ArticlePDF Available

Policía predictiva en España. Aplicación y retos futuros.

Authors:
  • Ministerio del Interior - Secretaría de Estado de Seguridad
  • Spanish Council of State

Abstract and Figures

Las decisiones en materia de políticas públicas deben estar basadas en el análisis riguroso de los datos efectuado a través de métodos y procedimientos científicos, para evitar tomar decisiones basadas en datos sesgados o creencias erróneas. El desarrollo de algoritmos y modelos predictivos aplicados al análisis del crimen, ha permitido la aparición de la policía predictiva, que analiza una gran cantidad de datos históricos de criminalidad para identificar patrones y estimar la probabilidad de que sucedan crímenes en el futuro, y para ayudar a esclarecer crímenes pasados. Esto ha hecho posible que desde los cuerpos policiales se potencie el enfoque preventivo frente al enfoque reactivo. A lo largo de este trabajo se expondrán algunas de las principales aplicaciones de la policía predictiva en España, y se analizarán en detalle los avances en los ámbitos de la Violencia de Género y el homicidio. El objetivo principal es resumir los principales estudios que se han desarrollado en los últimos años, destacar algunas de las limitaciones que puede tener la aplicación de este tipo de metodologías, y sobre todo señalar los beneficios que puede reportar la aplicación de modelos predictivos en la gestión de los recursos policiales.
Content may be subject to copyright.
Fecha de envío: 10/10/2020
Fecha de aceptación: 03/11/2020
Fundación Universitaria Behavior & Law |26
Cómo citar este artículo en formato APA:
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva
en España. Aplicación y retos de futuro. Behavior & Law Journal, 6(1), 26-41.
Behavior & Law Journal
Año 2020
Volumen 6. Número 1.
Policía predictiva en España. Aplicación y retos futuros.
Predictive policing in Spain. Implementation and future challenges.
José Luis González-Álvarez, Ph.D (1.4)
Jorge Santos-Hermoso, M.Sc (2)
Miguel Camacho-Collados, Ph.D (3)
(1) Secretaría de Estado de Seguridad, Gabinete de Coordinación y
Estudios, Ministerio del Interior, Madrid, España.
(2) Departamento de Psicología Biológica y de la Salud, Facultad
de Psicología, Universidad Autónoma de Madrid (UAM),
Madrid, España.
(3) Consejo de Estado, Madrid, España.
(4) Instituto de Ciencias Forenses y de la Seguridad (ICFS),
Universidad Autónoma de Madrid (UAM). Madrid, España.
Email de correspondencia: jlga@interior.es
Resumen
Las decisiones en materia de políticas públicas deben estar basadas en el análisis riguroso de los datos efectuado a través de métodos y procedimientos
científicos, para evitar tomar decisiones basadas en datos sesgados o creencias erróneas. El desarrollo de algoritmos y modelos predictivos aplicados al
análisis del crimen, ha permitido la aparición de la policía predictiva, que analiza una gran cantidad de datos históricos de criminalidad para identificar
patrones y estimar la probabilidad de que sucedan crímenes en el futuro, y para ayudar a esclarecer crímenes pasados. Esto ha hecho posible que desde
los cuerpos policiales se potencie el enfoque preventivo frente al enfoque reactivo. A lo largo de este trabajo se expondrán algunas de las principales
aplicaciones de la policía predictiva en España, y se analizarán en detalle los avances en los ámbitos de la Violencia de Género y el homicidio. El
objetivo principal es resumir los principales estudios que se han desarrollado en los últimos años, destacar algunas de las limitaciones que puede tener
la aplicación de este tipo de metodologías, y sobre todo señalar los beneficios que puede reportar la aplicación de modelos predictivos en la gestión de los
recursos policiales.
Palabras Clave
Policía predictiva; Criminalidad; Homicidio; Feminicidio; Violencia de Género; Sistema VioGén; Veripol.
Abstract
Public policy decisions must be based on rigorous data analysis carried out through scientific methods and procedures to avoid making decisions based
on biased data or erroneous beliefs. The development of algorithms and predictive models applied to crime analysis has allowed the emergence of predictive
police, which analyzes a large amount of historical crime data to identify patterns and estimate the probability of future crimes, and to help a clarification
of past crimes. Predictive policing has made it possible for the police forces to strengthen the preventive approach over the reactive approach. The current
study explains some of the implementations of predictive policing in Spain. The advances in the areas of gender-based violence and homicide will be
analyzed in detail. The main objective is to summarize the studies that have been developed in recent years and the limitations and benefits of predictive
methodologies.
Keywords
Predictive policing; Criminality; Homicide; Femicide; Gender-based violence; VioGén System; Veripol.
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |27
Policía predictiva
Cada vez está más extendida la idea de que
las decisiones, en cuanto a políticas públicas se refiere,
deben estar basadas en el análisis riguroso de los datos
efectuado a través de métodos y procedimientos
científicos, evitando así tomar decisiones basadas en
datos sesgados o creencias erróneas (Hart y
Yohannes, 2019). Uno de los ámbitos
gubernamentales más importantes, por cuanto afecta
a los derechos y libertades fundamentales de las
personas, es el que tiene que ver con la seguridad de
los ciudadanos y la lucha contra el crimen. En este
contexto, la acumulación, tratamiento y análisis de
grandes cantidades de datos (big data), ha permitido
llegar a lo que actualmente se conoce como policía
predictiva.
Aunque no existe una definición única de
este concepto, entre todas las propuestas se pueden
identificar una serie de características clave (Meijer y
Wessels, 2019). Así, se entiende que lo que caracteriza
a la policía predictiva es el uso de una gran cantidad
de datos históricos, que se analizan mediante técnicas
cuantitativas, para estimar a través de algoritmos un
valor desconocido (Provost y Fawcett, 2013), y cuyos
resultados ayudarán a gestionar de forma más eficaz
los recursos policiales, como por ejemplo, la
distribución de las patrullas (Bennett Mosses y Chan,
2016; Camacho-Collados y Liberatore, 2015; Hardyns
y Rummens, 2017; Perrot, 2017; Perry et al., 2013;
Tayebi y Glässer, 2016). Por valor desconocido
puede entenderse cualquier información sobre un
evento que ya ha tenido lugar, que está teniendo lugar
en el presente, o que puede tener lugar en el futuro
(Provost y Fawcett, 2013). Esta idea es especialmente
importante, ya que el término predictivalleva a
pensar que esta metodología solo se aplica para
realizar estimaciones sobre la probabilidad de que
suceda algo en el futuro, cuando también sirve para
esclarecer hechos pasados. En la misma línea, la
Organización para la Seguridad y la Cooperación en
Europa (OSCE, 2017) ha definido la actividad policial
basada en la inteligencia como la: recopilación y
evaluación sistemática de datos e información, a
través de un proceso analítico definido que los
convierte en productos analíticos estratégicos y
operativos que sirven de base para un proceso
decisorio mejorado, fundamentado y documentado”.
La policía predictiva supone un cambio de
paradigma en la forma de actuar de los cuerpos
policiales, ya que ha permitido pasar de un enfoque
reactivo a un enfoque preventivo. Este enfoque
proactivo y prospectivo facilita la prevención y
reducción de la delincuencia, optimizando los
limitados recursos humanos y materiales policiales,
puesto que los resultados de este tipo de análisis
ayudarán a tomar decisiones tácticas u operativas. Tan
importante como desarrollar herramientas y
algoritmos predictivos es conseguir aplicar con éxito
los resultados de los análisis en la práctica. La mayoría
de los trabajos y algoritmos se ocupan de la
predicción de futuros crímenes, o del lugar y
momento en el que con mayor probabilidad tendrán
lugar, pudiéndose distinguir distintas aplicaciones
(Perry et al., 2013):
1. Predecir la probabilidad que hay de que tenga
lugar un crimen, en un lugar y momento
determinados.
2. Predecir la probabilidad que tiene un
individuo concreto de cometer un crimen.
3. Predecir el riesgo que tiene un individuo de
convertirse en víctima.
4. Predecir las características que, con mayor
probabilidad, tendrá el autor de un crimen
que ya se ha cometido.
La policía predictiva opera a partir de
semejanzas y analogías, es decir que se basa en la
identificación de patrones (Kaufman et al., 2019). Un
patrón es un conjunto de variables, y las relaciones
entre estas, que aparece de forma constante y puede
ser identificado dentro de un conjunto de datos
mayor (Waske y Beneditksson, 2014). Los estudios
sobre el crimen han mostrado de forma consistente
que pueden identificarse regularidades en la forma de
operar de los criminales en diferentes delitos. Así, por
ejemplo, desde la psicología y la sociología ambiental,
se ha demostrado que los criminales tienden a actuar
en lugares que conocen (zona de confort) y no
realizan grandes desplazamientos. Por otro lado, se ha
demostrado que la distribución de los crímenes no es
homogénea, sino que tiende a concentrarse en lugares
y momentos determinados en lo que se conoce como
hot spots (Eck et al., 2005).
Los patrones se hacen reconocibles cuando
se analizan una gran cantidad de casos, ya que de esta
forma se reconocerán aquellas características que se
mantienen estables, permitiendo diferenciarlas del
resto de información que será algo situacional y
puntual. También será necesario recoger cuantas más
variables mejor, ya que de esta forma se podrá
estudiar la capacidad predictiva de un mayor número
de indicadores. Si el conjunto de datos que se analiza
es pequeño no será posible reconocer un patrón
(Kaufman et al., 2019), e incluso pueden obtenerse
conclusiones erróneas, por lo que es necesario
trabajar con el mayor número de casos posibles,
buscando que esa cantidad sea una muestra
representativa del fenómeno que se está analizando.
