Análisis predictivo con Machine Learning sobre la base de datos VioGén para la detección y prevención de violencias sexuales y de género graves

Abstract

El presente informe desarrolla una propuesta integral para modernizar la evaluación del riesgo de violencia de género mediante la incorporación de indicadores tecnológicos y técnicas avanzadas de análisis predictivo basadas en Machine Learning (ML). La revisión del estado del arte confirma que la violencia digital —incluyendo control tecnológico, acoso en redes, geolocalización forzada y uso de software intrusivo— se ha convertido en un componente central en las dinámicas contemporáneas de violencia de género. Sin embargo, estos elementos siguen infrarepresentados en el sistema VioGén, limitando la capacidad de detección temprana y la anticipación de escenarios de escalada o letalidad. En respuesta a esta necesidad, se desarrolló y validó de forma preliminar la Ficha Complementaria de Control Tecnológico y Vigilancia Digital (CTVD – VPER 4.1), diseñada para capturar indicadores claves que hasta ahora no se registraban de manera sistemática. La validación experta mostró un elevado nivel de aceptación, destacando como fortalezas la cobertura integral de factores digitales, su facilidad de uso y la pertinencia de incorporar estas dimensiones al análisis del riesgo. Al mismo tiempo, se identificaron aspectos a mejorar, como la necesidad de definir criterios más observables, reforzar la detección de violencia vicaria y anticipar nuevas formas de violencia vinculadas a tecnologías emergentes e inteligencia artificial. El análisis predictivo realizado con datos sintéticos confirma que los indicadores tecnológicos tienen un peso determinante para predecir riesgos graves. Variables como el número de mensajes controladores, las solicitudes persistentes de ubicación y los intentos de acceso no autorizado concentraron el principal peso predictivo en los modelos, validando empíricamente su relevancia. El informe concluye que la integración de datos tecnológicos, combinada con modelos ML éticamente supervisados, puede mejorar significativamente la capacidad preventiva del sistema VioGén. Para avanzar hacia su implementación real será imprescindible trabajar con datos anonimizados, protocolos éticos estrictos y una coordinación interinstitucional que garantice rigor, seguridad y utilidad operativa.