallazgos centrales del estudio. Los datos sugieren que las formas de violencia no se distribuyen de manera uniforme entre infancia, adolescencia, juventud y adultez. Analizar esta variación permitiría diseñar estrategias de prevención y atención específicas para cada etapa.
13.3 ¿Cómo afecta la calidad de los datos a los modelos?
¿Qué efecto tienen los datos faltantes, el subregistro y los errores de diligenciamiento sobre el desempeño y la equidad de los modelos?
La pregunta es fundamental porque el artículo muestra que la calidad de los datos limita la capacidad de los algoritmos. También permitiría estudiar si los errores afectan de manera desigual a grupos étnicos, territoriales o etarios.
13.4 ¿Los modelos funcionan fuera de Tumaco?
¿Los modelos entrenados con registros de SIVIGILA en Tumaco mantienen su desempeño al aplicarse en otros municipios o periodos?
Esta pregunta evalúa la generalización. Un modelo puede funcionar en una base específica y fallar cuando cambia el contexto social, institucional o territorial.
13.5 ¿Es posible mejorar la detección temprana?
¿Puede una estrategia que combine modelos interpretables, análisis espacial y validación temporal mejorar la detección temprana de casos de alto riesgo sin aumentar injustamente los falsos positivos?
Esta pregunta integra desempeño, explicabilidad, territorio y equidad. También plantea que una mejora técnica debe evaluarse junto con sus consecuencias sociales.
14 Palabras clave y estrategia de búsqueda
| Palabra clave | Equivalente en inglés | Función |
|---|---|---|
| Violencia de género | Gender-based violence | Fenómeno principal |
| Aprendizaje automático | Machine learning | Método |
| Patrones de victimización | Victimization patterns | Componente aplicado |
| Determinantes sociales de la salud | Social determinants of health | Fundamento teórico |
| San Andrés de Tumaco | San Andrés de Tumaco | Contexto espacial |
Una estrategia de búsqueda adecuada debe combinar el fenómeno, el método y el contexto. Una ecuación posible sería:
("gender-based violence" OR "violence against women")
AND ("machine learning" OR "predictive modeling")
AND (classification OR prediction)
AND (Colombia OR "Latin America")También podría utilizarse una búsqueda orientada a determinantes sociales:
("victimization patterns" OR "risk factors")
AND ("social determinants of health")
AND ("gender violence")Para ampliar el componente territorial podría emplearse:
("gender-based violence")
AND ("spatial analysis" OR "small area estimation")
AND ("machine learning")15 Líneas abiertas de investigación
Una primera línea consiste en validar los modelos en otros municipios de Nariño o del Pacífico colombiano. Esto permitiría establecer si los patrones identificados son propios de Tumaco o se mantienen en otros contextos.
Otra línea es fortalecer el análisis espacial. Con datos georreferenciados y estandarizados sería posible identificar zonas de mayor concentración, estudiar efectos territoriales y diseñar intervenciones focalizadas.
También sería importante desarrollar modelos temporales formales. Las proyecciones podrían compararse con series de tiempo, modelos bayesianos o enfoques espacio-temporales que incluyan incertidumbre.
La integración de fuentes constituye otra posibilidad. Registros de salud, policía, comisarías, justicia y atención social podrían ofrecer una visión más completa, siempre que se respeten la privacidad y la seguridad de las víctimas.
La equidad algorítmica es otra línea prioritaria. Los modelos deberían evaluarse por etnia, edad, territorio y régimen de salud para comprobar si producen errores desiguales.
Finalmente, sería conveniente definir una variable objetivo verdaderamente prospectiva. En lugar de predecir una remisión ya realizada, podría estudiarse la ocurrencia posterior de reincidencia, nueva agresión o necesidad de intervención, utilizando un diseño longitudinal.
16 Conclusiones
El artículo constituye una aplicación valiosa de la ciencia de datos a un problema social de alta relevancia. Su principal aporte es mostrar cómo los registros institucionales pueden organizarse y analizarse para identificar perfiles de victimización y diferencias relacionadas con ciclo vital, convivencia y territorio.
Los resultados sugieren que la violencia sexual afecta especialmente a menores, mientras que la violencia física y psicológica aparece con mayor frecuencia en juventud y adultez. También se identifica la importancia de la convivencia con el agresor y de variables sociales y territoriales.
Sin embargo, los modelos presentan un desempeño irregular. Las redes neuronales no resultan adecuadas para varias tareas, algunos árboles tienen sensibilidades bajas y ciertas clases son difíciles de identificar. Además, existen inconsistencias importantes entre matrices de confusión y métricas reportadas.
Por ello, el artículo debe interpretarse como una prueba de concepto y un estudio exploratorio aplicado, no como un sistema definitivo de predicción. Su valor está en organizar información fragmentada, evidenciar problemas de calidad de datos y proponer una base tecnológica para futuras herramientas más robustas.
Antes de utilizar estos modelos en decisiones reales, sería necesario mejorar la calidad de los registros, documentar con precisión el procedimiento, corregir las métricas, realizar validación externa, evaluar equidad y establecer una gobernanza ética clara.
La principal enseñanza es que, en problemas sociales sensibles, la calidad de la información, la interpretación correcta de las métricas y la protección de las personas son tan importantes como el algoritmo utilizado.
17 Referencias
Bernal-Monroy, E. R., Castañeda-Monroy, E. D., Rentería-Ramos, R. R., Campaña-Bastidas, S. E., Barrera, J., Palacios-Yampuezan, T. M., González Gustin, O. L., Tobar-Torres, C. F., & Ceballos-Villada, Z. R. (2025). Detection of victimization patterns and risk of gender violence through machine learning algorithms. Informatics, 12(1), 21.
Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32.
Devries, K. M., Mak, J. Y., Bacchus, L. J., Child, J. C., Falder, G., Petzold, M., Astbury, J., & Watts, C. H. (2013). Intimate partner violence and incident depressive symptoms and suicide attempts: A systematic review of longitudinal studies. PLOS Medicine, 10(5), e1001439.
Pinto-Muñoz, C. C., Zuñiga-Samboni, J. A., & Ordoñez-Erazo, H. A. (2023). Machine learning applied to gender violence: A systematic mapping study. Revista Facultad de Ingeniería, 32.
Rodríguez-Rodríguez, I., Rodríguez, J. V., Pardo-Quiles, D. J., Heras-González, P., & Chatzigiannakis, I. (2020). Modeling and forecasting gender-based violence through machine learning techniques. Applied Sciences, 10, 8244.
18 Nota final
Antes de publicar el documento en RPubs, reemplaza el nombre del estudiante y revisa los datos de la asignatura. El código se encuentra oculto por defecto para que el resultado final tenga apariencia de informe académico y no de cuaderno de programación.