Estos datos, en la mayoría de los casos, solo pueden
ser recopilados por los agentes policiales encargados
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |28
de las investigaciones, por lo que desde el ámbito
académico es imprescindible facilitar esta tarea,
desarrollando estudios que ayuden a identificar las
variables clave que se deben recoger. Por esto
también es importante la colaboración con otros
profesionales, por ejemplo, de la salud o de servicios
sociales, que aporten información a la que los agentes
policiales no pueden acceder, o que sería muy costoso
para ellos. Es por tanto importante destacar la
necesidad de compartir, conectar y analizar de forma
centralizada, los datos y la información pertinentes
obtenidos a todos los niveles, no solo policial, y
siempre de conformidad con las leyes nacionales y las
normas internacionales en materia de derechos
humanos (OSCE, 2017; Ratcliffe, 2016).
Los algoritmos se diseñan para ser aplicados
en un tipo de delito concreto, en un lugar concreto, o
en un grupo de individuos concreto. Esto quiere decir
que los algoritmos no son extrapolables a supuestos
diferentes para los que han sido diseñados. Algunos
autores (Kaufman et al., 2019; Kitchin, 2014) señalan
que la policía predictiva sólo puede aplicarse en
delitos que siguen un patrón, por lo que delitos que
sean situacionales, o que tengan una naturaleza
impulsiva, no podrán predecirse con un grado
significativo de precisión. Por lo tanto, parece que
existen determinados delitos sobre los que estas
técnicas pueden ser aplicadas con mayor eficacia. El
problema es que los delitos que mayor alarma social
generan son los delitos violentos contra las personas,
como los homicidios (especialmente los que se dan en
el ámbito de la pareja) o las agresiones sexuales
(especialmente aquellas que son cometidas por más
de un autor), que presentan un grado de planificación
bajo y dependen, en parte, de factores situacionales
que no forman parte de un patrón. Además, estos
delitos suelen presentar una prevalencia muy baja si
se compara con otro tipo de delitos. Por ejemplo, en
España, según el Portal Estadístico de Criminalidad
del Ministerio del Interior, en el año 2018 se
registraron 290 casos de homicidio consumado y
1700 agresiones sexuales con penetración, frente a
302 043 delitos de robo con fuerza en las cosas. Pese
a estas diferencias, sigue siendo prioritario desarrollar
estrategias eficaces para le prevención de aquellos
delitos que afectan directamente a las personas.
Problemas derivados de la aplicación de modelos
predictivos
El desarrollo de la policía predictiva ha
permitido que, de forma sistemática, se puedan
gestionar y analizar datos sobre el crimen con una
finalidad práctica. Si bien muchos estudios sobre el
crimen se basan en hacer descripciones sobre un
fenómeno criminal concreto, o proponen teorías que
ayudan a explicar por qué tienen lugar diferentes
hechos delictivos, la policía predictiva ha permitido
que las ciencias criminalistas (González, 2015)
trabajen priorizando la importancia de las
implicaciones operativas de los estudios sobre el
crimen. Pese a esto, algunos autores han destacado
algunos problemas potenciales que pueden derivarse
de la aplicación de la policía predictiva.
Uno de los principales problemas es su falta
de transparencia (Bland, 2020; Datta et al., 2016;
Schlehahn et al., 2015; Strikwerda, 2020). Algunos de
los algoritmos que se emplean en la predicción de
crímenes funcionan siguiendo un modelo de caja
negra, es decir que el usuario tras introducir los datos
en el modelo obtiene unos resultados, pero no sabe
muy bien cómo se ha llegado a esos resultados. Esto
puede dar lugar a dos situaciones. En la primera, el
agente policial, al no entender los resultados o el
proceso que sigue el algoritmo, no tendrá en cuenta
las recomendaciones que le ofrece el sistema, y dará
mayor importancia a su experiencia personal
(Macnish et al., 2020). En la segunda situación, el
agente policial puede entender que los resultados
aportados por el algoritmo son suficientes para la
toma de decisiones, y no se detendrá a interpretar o
dar sentido a los resultados aportados por el sistema.
En la primera situación se estarían malgastando
recursos en desarrollar herramientas que no son
usadas por los agentes, y en la segunda se estaría
reduciendo el proceso de toma de decisiones a lo que
dice el algoritmo. Ambas situaciones deben evitarse,
ya que afectarán negativamente a la eficacia y
eficiencia de las actuaciones policiales (Perry et al.,
2013). Los investigadores policiales usuarios de estos
sistemas deben tener un conocimiento previo del
fenómeno que se está analizando, que les sirva para
dar una explicación a los resultados de los análisis, y
dotarlos de un contexto, lo que les llevará a confiar en
esas herramientas y a crear estrategias más eficaces en
la lucha contra el crimen (Bennett Mosses y Chan,
2016; Townsley, 2017).
Otro de los problemas se deriva del hecho de
que estas herramientas se basan en delitos conocidos
y esclarecidos por los departamentos policiales.
Como señala Joh (2014), puede haber determinados
delitos con una mayor probabilidad de ser
investigados y esclarecidos, porque son cometidos
por individuos que se consideran peligrosos, o porque
tienen lugar en zonas propensas a la delincuencia. Si
los datos que se introducen en el modelo presentan
algún tipo de sesgo, se podría provocar la
estigmatización de individuos o zonas que presenten
las características que los algoritmos identifican como
indicadores de riesgo (Strikwerda, 2020). La
elaboración de perfiles étnicos, por ejemplo, aparte de
ser una práctica discriminatoria contraria a las leyes,
ha demostrado su ineficacia (OSCE, 2017). Además,
determinadas tipologías delictivas presentan un
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |29
elevado número de casos que no llegan a
conocimiento de los investigadores policiales, por lo
que no forman parte de los conjuntos de datos que
se empleen en la creación de los algoritmos,
generando una visión distorsionada del fenómeno,
fundamentada no en el delito en cuestión, sino en los
casos que llegan a conocimiento de las autoridades.
Estos problemas basados en la falta de
transparencia y la posible estigmatización que pueden
perpetuar los algoritmos si se trabaja con datos
sesgados, han hecho que varios autores llamen la
atención sobre las implicaciones éticas derivadas del
uso de estas herramientas, y cómo podrían vulnerar el
derecho a la intimidad y las leyes de protección de
datos (Ferguson, 2011; OSCE, 2017; Oswald et al.,
2018). Al ser uno de los objetivos el predecir futuros
delitos, o estimar la peligrosidad futura de un
individuo, los detractores de estas herramientas se
plantean si es ético actuar de alguna forma contra
alguien que aún no ha cometido ningún delito, o si
estaría justificado monitorizar las acciones de
determinados individuos para estimar su peligrosidad.
Por su parte, los defensores de este tipo de prácticas
policiales, argumentan que estas herramientas ayudan
a reducir los sesgos de los investigadores, ya que
sustituyen la experiencia personal por un
conocimiento basado en el análisis sistemático de
todos los casos conocidos y esclarecidos (Ferguson,
2015; Koss, 2015).
Respondiendo a algunas de las críticas que
reciben los modelos de policía predictiva, cabe
destacar que el desarrollo de estas prácticas es la
evolución lógica de la práctica policial tradicional.
Dada la incorporación de las nuevas tecnologías en
todos los ámbitos de la sociedad, es coherente pensar
que también sean aplicadas en el análisis del crimen.
Hasta ahora, los departamentos de policía ya recogían
de forma sistemática información sobre delitos
conocidos, conformando las bases de datos policiales.
Si bien estos repositorios permitían realizar consultas
puntuales, las técnicas de policía predictiva generan
conocimiento útil, que puede ser aplicado en las
investigaciones de nuevos hechos delictivos, y puede
ayudar a gestionar de una forma más eficiente los
recursos policiales que, en muchos casos, son
limitados.
La policía predictiva y su aplicación en España
En suma, el desarrollo de las técnicas de
investigación cuantitativas permitirá a los cuerpos
policiales mejorar la gestión de recursos, haciéndolos
más eficaces y eficientes en la lucha contra
determinados delitos. En este sentido, Liberatore et
al. (2018) destacaron como principales ámbitos de
aplicación de la policía predictiva en España los
siguientes:
1. Predicción de crímenes.
2. Delimitación de distritos policiales y
optimización de zonas de patrullas.
3. Análisis y vinculación de crímenes en serie.
4. La estimación del riesgo de nuevos episodios
de violencia de género.
5. Análisis de las vulnerabilidades de las redes
de delincuencia organizada.
6. Análisis de imágenes de cámaras policiales.
7. Análisis de la productividad laboral.
8. Detección de denuncias falsas.
De hecho, en España la policía predictiva ya
se ha aplicado en diferentes tipologías delictivas.
Siguiendo un orden cronológico, en 2006, a raíz de
una serie de incendios forestales en Galicia, la
Guardia Civil impulsó un estudio sobre los perfiles
del incendiario forestal (González, 2011; González et
al., 2010; Sotoca et al., 2013), en colaboración con la
Fiscalía Coordinadora de Medio Ambiente y
Urbanismo de la Fiscalía General del Estado. Para
ello, se dispuso que los agentes de las unidades
policiales encargadas del esclarecimiento de estos
delitos, a lo largo de todo el territorio nacional,
cumplimentaran online un cuestionario psicosocial
cada vez que detuvieran a un incendiario (González
et al., 2017), complementario a las diligencias
policiales. Con esa información se llegó a programar
un sistema predictivo utilizando redes bayesianas
(Delgado et al., 2016; 2018), que informa de las
características más probables de un incendiario
desconocido a partir de los indicios encontrados en el
foco del incendio, para ayudar a los agentes a su
localización e identificación. Aunque este sistema
dista mucho de estar terminado, ha marcado el
camino a seguir en otras modalidades delictivas.
