Violencia basada en género en Paraguay: selección de características y modelos predictivos
DOI:
https://doi.org/10.62544/ucomscientia.v3i1.47Palabras clave:
Violencia de género, machine learning, modelos predictivos, políticas públicas, ParaguayResumen
El presente estudio tiene como objetivo identificar las características que inciden en la violencia de género en Paraguay mediante el uso de algoritmos de machine learning. Utilizando datos de la Encuesta Nacional sobre Situación de las Mujeres en Paraguay (ENSIMUP), se aplicaron varios modelos predictivos, incluyendo Random Forest y Regresión Logística, para analizar los factores asociados con la violencia de género. La metodología incluyó un riguroso preprocesamiento de datos y una cuidadosa selección de características para mejorar la precisión de los modelos. Los resultados destacaron la importancia de factores como la edad, el nivel de ingresos y las condiciones de la vivienda en la predicción de la violencia de género. El modelo Random Forest mostró un rendimiento superior al equilibrar precisión y capacidad de discriminación. Este estudio subraya la utilidad de los modelos predictivos en la formulación de políticas públicas, sugiriendo que su integración puede mejorar significativamente las estrategias de prevención y respuesta ante la violencia de género. Se recomienda la continuidad de investigaciones con modelos avanzados y técnicas de balanceo de datos para optimizar la identificación de factores de riesgo y fortalecer las políticas basadas en datos.
Citas
Becker, G. S. (1975). Human capital: A theoretical and empirical analysis, with special reference to education. Midway Reprint.
Beytía, P. (2017). La estructura interna de la pobreza multidimensional. En Los invisibles: Por qué la pobreza y la exclusión social dejaron de ser prioridad(pp. 71–88). Instituto de Estudios de la Sociedad.
Bradley, Andrew P. (1997). The use of the area under the ROC curve in the evaluation of machine learning algorithms. Pattern Recognition, 30(7), 1145–1159. https://doi.org/10.1016/s0031-3203(96)00142-2
Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system.Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. https://doi.org/10.1145/2939672.2939785
Connell, R. W. (2005). Masculinities. University of California Press.
Escobar Manero, E.(2024). Salud y Género. Observatorio de Salud Estudio de Comunicación.Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874.
González-Prieto, Á., Brú, A., Nuño, J. C., & González-Álvarez, J. L. (2023). Hybrid machine learning methods for risk assessment in gender-based crime.Knowledge-Based Systems,260, 110130. https://doi.org/10.1016/j.knosys.2022.110130
Goode, W. (1971). Force and Violence in the Family. Journal of marriage and the family, 33(4), 624. https://doi.org/10.2307/349435
Goutte, C., & Gaussier, E. (2005). A probabilistic interpretation of precision, recall and F-score, with implication for evaluation. European Conference on Information Retrieval, 345–359.
Heise, L. L. (1998). Gender-based violence: An overview of the issues. Reproductive Health Matters, 6(11), 6–13.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013).Applied logistic regression.Wiley. https://doi.org/10.1002/9781118548387
Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection.https://www.ijcai.org/Proceedings/95-2/Papers/016.pdf
Marbn, S., Mariscal, G., & Segovi, J. (2009). A data mining & knowledge discovery process model. En J. Ponce & A. Karahoc (Eds.),Data Mining and Knowledge Discovery in Real Life Applications. I-Tech Education and Publishing. https://doi.org/10.5772/6438
McDougal, L., Dehingia, N., Bhan, N., Singh, A., McAuley, J., & Raj, A. (2021). Opening closed doors: Using machine learning to explore factors associated with marital sexual violence in a cross-sectional study from India.BMJ Open,11(12), e053603. https://doi.org/10.1136/bmjopen-2021-053603
Organización de las Naciones Unidas Mujeres. (2017). El empoderamiento económico de la mujer en el cambiante mundo del trabajo.https://www.unwomen.org/sites/default/files/Headquarters/Attachments/Sections/CSW/61/CSW-Conclusions-61-SP-WEB.pdf
Organización Mundial de la Salud. (2002). Informe mundial sobre la violencia y la salud: resumen.https://iris.who.int/bitstream/handle/10665/43431/9275324220_spa.pdf
Powers, D. M. W. (2020). Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation. https://doi.org/10.48550/ARXIV.2010.16061
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(22), 8244. https://doi.org/10.3390/app10228244
Sadownik, A.R. (2023). Bronfenbrenner: Ecology of human development in ecology of collaboration. En International Perspectives on Early Childhood Education and Development(pp. 83–95). Springer International Publishing.
Sasaki, M. (2007). Morphogenesis of Flux Structure. AA PublicationsTan, P.N., Steinbach, M., Karpatne, A., & Kumar, V. (2019). Introduction to Data Mining. 2da ed. Pearson Education.
Vyas, S., & Watts, C. (2009). How does economic empowerment affect women’s risk of intimate partner violence in low and middle income countries? A systematic review of published evidence.Journal of International Development,21(5), 577-602. https://doi.org/10.1002/jid.1500
World Health Organization. (2014). Informe sobre la situación mundial de la prevención de la violencia 2014. https://www.who.int/publications/i/item/9789241564793
Yuliawan, D., Hakim, D. B., Juanda, B., & Fauzi, A. (2022). Integrated rural socio-economic vulnerability analysis in Lampung Province.Jurnal Perspektif Pembiayaan dan Pembangunan Daerah,10(3), 175-188. https://doi.org/10.22437/ppd.v10i3.17591
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Federico Javier Beck, Agustina Lucia Alfonso González
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
La Revista Científica UCOM Scientia se distribuye bajo una Licencia Atribución 4.0 Internacional (CC BY 4.0) https://creativecommons.org/licenses/by/4.0/deed.es