El procedimiento policial predictivo más
desarrollado en España es el que tiene que ver con la
creación y validación del protocolo de valoración
policial del riesgo de reincidencia en el ámbito de la
Violencia de Género, del Sistema de Seguimiento
Integral de los Casos de Violencia de Género (Sistema
VioGén; González-Álvarez et al., 2018), desarrollado
desde la Secretaría de Estado de Seguridad (SES) del
Ministerio del Interior. Este protocolo permite que
los agentes valoren el riesgo que tiene una mujer que
denuncia, de sufrir una nueva agresión por parte de
quienes son o fueron sus parejas varones. Para ello se
emplea la herramienta informatizada denominada
Valoración Policial del Riesgo (VPR; López-Ossorio
et al., 2017). En función del nivel de riesgo resultante,
el protocolo contempla la adopción de determinadas
medidas de protección policial que pretenden evitar
esa reincidencia, gestionándose de este modo el riesgo
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |30
(López-Ossorio et al., 2019; López-Ossorio, Loinaz
et al., 2019). Una vez más, esto refleja que, en materia
de policía predictiva, las estimaciones deben ir
acompañadas de intervenciones de algún tipo. Este
protocolo se ha ido mejorando con el tiempo, hasta
llegar en la actualidad a la versión 5.0, en la que, como
se explicaen detalle más adelante, se incluye una
escala de valoración del riesgo de violencia letal
(López-Ossorio et al., 2020).
En 2015, la Policía Nacional aplicó modelos
predictivos a uno de los problemas clásicos a los que
han tenido que enfrentarse los departamentos de
policía durante años: la delimitación de zonas de
patrullaje (Camacho-Collados y Liberatore, 2015;
Camacho-Collados et al., 2015; Mitchell, 1972; Wang,
2012; Liberatore y Camacho-Collados, 2016). El
principal reto en este ámbito está en que la
delimitación de estas zonas debe estar basada en
atributos relevantes (Kalcsics et al., 2005), entre los
que estarían las características sociales, las topológicas
y la distribución del crimen en un espacio y en un
momento concreto. Gracias al desarrollo de los
Sistema de Información Geográfica (SIG), ha sido
posible gestionar y analizar datos espacio-temporales
en un tiempo razonable, lo que ha permitido
identificar concentraciones de hechos delictivos. Así,
el Sistema de Soporte a la Decisión (SSD) propuesto
por Camacho-Collados (2016) para la Policía
Nacional, tenía como objetivo principal implementar
un patrullaje predictivo que ayudara a distribuir la
presencia de agentes policiales en aquellos lugares y
momentos con mayor concentración de delitos,
buscando reducir la probabilidad de ocurrencia de los
mismos. Los experimentos demostraron que la
aplicación de este patrullaje predictivo en la ciudad de
Madrid podría mejorar los modelos de distribución
convencionales. Además, se introdujo el concepto de
apoyo mutuo, que permite que se pueda contar con la
ayuda de los efectivos de los distritos cercanos,
redistribuyendo en tiempo real, si fuera necesario, los
recursos disponibles en un lugar y momento
determinados (Camacho-Collados y Liberatore, 2015;
Camacho-Collados et al., 2015).
Otro problema que afrontó la Policía
Nacional fue el de las denuncias falsas. Este
fenómeno delictivo tiene un gran coste para los
cuerpos policiales, en primer lugar, porque se
destinan medios a investigar delitos que realmente no
han sido cometidos, impidiendo que estos recursos
puedan ser empleados en la investigación de delitos
reales. Y, en segundo lugar, porque este tipo de
hechos obstaculizan el trabajo policial, siendo además
necesario investigar el delito de simulación una vez se
descubre la falsedad de la denuncia (Liberatore et al.,
2018). Para dar una respuesta inicial a este problema,
en 2017 se creó en la Policía Nacional la herramienta
informática VeriPol, que permite estimar la
probabilidad de que una denuncia por robo sea falsa
(Quijano-Sánchez et al., 2018). VeriPol basa su
análisis en el procesamiento del texto de la denuncia,
lo cual presenta dos importantes ventajas: 1) no es
necesario que los investigadores incluyan más datos
que el testimonio facilitado por el denunciante; y 2)
los investigadores reciben inmediatamente el
resultado de la valoración que realiza VeriPol, lo cual
permite tomar decisiones más acertadas desde el
comienzo de la investigación, evitando malgastar
recursos policiales. El estudio piloto llevado a cabo
por Liberatore et al. (2018) en las ciudades de Murcia
y Málaga, mostró un incremento en el número de
casos de falsas denuncias esclarecidos del 839.4% y
303.6% respectivamente, presentando la herramienta
además un 90% de acierto. Pero no solo son
importantes las cifras sobre el rendimiento de
VeriPol, sino cómo se integró en el trabajo policial
diario, y la recepción que tuvo entre los investigadores
policiales, que son los usuarios finales de este tipo de
sistemas. En ese mismo estudio piloto, los policías
que pudieron hacer uso de VeriPol consideraron que
era una herramienta útil, que sería fácil de
implementar en su trabajo diario y, lo más importante,
que harían uso de VeriPol, recomendando su
implementación en todo el territorio nacional,
proponiendo incluso que debería ampliarse a otras
tipologías delictivas.
Otro de los ámbitos de aplicación de la
policía predictiva es la delincuencia sexual. En España
se desarrolló con fines predictivos una investigación
centrada en las agresiones sexuales cometidas por
autores desconocidos para las víctimas (Giménez-
Salinas et al., 2018). En la actualidad desde la SES se
impulsa un proyecto científico para validar la versión
española de una herramienta de priorización policial
para casos de online child grooming, denominada Chat
Analysis Triage Tool (CATT; Seigfried-Spellar et al.,
2019). Su objetivo es identificar, mediante el análisis
del discurso y las tácticas utilizadas por los groomers en
los chats, a aquellos abusadores que pretenden tener
un encuentro físico con el menor, y diferenciarlos de
aquellos que solo buscan satisfacer sus fantasías sin
buscar un contacto real. Para ello, la herramienta
analiza los chats mediante algoritmos que identifican
a aquellos investigados que con mayor probabilidad
puedan tener un contacto físico con el menor,
permitiendo priorizar las actuaciones y recursos
policiales sobre estos.
Por su parte, la Secretaría General de
Instituciones Penitenciarias ha venido desarrollando
iniciativas para detectar y prevenir los procesos de
captación y de radicalización de internos,
principalmente musulmanes, en los Centros
Penitenciarios. La Orden de Servicios 3/2018
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |31
propició la creación de un instrumento de evaluación
del riesgo de radicalismo violento, que utiliza
regularmente desde su entrada en vigor en el mes de
febrero de ese año. El instrumento se elaboró a partir
de la revisión de otras herramientas de evaluación del
riesgo que existen a nivel internacional (e.g., TRAP-
18, VERA-2R, ERG 22+ y MLG), realizándose las
adaptaciones oportunas al contexto penitenciario
español (Fernández, 2019). Dicho instrumento tiene
como objetivo general la detección y valoración del
riesgo de reincidencia de aquellos internos que han
cometido delitos de terrorismo yihadista, y la detección
de internos que se encuentran en proceso de
radicalización o que son vulnerables a ser captados. Y
como objetivos específicos presenta: a) ayudar en la
toma de decisiones en lo relativo al tratamiento
penitenciario, reorientando la detección, seguimiento
e intervención; b) servir de instrumento de
coordinación entre los distintos departamentos
penitenciarios, en particular, las áreas de seguridad y
tratamiento; y c) sistematizar el tratamiento sobre el
radicalismo violento llevado a cabo en los distintos
Centros Penitenciarios.
Finalmente, en la actualidad, el Centro
Nacional de Desaparecidos está trabajando en la
elaboración de una herramienta para predecir el tipo
de desenlace más probable de la desaparición de
personas, especialmente valorando el riesgo de que la
persona sea encontrada fallecida por causas violentas.
Los agentes policiales podrán hacer uso de la
herramienta desde el mismo momento en que se
recibe la denuncia, lo que permitirá, por ejemplo,
intensificar la búsqueda en lugares significativos para
la víctima (en caso de que pueda tratarse de un
suicidio), o para activar sin dilación a los equipos de
investigación de homicidios y no perder así pruebas
valiosas que puedan desparecer con el paso del
tiempo (García-Barceló et al., 2020; García-Barceló et
al., 2019).
Para ejemplificar los desarrollos y
aplicaciones de la policía predictiva en España, en los
siguientes apartados se va a profundizar en dos de
ellos. Primero, en la estimación del riesgo de
reincidencia de los casos denunciados por Violencia
de Género y la gestión de la seguridad de las víctimas,
que se realizan a través del Sistema VioGén, que ha
evolucionado con los años hasta la creación del
formulario VPR5.0-H. Y, en segundo lugar, los inicios
del desarrollo de una herramienta que permita a los
investigadores policiales, ante un nuevo caso de
homicidio, hacer una estimación probabilística de las
características que tendrá el autor.
Policía predictiva y Violencia de Género en
España. La predicción del feminicidio
El 30% de las mujeres que han tenido pareja
han sufrido violencia física o sexual por parte de esta
(Organización Mundial de la Salud [OMS], 2013).
Pese a la elevada prevalencia que tiene este fenómeno
en todo el mundo, los estudios señalan que tan solo
una parte de la violencia que sufren las mujeres en las
relaciones de pareja se denuncia (Gracia, 2004;
Narayan et al., 2019). Además, la preocupación por
estos casos se ve incrementada por la existencia de
delitos especialmente violentos perpetrados por la
pareja de la víctima, como serían las agresiones
sexuales (Stockman et al., 2013) o el homicidio de
pareja, también denominado feminicidio (Stöckl et al.,
2013). En el caso español, este tipo de violencia está
regulada por la Ley Orgánica 1/2004 de Medidas de
Protección Integral contra la Violencia de Género. La
Macroencuesta de Violencia Contra la Mujer (2020)
encontró que el 32.4% de las mujeres mayores de 16
años en España había sufrido algún tipo de violencia
por parte de su pareja actual o expareja. También se
encontró que sólo el 21.7% de las mujeres que han
sufrido este tipo de violencia denunciaron,
reduciéndose este porcentaje al 5.4% cuando es la
pareja actual la que ejerció esa violencia.
El elevado número de denuncias, y sobre
todo la preocupación social, han hecho que la lucha
contra este delito sea un objetivo prioritario para las
fuerzas policiales de todo el mundo, tornándose
prioritaria la gestión de los recursos policiales en este
ámbito. Por esto precisamente es por lo que se ha
impulsado la creación de algoritmos y herramientas
centrados en la predicción y gestión del riesgo de los
casos de violencia de pareja (Bland, 2020), existiendo
a nivel mundial diferentes herramientas (e.g., Dayan
et al., 2013; Hiltonet al., 2008; Kropp y Hart, 2000),
y, entre ellas, dos que tienen como objetivo la
predicción de la violencia mortal, el Danger
Assessment (Campbell, 2012) y la VPR5.0-H española
(López-Ossorio et al., 2020).
Homicidio y feminicidio
El homicidio intencionado consiste en
terminar con la vida de otra persona de manera
voluntaria o dolosa, y es considerado como la
manifestación más extrema de la violencia y del
comportamiento criminal (González et al., 2018). El
derecho a la vida es uno de los derechos humanos
fundamentales, que en España se recoge en el artículo
15 de la Constitución, y su protección es uno de los
principales objetivos de cualquier Estado moderno.
No en vano, el número de muertes violentas se
emplea como indicador del nivel de seguridad y de
desarrollo de un país. Además, en las sociedades más
desarrolladas, el homicidio preocupa especialmente
cuando se produce en el ámbito doméstico, sobre
todo en las relaciones de pareja, porque en este
entorno se supone que es donde mayor protección y
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |32
seguridad debe existir. En este sentido, la proporción
de mujeres víctimas de este tipo de homicidios es
hasta seis veces mayor que para el caso de los
hombres (Stöckl et al., 2013), por lo que estos
crímenes se vinculan al fenómeno general de violencia
contra la mujer, y que es definida internacionalmente
como aquella violencia que se ejerce contra la mujer
por el hecho de serlo.
Aunque España presenta una tasa de
homicidios inferior a la tasa europea y mundial,
sucediendo esto también en el caso concreto de los
homicidios de pareja (2.81 frente al 3.94 y 5.04 por
millón de mujeres mayores de 14 años,
respectivamente), cuenta con políticas activas para
combatir y reducir la Violencia de Género (Ley
Orgánica 1/2004 de Medidas de Protección Integral
contra la Violencia de Género). Pese a esto, se registra
una media anual de 60 feminicidios, lo que supone
aproximadamente una cuarta parte de las muertes
violentas en España, y más de la mitad de los casos de
mujeres que mueren de forma violenta en España.
Equipo nacional de revisión de feminicidios
Si la sociedad se plantea el objetivo de
erradicar estas muertes, lo primero que se debe hacer
es conocer el fenómeno y estudiarlo con atención,
para aislar los indicadores de riesgo que permitan
anticipar o predecir específicamente el feminicidio.
Tras una revisión de la literatura (López-Ossorio et
al., 2018), en España se abordó esta cuestión
creándose el Equipo Nacional de Revisión
Pormenorizada de Homicidios en el contexto de la
Violencia de Género en España (EHVdG; González,
Garrido, et al., 2018), en el que se implicaron todas las
Instituciones gubernamentales con responsabilidades
en esta materia, y entre las que están: la Secretaria de
Estado de Seguridad del Ministerio del Interior, la
Fiscalía coordinadora contra la violencia sobre la
mujer, la Delegación del Gobierno para la violencia
de género y el Observatorio contra la violencia
doméstica y de género del Consejo General del Poder
Judicial.
La prevalencia del fenómeno en España
obligaría a revisar casos de diferentes años y de todo
el territorio nacional, para conseguir una muestra lo
suficientemente grande y representativa tanto a nivel
estadístico (estimada en unos 200 casos) como a nivel
territorial. En los informes documentales (e. g.,
atestados policiales, sentencias judiciales, informes
penitenciarios o informes médicos) de cada caso no
se suelen recoger datos psicosociales ni de la víctima
mortal ni del agresor, ni sobre su dinámica relacional
en las fechas próximas al feminicidio, por lo que para
llegar al nivel explicativo y superar el mero análisis
descriptivo sería necesario localizar y entrevistar a
personas próximas a ambos implicados, con los
costes pertinentes en cuanto a recursos materiales y
humanos se refiere. Para realizar esta tarea en un
plazo temporal razonable habría que contar con una
cantidad suficiente de entrevistadores, que trabajaran
en grupo (para asegurar la fiabilidad de los datos), y
con preparación en materia de entrevista de
investigación, perfilamiento indirecto y autopsia
psicológica. Esas entrevistas deberían seguir un guion
de entrevista semiestructuradas (protocolo
estandarizado). Por último, sería de vital importancia
poder acceder a realizar una entrevista voluntaria en
prisión con los autores, en los casos en los que estos
no se hayan suicidado.
Tomando en cuenta todas estas
circunstancias, desde la SES se asumió la tarea de
coordinar este ambicioso estudio, congregando a
nivel central a expertos de las diferentes instituciones
implicadas, así como de las Fuerzas y Cuerpos de
Seguridad, Secretaría General de Instituciones
Penitenciarias y Colegio Oficial de Psicólogos de
Madrid. Este equipo central revisó la bibliografía al
respecto del feminicidio a nivel internacional y las
buenas prácticas de equipos homólogos de otros
países. También se ocupó de planificar e impulsar la
revisión de los casos en España, facilitando para ello
la organización de grupos de revisión provinciales,
formados por expertos de más de 20 universidades e
instituciones de investigación científica: profesores y
alumnos de posgrados, especialmente psicólogos
forenses y criminólogos, que, en virtud de convenios
de colaboración con el Ministerio del Interior,
acometieron los trabajos de revisión de campo, previa
capacitación a cargo de la coordinación del equipo
nacional. De este modo se armó un proyecto de
investigación científica que ha resultado pionero en
España, tanto por la cantidad y variedad de
instituciones implicadas, como por la dimensión de la
tarea.
El personal investigador (formado
finalmente por más de 450 integrantes) asumió la
responsabilidad de revisar de forma pormenorizada
sobre el terreno los feminicidios, asumiendo los
siguientes cometidos:
1. Estudio del material documental policial
(atestados, diligencias e inspecciones técnico
oculares), judicial (sumarios e informes
periciales) y penitenciario.
2. Identificación y contacto con posibles
informantes.
3. Desplazamiento hasta los lugares en donde
ocurrieron los hechos.
4. Entrevista semiestructurada y habilidosa a
implicados relacionados con la víctima y el
autor (para recopilar datos
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |33
sociodemográficos y criminológicos
inexistentes en el material documental).
5. Entrevista en profundidad con el propio
autor en el establecimiento penitenciario
(con carácter voluntario).
6. Análisis de los datos recopilados.
7. Emisión del correspondiente informe, en el
que se recopilan los hallazgos respecto a los
indicadores de riesgo presentes en cada caso
y circunstancias que facilitaron, o impidieron,
su adecuada identificación en el momento del
crimen, especialmente la coordinación
institucional.
Para compensar los costes de la revisión
pormenorizada, el Ministerio del Interior concedió
cinco proyectos de investigación, en distintos
territorios, a las universidades de Santiago de
Compostela, Valencia, Granada, Málaga, y a la
Fundación Universitaria Behavior & Law; y desde la
Comunidad Madrid se concedió uno a la Universidad
Autónoma de Madrid. Fruto de todos esos esfuerzos,
se consiguió revisar satisfactoriamente 171
feminicidios, habiéndose descartado 30 casos por
razones que impidieron completar la tarea de revisión.
VPR5.0-H. La valoración del riesgo de violencia
mortal
Uno de los resultados preliminares más
relevantes del estudio de revisión pormenorizada de
feminicidios, ha sido la construcción y validación de
la escala de predicción del riesgo de resultado letal
cuando se formula una denuncia por Violencia de
Género en España. Para la creación de la escala,
denominada H, se siguió un diseño de casos y
controles, estando la muestra final compuesta por
2159 casos. De estos, 159 (7.4%) fueron feminicidios
y 2000 (92.6%) casos no mortales que actuaron de
grupo control. Para llevar a cabo el estudio, fueron
necesarias las VPR de todos los casos, ya que el
objetivo era saber si los indicadores que predicen
reincidencia violenta serían capaces de predecir
también un episodio mortal. Según la Delegación del
Gobierno contra la Violencia de Género, de los 60
feminicidios de media que se vienen registrando en
España entre los años 2006 a 2019, solo en un 26%
se contaba con denuncia previa. Esto puede deberse
a dos motivos: 1) que la víctima no denuncia
episodios de violencia anteriores; o 2) que no existían
episodios violentos previos. Para solventar este
problema, y poder contar con la VPR de los 159
incluidos en el estudio, fue determinante la tarea del
EHVdG, ya que las VPR de aquellos feminicidios que
no contaban con denuncia previa fueron
cumplimentadas por los equipos de revisión. Los
casos del grupo control se seleccionaron de forma
aleatoria de entre aquellos registrados durante el
último cuatrimestre de 2016 en el Sistema VioGén.
De este modo, se pudo llegar a identificar un
subconjunto de 13 indicadores que se emplearon para
la construcción de la herramienta de predicción de
violencia mortal, y que presentó una sensibilidad de
.81, una especificidad de .61 y un área bajo la curva
(AUC) de .81 [.76, .86]; mostrando además un valor
predictivo positivo (VPP) = .19, y un valor predictivo
negativo (VPN) =.97 (López-Ossorio et al., 2020). Se
encontró que los pesos de cada uno de los indicadores
de la VPR utilizados para construir el algoritmo de
predicción de la reincidencia, no servían para predecir
adecuadamente los feminicidios, y viceversa. Este
hecho es, en cierto modo, esperable, ya que la
bibliografía científica ha mostrado de forma
consistente que violencia mortal y no mortal en la
pareja pueden ser fenómenos diferentes, y por lo
tanto, pueden asociarse a circunstancias diferentes.
Esta escala se incluyó en la herramienta de predicción
de riesgo, de tal forma que en el formulario (desde
marzo de 2019 el VPR5.0) se incluyen dos escalas con
algoritmos diferentes: una para estimar los riesgos de
reincidencia con cinco niveles (no apreciado, bajo,
medio, alto y extremo), y otra para estimar el riesgo
de feminicidio con dos niveles (en bajo y alto).
Con el objetivo de facilitar a los miembros de
las fuerzas y cuerpos de seguridad sus decisiones en
materia de protección de las víctimas, con esta
evidencia se optó por programar un mecanismo dual
y transparente para los agentes, del siguiente modo:
cuando se recibe la denuncia de un caso, los policías
cumplimentan la VPR. En este momento, sin mostrar
todavía el resultado, el Sistema VioGén aplica el
primer algoritmo y calcula el riesgo de reincidencia
que presenta el caso en ese momento, e
inmediatamente después, calcula el riesgo de
feminicidio con el segundo algoritmo. En caso de que
aparezca riesgo mortal, se ha dispuesto que se
incremente en un nivel el riesgo de reincidencia, que
es el que se muestra finalmente a los agentes, junto
con una alerta de que el caso es de especial interés,
para que se pueda adecuar la protección policial a las
características del caso concreto. Además, esta alerta
se deja reflejada en una diligencia en el atestado
policial, que se envía al Juzgado y a la Fiscalía
competentes, para conocimiento de la singularidad
del caso, y por si estimaran pertinente que los
implicados fueran evaluados cuanto antes por
psicólogos o médicos forenses, quienes podrían
profundizar más en las circunstancias del caso y
proponer nuevas medidas protectoras. Con este
mecanismo dual se espera reducir la tasa de
feminicidios en los casos que se denuncien en el
territorio en donde se utiliza el Sistema VioGén. Al
haberse puesto en explotación en la primavera de
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |34
2019, y tratarse de un fenómeno criminal con baja
prevalencia, habrá que esperar varios años para
conocer la eficacia real de este protocolo dual,
estudiando la evolución de los casos alertados.
Lecciones aprendidas
El Sistema VioGén, la VPR5.0-H, y en general
el fenómeno de la violencia de pareja en España,
permiten ilustrar de forma clara algunos de los
problemas que pueden presentarse en el desarrollo de
las aplicaciones de policía predictiva; pero también los
beneficios que tiene, y sobre todo cuales son algunos
de los retos futuros que se deben afrontar. En primer
lugar, se ha visto que para llegar a acumular suficiente
información se tuvo que hacer un gran esfuerzo por
no encontrarse en repositorios informatizados y
centralizados. Esta necesidad de recopilar
adecuadamente, compartir y analizar
centralizadamente los datos relevantes, es clave en
materia de policía predictiva (OSCE, 2017).
Por otra parte, el hallazgo de que no todos
los indicadores de la VPR que son útiles para la
predicción de reincidencia, lo son para predecir
futuros episodios mortales, y el hecho de que,
además, fuera necesario recalcular los pesos de los 13
indicadores significativos, es indicativo, como ya han
mostrado otros trabajos previos (Matias et al., 2019;
Spencer y Stith, 2018), de que violencia mortal y no
mortal pueden ser fenómenos diferentes, aunque
ambas se den en el marco de la Violencia de Género.
Desde el punto de vista de la aplicación de la
Inteligencia Artificial (IA) a la predicción del crimen,
se plantea una importante reflexión, y es ¿qué nivel de
análisis es necesario entonces para desarrollar
algoritmos que realmente sean útiles? Normalmente,
cuando se hace uso del término Violencia de Género
o violencia de pareja, este puede referirse a una
variedad de comportamientos violentos que van
desde un insulto hasta una agresión mortal, pasando
por la existencia de amenazas, o la comisión de una
agresión sexual.
En España preocupan especialmente los
casos de mujeres que mueren a manos de sus parejas,
y que previamente habían denunciado malos tratos
(Santos y González, 2017), ya que son entendidos
como casos en los que las medidas de protección han
fallado, destacando sobre todo cuando el nivel de
riesgo de los casos era “bajo” o “no apreciado”. Pero
hay que entender que, hasta su penúltima versión, la
VPR4.0 estaba orientada a la predicción de violencia
no mortal, por lo que se podían dar casos,
aparentemente paradójicos, en los que mujeres con
un riesgo bajo de reincidencia acabaran siendo
asesinadas. Los hallazgos más recientes han
evidenciado que tal paradoja no existe, y que el
problema reside en exigir ingenuamente resultados a
una herramienta para predecir un fenómeno para el
que no ha sido diseñada.
Por último, es importante destacar que las
técnicas de policía predictiva se basan en el análisis de
datos históricos, es decir, casos que llegan a
conocimiento de los cuerpos policiales. Es por esto
que los algoritmos que se generen serán específicos
para esos casos, y permitirán predecir casos que
muestren características similares o sigan un mismo
patrón. El problema, como ya se ha señalado, es que
tanto en la Violencia de Género, como en la violencia
doméstica en general, muchos casos no llegan a
denunciarse, y en consecuencia no forman parte de
los registros policiales históricos. Esto plantea otra
reflexión importante, y es que, con estos casos no
denunciados pueden suceder dos cosas: 1) que sean
similares a los casos que sí denuncian, por lo que las
herramientas podrían ser aplicables; o 2) puede que
tengan una serie de características distintivas que, en
parte, expliquen el por qué no se denuncia, y las
herramientas de predicción no sirvan. De cualquier
modo, lo importante es fomentar que las víctimas
denuncien, no solo porque con ello se les podrán
aplicar medidas de protección, sino porque cuanto
menor sea el número de casos conocidos, más preciso
será el conocimiento que se tenga sobre el fenómeno,
lo que permitirá diseñar herramientas de predicción
más precisas, y que puedan aplicarse en todo tipo de
casos, lo que revertirá en último término en mejoras
en la protección de las víctimas.
El uso de los datos en la investigación del
homicidio en España
En un trabajo previo realizado en España
con datos de la Guardia Civil, Santos et al. (2019) ya
destacaron la utilidad de crear bases de datos con
información de homicidios esclarecidos, y cómo su
análisis podía ayudar en la investigación de nuevos
casos de homicidio. El objetivo de aplicar en estos
crímenes la metodología de policía predictiva, es el de
estimar las características que, con mayor
probabilidad, tendrá el autor, o autores, de un nuevo
homicidio. Este tipo de razonamiento se basa en la
hipótesis de la homología propuesta por Canter
(2004), y que viene a expresar que, partiendo del
axioma de que la forma en que un criminal comete un
delito reflejará las características de este, se puede
entender que crímenes con características similares
serán cometidos por criminales que compartan
determinadas características. La aplicación de esta
metodología inferencial inductiva es la base de la
policía predictiva (Perry et al., 2013), y es que, como
ya señalaron Provost y Fawcett (2013), la policía
predictiva no solo se ocupa de estimar lo que puede
pasar en el futuro, sino que también puede ayudar a
esclarecer algo que ya ha pasado.
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |35
Pese a que aquí no se pretende identificar
zonas o momentos de mayor riesgo, predecir una
conducta delictiva futura, o estimar el riesgo de que
una persona concreta vaya a cometer un acto
violento, la finalidad sigue siendo reconocer patrones
y aportar información útil a los investigadores
policiales. En este caso los patrones son la relación
que existe entre un tipo determinado de criminal y las
características del crimen. De esta forma, ante un
nuevo caso, si se dispone de suficiente información
de cómo se cometió el crimen, pueden hacerse
estimaciones probabilísticas de las características del
agresor. Para identificar estos patrones se ha
empleado el software Graphext que permite crear
redes (disposición de casos), a partir de la similitud
entre nodos (casos) con un concepto de distancia
euclídea en tantas dimensiones como variables se
registren en el conjunto de datos. Para calcular las
dimensiones de las variables numéricas se emplea la
distancia de Mahalanobis, y para las dimensiones de
las variables categóricas el TD-IDF. Una vez
calculadas las medidas, se identifican nodos que
comparten características y se genera la disposición
final de la red aplicando el algoritmo foceAtlas2;
finalmente se aplica sobre la red resultante el
algoritmo Louvain, que identifica los clústeres
(comunidades) asignándoles un color.
En la Figura 1 se representan todos los casos
incluidos en el estudio sobre el Homicidio en España
2010-2012 (González et al., 2018). El concepto de
caso hace referencia a la interacción concreta entre las
características de la víctima, el autor y las
circunstancias del hecho. Una de las ventajas de
Graphext es que permite identificar de manera visual
los casos similares entre sí, tanto por la proximidad
entre los mismos, como por el código cromático.
Aunque la clasificación de los casos se genera
automáticamente, corresponde al investigador
nombrar a los diferentes grupos encontrados en
función de aquellas variables que los distinguen del
resto.
Figura 1. Distribución de los 871 casos incluidos en el estudio sobre el Homicidio en España 2010-2012.
Para ver qué caracteriza a cada tipo de homicidio,
Graphext permite seleccionar de forma individual
cada una de las variables que componen la base de
datos, y asignar un color a cada una de las categorías
de esas variables. Como se puede ver en la Figura 2,
en el gráfico de la izquierda se ha seleccionado la
variable de relación. Su distribución muestra que los
casos en los que la víctima tenía una relación más
estrecha con el autor se sitúan en la parte inferior de
la red (verde = pareja/expareja; rojo = familiar) y a
medida que se sube en la red el grado de relación va
disminuyendo (azul = conocidos; naranja =
desconocidos). Otra de las variables importantes que
permite caracterizar un homicidio es si este se comete
en el marco de otra actividad criminal. En el gráfico
de la derecha se ha seleccionado el tipo de homicidio,
encontrándose una concentración de casos
relacionados con actividades criminales (naranja) en
la parte izquierda de la red.
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |36
Figura 2. Distribución de variables clave.
De esta forma se podrían analizar todas las variables
que componen la base, y ver su distribución
específica. Para facilitar esta tarea, Graphext permite
identificar cuáles son las variables que mejor
diferencian los clústeres. Una vez identificadas las
distribuciones de todas las variables clave, se puede
proceder a nombrar cada uno de los grupos que se
identifican en la red. Para ilustrar esto, en la Figura 3
se ha asignado un color a cada tipo de homicidio
identificado en base a la tipología propuesta por
González et al. (2018) para los homicidios en España.
Como se puede ver, abajo a la derecha están los casos
de Violencia de Género y familiares, que son casos en
los que hay una fuerte relación entre víctima y autor.
Por otro lado, a la izquierda de la red se puede
identificar la concentración de homicidios
relacionados con otras actividades criminales. Pese a
la clasificación que se puede hacer de los homicidios,
en ocasiones pueden registrarse casos con el mismo
color pero que estén alejados entre sí, e incluso que
estén muy cerca de casos con otro color. La razón de
esto es que, aunque los casos pertenecen a un grupo
concreto, pueden compartir características con otros
homicidios. Esto se ve muy claro en el caso de los
homicidios de Violencia de Género y de familiares
que en ocasiones están muy juntos entre sí, y lo
mismo con los diferentes tipos de homicidios
relacionados con actividades criminales.
Hasta ahora, se ha mostrado la capacidad para
identificar características que distinguen entre
diferentes casos de homicidio, y cómo estos se
pueden clasificar. Pero ¿cómo pueden aplicarse estos
datos y análisis a la investigación de nuevos hechos
delictivos? Como se comentó al comienzo del
apartado, la finalidad de identificar características y
agrupaciones es conseguir vincular determinadas
características del homicidio a un tipo de agresor
concreto. Una vez hecho esto, cuando se presenta un
nuevo caso de homicidio es necesario recoger la
mayor cantidad de información posible. Esta
información servirá de filtro para encontrar casos con
similares características en los registros históricos de
homicidios esclarecidos. Así por ejemplo, si se sabe
que la víctima es un varón menor de edad, estas
características se introducen en Graphext y se resaltan
los casos coincidentes. Como se muestra en la Figura
4, con esas características se han encontrado 44
coincidencias que parece que se agrupan en dos tipos
de homicidios claramente diferenciados. Si los
investigadores policiales pudieran tener acceso a este
tipo de información desde el primer momento en el
que se tiene constancia del homicidio, ya podrían
plantear dos líneas de investigación, una relacionada
con el mundo delincuencial (puntos granates); y otra
asociada a posibles conflictos con su entorno familiar
(puntos naranjas). El tiempo es muy importante
especialmente en las investigaciones policiales de los
delitos contra las personas, porque si no se identifican
correctamente las diferentes líneas de investigación,
existe el riesgo de que los indicios se degraden o que
los propios autores los destruyan.
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |37
Figura 3. Identificación de tipos de homicidio.
Figura 4. Casos coincidentes (variables de filtro: sexo = varón; edad = menor de edad).
Una vez identificados los casos coincidentes,
se comprobará el perfil prototípico del autor de cada
uno de los tipos de homicidios principales
identificados por el programa. En el caso de los
homicidios relacionados con el mundo delincuencial,
se trataría de autores varones de entre 13 y 17 años,
que no tenían relación previa con la víctima y que
actuaron acompañados. En el caso de los homicidios
relacionados con el ámbito familiar, destacarían las
mujeres, madre de la víctima, entre las franjas de edad
de 35 a 40 y 55 a 60 años. Las investigaciones
policiales son procesos dinámicos, y en cualquier
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |38
momento puede conocerse nueva información. De
ser así, esa nueva información puede incluirse en la
búsqueda de casos coincidentes, ayudando a
decantarse por una de las líneas de investigación.
Futuro de la policía predictiva
En la empresa privada y en la comunidad
empresarial, la información y la inteligencia son
factores esenciales para crear ventajas competitivas
(OSCE, 2017). En ese aspecto, la labor encaminada a
la lucha contra la criminalidad no es diferente, puesto
que la ventaja estratégica basada en el conocimiento
incrementa su eficacia para prevenir delitos e
incidentes relacionados con la seguridad, y
desarticular redes y grupos delictivos. Pero no basta
con poseer abundante información o conocimiento
sino que es necesario tener un marco adecuado para
gestionar ese conocimiento y aprovecharlo al
máximo, así como para asegurar que los datos y la
información son recopilados, procesados y utilizados
en estricto cumplimiento de las leyes nacionales y las
normas internacionales en materia de derechos
humanos (OSCE, 2017).
En este trabajo se ha hecho mención a
algunas de las aplicaciones más relevantes que se
conocen sobre policía predictiva en España, y que han
supuesto pasar de un enfoque reactivo a un enfoque
prospectivo, proactivo y preventivo, buscando actuar
antes de que se cometa el delito, o ayudar a esclarecer
hechos pasados. Aunque el enfoque preventivo no es
nuevo, ya que los estudios clásicos de la Escuela de
Chicago (Park et al., 1967), basados en el concepto de
ecología humana ya tenían como objetivo estudiar las
relaciones espacio-temporales del individuo con su
entorno, dando lugar a los primeros mapas del
crimen, el avance que ha supuesto la policía predictiva
está en: 1) el aumento en la cantidad de datos que se
pueden gestionar; 2) la rapidez con la que se pueden
analizar; 3) la existencia de estándares de trabajo que
comparten los usuarios de un sistema concreto; y 4)
la posibilidad de crear modelos estadísticos que son
capaces de aprender por sí mismos.
La policía predictiva debe entenderse como
un conjunto de herramientas de apoyo en la toma de
decisiones de los investigadores policiales. Algunos de
los problemas que han planteado los detractores de su
aplicación, vendrían fundamentalmente de un mal
uso de estas herramientas. Pese a las posibilidades que
ofrecen los modelos predictivos, no se debe dejar de
lado el conocimiento teórico (Chan y Bennett Moses,
2016), ya que los investigadores policiales deben dotar
de contexto a los resultados ofrecidos por los
algoritmos. Los modelos basados en IA son capaces
de analizar datos, y tomar decisiones en base a los
resultados obtenidos, pero en el ámbito del crimen, ni
los sistemas predictivos ni la sociedad están aún
preparados para dejar las decisiones enteramente en
manos de estos modelos, por lo que actualmente, ni
la confianza excesiva, ni el rechazo total de estas
prácticas, son beneficiosos, ya que el uso de los datos
en la toma de decisiones es el futuro de los cuerpos
policiales.
Los dos ejemplos que se han analizado en
profundidad son aplicaciones de la policía predictiva,
y de las técnicas preventivas, en eventos de baja
prevalencia. Tanto los feminicidios, como los
homicidios en general, son delitos que despiertan una
gran alarma social, pero que tienen una serie de
características que los hacen especialmente difíciles de
predecir y analizar de forma sistemática (Berk y
Sorenson, 2019). Pero precisamente se han empleado
estos dos ejemplos por ser representativos de dos de
los principales ámbitos de aplicación de la policía
predictiva: estimar la probabilidad que tiene un
individuo concreto de cometer un crimen, y predecir
las características que, con mayor probabilidad, tendrá
el autor de un crimen sin esclarecer.
Otro de los desafíos que debe afrontar la
policía predictiva en los próximos tiempos, está
relacionado con su implementación. En primer lugar,
debe entenderse que no basta con crear programas o
algoritmos y aplicarlos sobre una gran cantidad de
datos, sino que debe haber un proceso de asimilación
por parte de los usuarios policiales. Estos deben
familiarizarse con las herramientas, capacitarse,
extender la cultura analítica prospectiva, y, sobre
todo, tienen ver que su uso facilitará su labor y
aumentará su eficiencia. Si los investigadores
policiales no ven útiles las herramientas, no entienden
los resultados, o hacen un mal uso de estos sistemas,
no se crearán estrategias eficientes, y esto revertirá en
una pérdida de confianza por parte del usuario. Pero
también es importante la aceptación social de estas
herramientas. En parte, la desconfianza que pueden
generar los modelos predictivos viene explicada por
una mala concepción de lo qué son, de cómo
funcionan, y de cuándo se aplican. Lo que propone la
policía predictiva es dar un uso a los datos que hasta
ahora había sido imposible, principalmente por falta
de medios técnicos. Lo que se pretende es aprovechar
al máximo el potencial de las bases de datos policiales,
y no limitar el objetivo de la recogida sistemática de
información a acreditar el cumplimiento de los
requerimientos de la fase de investigación criminal.
A lo largo de todo el trabajo se ha incidido
sobre la idea de que valorar el riesgo de que suceda un
evento futuro no implica ni determina que esos
eventos se vayan a producir. Los indicadores de
riesgo, y todas las variables que analizan los sistemas
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |39
predictivos, sirven para encontrar correlaciones, no
causalidades. Otra idea importante que se ha
intentado transmitir, es que ni la tecnología
informática ni la estadística pueden suplantar, al
menos de momento, al analista criminal. Deben ser
las personas las que decidan sobre la aplicación que se
hace de los resultados obtenidos de los análisis. Por
otro lado, cabe destacar que no es necesario hacer
grandes inversiones en software ni equipo
informático, sino que lo que hay que promover son
los estudios científicos del crimen. Además, se debe
dar formación especializada a los investigadores
policiales en el uso de este tipo de técnicas predictivas,
ya que de nada sirve que se realicen análisis
predictivos si estos no van acompañados de medidas
operativas y estrategias policiales.
Referencias
Bennett Moses, L. y Chan, J. (2016). Algorithmic
prediction in policing: assumptions, evaluation and
accountability. Policing and Society, 28, 806822.
https://doi.org/10.1080/10439463.2016.1253695
Berk, R. A. y Sorenson, S. B. (2019). Algorithmic approach
to forecasting rare violent events. An illustration based
in intimate partner violence perpetration. Criminology &
Public Policy, 19(1), 213-233.
https://doi.org/10.1111/1745-9133.12476
Fernández, C. (2019). Valoración del riesgo del radicalismo
violento en el medio penitenciario. En R. Bermejo e I.
Bazaga (Eds.), Radicalización violenta en España. Detección,
gestión y respuesta, (pp. 253-259). Tirant Lo Blanch.
Bland, M. (2020). Algorithms Can Predict Domestic
Abuse, But Should We Let Them? En H. Jahankhani,
B. Akhgar, P. Cochrane y M. Dastbaz (Eds.), Policing in
the Era of AI and Smart Societies (pp. 139-155). Springer.
Camacho-Collados, M. (2016). Statistical analysis of spatio-
temporal crime patterns. optimization of patrolling
strategies. (Tesis doctoral). Universidad de Granada,
España.
Camacho-Collados, M. y Liberatore, F. (2015). A Decision
Support System for predictive police patrolling. Decision
Support Systems, 75, 25-37.
https://doi.org/10.1016/j.dss.2015.04.012
Camacho-Collados, M., Liberatore, F. y Angulo, J. M.
(2015). A multi-criteria Police Districting Problem for
the efficient and effective design of patrol sector.
European Journal of Operational Research, 246(2), 674-684.
https://doi.org/10.1016/j.ejor.2015.05.023
Campbell, J. C. (2012). Risk Factors for Intimate Partner
Homicide: The importance of Margo Wilson’s
Foundational research. Homicide Studies, 16, 438-444.
https://doi.org/10.1177/1088767912463208
Canter, D. (2004). Offender profiling and Investigative
Psychology. Journal of Investigative Psychology and Offender
Profiling, 1, 1-15. https://doi.org/10.1002/jip.7
Chan, J. y Bennett Moses, L. (2016). Is big data challenging
criminology? Theoretical Criminology, 20(1), 2139.
https://doi.org/10.1177/1362480615586614
Datta, A., Sen, S. y Zick, Y. (2016). Algorithmic
transparency via quantitative input influence: Theory
and experiments, with learning systems. In 2016 IEEE
symposium on security and privacy.
https://doi.org/10.1109/SP.2016.42
Dayan, K., Fox, S. y Morag, M. (2013). Validation of
Spourse Violence Risk Assessment Inventory for
Police Purposes. Journal of Family Violence, 28(8), 811-
821. https://doi.org/10.1007/s10896-013-9547-4
Delgado, R., González, J. L., Sotoca, A. y Tibau, X. A.
(2016). Perfil del incendiario forestal: un Sistema Experto
basado en redes bayesianas. Comunicación presentada al XI
Congreso Español de Criminología. Abriendo vías a la
reinserción.
Delgado, R., González, J. L., Sotoca, A. y Tibau, X. A.
(2018). Archetypes of Wildfire Arsonists: An Approach
by Using Bayesian Networks. IntechOpen.
https://doi.org/10.5772/intechopen.72615
Eck, J. Chainey, S., Cameron, J., Leitner, M. y Wilson, R.
(2005). Mapping Crime: Understanding Hot Spot. National
Institute of Justice.
Ferguson, A. G. (2011). Crime Mapping and the Fourth
Amendment: Redrawing “High-Crime Areas”. Hastings
Law Journal, 63(1), 179232.
Ferguson, A. G. (2015). Big data and predictive reasonable
suspicion. University of Pennsylvania Law Review, 163(2),
327410.
García-Barceló, N., González-Álvarez, J. L., Almond, L. y
Woolnough, P. (2020). Behavioural themes in Spanish
missing person cases: An empirical typology. Journal of
Investigative Psychology and Offender Profiling. Ahead of
print. https://doi.org/10.1002/jip.1562
García-Barceló, N., Tourís-López R. M. y González-
Álvarez, J. L. (2019). Personas desaparecidas:
conveniencia de fomentar la investigación científica en
España. Boletín Criminológico, 183.
Giménez-Salinas, A., Pérez, M., Vozmediano, L., San Juan,
C., Ramos, D., González-Álvarez, J. L., Soto, J. E.,
Pozuelo, L. y De Juan, M. (2018). Agresores con víctima
desconocida. Implicaciones para la investigación criminal.
Ministerio del Interior.
González, J. L. (2011). El perfil psicosocial del incendiario
forestal. Boletín de la Asociación de Técnicos de Instituciones
Penitenciarias, 25, 4-10.
González, J. L. (2015). La psicología criminalista en
España: presente y futuro. Papeles del Psicólogo, 36(2),
109-116.
González, J. L., Garrido, M. J., López-Ossorio, J. J.,
Muñoz, J. M., Arribas, A., Carbajosa, P. y Ballano, E.
(2018). Revisión pormenorizada de homicidios de
mujeres en las relaciones de pareja en España. Anuario
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |40
de Psicología Jurídica, 28, 28-38.
https://doi.org/10.5093/apj2018a2
González, J. L., Muñoz, V., Calcerrada, M. L. y Sotoca, A.
(2017). Perfil psicosocial del incendiario forestal
español privado de libertad. Behavior & Law Journal,
3(1), 26-34.
González, J. L., Sánchez, F., López-Ossorio, J. J., Santos, J.
y Cereceda, J. (2018). Informe sobre el homicidio. España
2010-2012. Ministerio del Interior.
https://doi.org/10.13140/RG.2.2.18218.67526
González, J.L., Sotoca, A., Martín, M.J., Rodríguez, R.,
Rosique, M. T. y Martínez, J.M. (2010). Aplicación
práctica del perfilamiento criminal: perfil psicosocial del
incendiario forestal. En Jiménez, J. (2010). Manual
Práctico del Perfil Criminológico. 345-370. Lex-Nova.
González-Álvarez, J. L., López-Ossorio, J. J. y Muñoz-
Rivas, M. (2018). La valoración policial del riesgo de violencia
contra la mujer pareja en España Sistema VioGén.
Ministerio del Interior, Gobierno de España.
Gracia, E. (2004). Unreported cases of domestic violence
against women: towards an epidemiology of social
silence, tolerance, and inhibition. Journal of Epidemiology
and Community Health, 58(7), 536-537.
https://doi.org/10.1136/jech.2003.019604
Hardyns, W. y Rummens, A. (2017). Predictive Policing as
a New Tool for Law Enforcement? Recent
Developments and Challenges. European Journal on
Criminal Policy and Research, 24(3), 201-218.
https://doi.org/10.1007/s10610-017-9361-2
Hart, N. y Yohannes, M. (2019). Evidence Works: Cases Where
Evidence Meaningfully Informed Policy. Bipartisan Policy
Center.
Hilton Z., Harris, G., Rice M., Houghton R. y Eke, A.
(2008). An Indepth Actuarial Assessment for Wife
Assault Recidivism: The Domestic Violence Risk
Appraisal Guide. Law and Human Behavior, 32(2), 150-
163. https://doi.org/10.1007/s10979-007-9088-6
Joh, E. E. (2014). Policing by numbers: big data and the
fourth amendment. Washington Law Review, 89(35), 35
68.
Kalcsics, J. Nickel, S. y Schöder. (2005). Towards a unified
territorial design approach. Applications, algorithms
and GIS integration. TOP: An Official Journal of the
Spanish Society of Statistics and Operations Research, 13(1), 1-
56. https://doi.org/10.1007/BF02578982
Kaufmann, M., Egbert, S. y Leese, M. (2019). Predictive
policing and the politics of patterns. British journal of
criminology, 59(3), 674-692.
https://doi.org/10.1093/bjc/azy060
Kitchin, R. (2014). The Data Revolution: Big Data, Open Data,
Data Infrastructures & Their Consequences. Sage.
Koss, K. K. (2015). Leveraging predictive policing
algorithms to restore fourth amendment protections in
high-crime areas in a post-Wardlow world. Chicago-Kent
Law Review, 90(1): 301334.
Kropp, P. R. y Hart, S. D. (200). The Spousal Assault Risk
Assessment (SARA) Guide: Reliability and Validity in
Adult Male Offenders. Law and Human Behavior, 24,
101-118. https://doi.org/10.1023/A:1005430904495
Ley Orgánica 1/2004, de 28 de diciembre, de Medidas de
Protección Integral contra la Violencia de Género.
Boletín Oficial del Estado, 313.
Liberatore, F. y Camacho-Collados, M. (2016). A
Comparison of Local Search Methods for the
Multicriteria Police Districting Problem on Graph.
Mathematical Problems in Engineering, vol. 2016.
Liberatore, F., Quijano-Sánchez, L. y Camacho-Collados,
M. (2018). Applications of Data Science in Policing:
VeriPol as an Investigation Support Tool. European Law
Enforcement Research Bulletin, 4, 89-96.
López-Ossorio, J. J., Carbajosa, P., Cerezo-Domínguez, A.
I., González-Álvarez, J. L., Loinaz, I. y Muñoz-Vicente,
J. M. (2018). Taxonomía de los homicidios de mujeres
en las relaciones de pareja. Psychosocial Intervention, 27(2),
95-104
López-Ossorio, J. J, González, J. L., Buquerín, S., García,
L. F. y Buela-Casal, G. (2017). Risk Factors related to
intimate partner violence police recidivism in Spain.
International Journal of Clinical and Health Psychology, 17,
107-119
López-Ossorio, J. J., González-Álvarez, J. L., Muñoz-
Vicente, J. M., Urruela, C. y Andrés-Pueyo, A. (2019).
Validation and Calibration of the Spanish Police
Intimate Partner Violence Risk Assessment System
(VioGén). Journal of Police and Criminal Psychology.
https://doi.org/10.1007/s11896-019-09322-9
López-Ossorio, J. J., Loinaz, I. y González-Álvarez, J. L.
(2019). Protocolo para la valoración policial del riesgo
de violencia de género (VPR4.0): revisión de su
funcionamiento. Revista española de Medicina Legal.
https://doi.org/10.1016/j.reml.2019.01.002
López-Ossorio, J. J., González-Álvarez, J. L., Loinaz, I.,
Martínez-Martínez, A. y Pineda, D. (2020). Intimate
partner homicide risk assessment by police in Spain:
The Dual Protocol VPR5.0-H. Psychosocial Intervention.
https://doi.org/10.5093/pi2020a16
Macnish, K., Wright, D. y Jiya, T. (2020). Predictive
Policing in 2025: A Scenario. En H. Jahankhani, B.
Akhgar, P. Cochrane y M. Dastbaz (Eds.), Policing in the
Era of AI and Smart Societies (pp. 139-155). Springer.
Delegación del Gobierno contra la Violencia de Género.
(2020). Macroencuesta de Violencia contra la Mujer 2019.
Matias, A., Gonçalves, M., Soeiro, C. y Matos, M. (2019).
Intimate partner homicide: A meta-analysis of risk
factors. Aggression and Violent Behavior, 50.
https://doi.org/10.1016/j.avb.2019.101358
Mitchell, P. S. (1972). Optimal Selection of Police Patrol
Beats. The Journal of Criminal Law, Criminology, and Police
Science, 63(4), 577-584.
https://doi.org/10.2307/1141814
González-Álvarez, J. L., Santos-Hermoso, J. & Camacho-Collados (2020). Policía predictiva en España. Aplicación y retos de futuro. Behavior &
Law Journal, 6(1), 26-41.
Fundación Universitaria Behavior & Law |41
Narayan, A. K., Lopez, D. B., Miles, R. C., Dontchos, B.,
Flores, E. J., Glover, M. y Lehman, C. D. (2019).
Implementation of an Intimate Partner Violence
Screening Assessment and Referral System in an
Academic Women's Imaging Department. Journal of the
American College of Radiology, 16(4), 631634.
https://doi.org/10.1016/j.jacr.2018.12.026
Organización Mundial de la Salud (OMS). (2013). Global
and regional estimates of violence against women: prevalence and
health effects of intimate partner violence and non-partner sexual
violence.
Organización para la Seguridad y la Cooperación en
Europa (OSCE). (2017). Guía de la OSCE sobre actividad
policial basada en la inteligencia.
Oswald, M., Grace, J., Urwin, S. y Barnes, G. C. (2018).
Algorithmic risk assessment policing models: lessons
from the Durham HART model and ‘experimental’
proportionality. Inf Commun Technol Law, 27(2):223250.
Park, R. E., Burgess, E. W. y McKenzie, R. D. (1967). The
City. University of Chicago Press.
Perrot, P. (2017). What about AI in criminal intelligence?
From predictive policing to AI perspectives. European
Law Enforcement Research Bulletin, 16, 65-75.
Perry, W. L., McInnis, B., Price, C. C., Smith, S. C. y
Hollywood, J. S. (2013). Predictive policing: The role of crime
forecasting in law enforcement operations. Rand Corporation.
Portal Estadístico. Hechos conocidos. Madrid: Ministerio del
Interior.
Provost, F. y Fawcett, T. (2013). Data Science for Business:
What you need to know about data mining and data-analytic
thinking. O’Reilly Media.
Quijano-Sánchez, L., Liberatore, F., Camacho-Collados, J.
y Camacho-Collados, M. (2018). Applying automatic
text-based detection of deceptive language to police
reports: Extracting behavioral patterns from a multi-
step classification model to understand how we lie to
the police. Knowledge-Based Systems, 149, 155-168.
Ratcliffe, J. H. (2016). Intelligence-Led Policing, ( edición).
Routledge.
Santos, J. y González, J. L. (2017). Homicidio de pareja en
España (2007-2016): tiempo entre denuncia, valoración
policial del riesgo y muerte. Behavior and Law Journal,
3(1), 1-10.
Santos, J., González, J. L. y Touza, J. M. (2019). Homicidio
en demarcación de la guardia civil. El uso de los datos
en la investigación criminal. Cuadernos de la Guardia Civil,
59.
Schlehahn, E., Aichroth, P., Mann, S., Schreiner, R., Lang,
U., Shepherd, I. D. y Wong, B. W. (2015). Benefits and
pitfalls of predictive policing. In Intelligence and Security
Informatics Conference (EISIC).
Seigfried-Spellar, K. C., Rogers, M. K., Rayz, J. T., Yang,
S., Misra, K. y Ringenberg, T. (2019). Chat Analysis
Triage Tool: Differentiating contact-driven vs. fantasy-
driven child sex offenders. Forensic Science International.
https://doi.org/10.1016/j.forsciint.2019.02.028
Sotoca, A., González, J. L., Fernández, S., Kessel, D.,
Montesinos, O. y Ruiz, M. (2013). Perfil del incendiario
forestal español: aplicación del perfilamiento criminal
inductivo. Anuario de Psicología Jurídica. 23, 31-38.
Spencer, C. M. y Stith, S. M. (2018). Risk Factors for Male
Perpetration and Female Victimization of Intimate
Partner Homicide: A Meta-Analysis. Trauma, Violence,
& Abuse, 21(3), 527540.
https://doi.org/10.1177/1524838018781101
Stöckl, H., Devries, K., Rotstein, A., Abrahams, N.,
Campbell, J., Watts, C. y García, C. (2013). The global
prevalence of intimate partner homicide: a systematic
review. The Lancet, 382, 859-865.
https://doi.org/10.1016/S0140-6736(13)61030-2
Stockman, J. K., Lucea, M. B. y Campbell, J. C. (2013).
Forced Sexual Initiation, Sexual Intimate Partner
Violence and HIV Risk in Women: A Global Review
of the Literature. AIDS and Behavior, 17, 832-847.
https://doi.org/10.1007/s10461-012-0361-4
Strikwerda, L. (2020). Predictive policing: The risks
associated with risk assessment. The Police Journal:
Theory, Practice and Principles, 1-15.
https://doi.org/10.1177/0032258X20947749
Tayebi, M. A. y Glässer, U. (2016). Social network analysis in
predictive policing: Concepts, models and methods. Springer.
Townsley, M. (2017). Crime mapping and spatial analysis.
En B. Leclerc y E. Savona (Eds.), Crime prevention in the
21st century (pp. 101112). Springer International
Publishing.
Wang, F. (2012). Why police and policing need GIS: an
overview. Annals of GIS, 18(3), 159-171.
https://doi.org/10.1080/19475683.2012.691900
Waske, B. y Beneditksson, J. A. (2014). Pattern Recognition
and Classification. En E. G. Bjoku (Ed.), Encyclopedia of
Remote Sensing (pp. 50323). Springer.
Article
Full-text available
El binomio inteligencia artificial-ámbito penal ha llegado para quedarse. Las implicaciones de tal interacción son evidentes: tanto las potencialidades, como las dificultades. Sea como fuere, con independencia de los avances y retrocesos en el debate, lo cierto es que el estado del arte revela no pocos ejemplos de utilización de la inteligencia artificial en el ámbito penal: reconocimiento facial; herramientas predictivas; etc. Algunos de los ejemplos más relevantes se circunscriben a la actividad de las fuerzas y cuerpos de seguridad. A ello dedicaremos las líneas que siguen, en el ánimo de efectuar un examen crítico acerca de las herramientas de inteligencia artificial hoy día empleadas en este ámbito; en el ánimo, en definitiva, de facilitar un aterrizaje garantista que permita optimizar todas sus virtualidades.
Article
Full-text available
Spanish police makes an extensive use of intimate partner violence (IPV) risk assessment on a daily basis. Improved prediction procedures have encouraged the search for greater refinement of IPV predictors by adjusting to specific targets, such as lethal outcomes or potential victimization of children. This paper describes the evolution of the VPR5.0 tool (VioGén System Police Risk Assessment) as an algorithm aimed at improving predictability of intimate partner homicides (IPH). A sample of 2,159 records was used, 159 of whom were IPH victims. The sample was divided into two comparable groups of cases (IPH) and controls (N-IPH) to validate the results. The results showed that 13 out of 35 risk factors were significantly related to IPH with an effect size different to that of general N-IPH (with OR values ranging between 1.507 and 8.087). Binary logistic regression showed six significant factors that correctly classified 86.3% of the IPH. The new H-Scale performance parameters were comparable to those obtained in studies with the same objective (sensitivity 84%, specificity 60%, OR = 8.130, AUC = .80, PPV = .19 and NPV = .97).
Article
Full-text available
Sólo existen dos líneas de investigación acerca del incendiario forestal, una portuguesa y otra española, que mediante la técnica del perfilamiento criminal han obtenido una tipología que informa sobre qué tipo de persona cometerá con mayor probabilidad un incendio forestal. A pesar de los avances, la tasa de esclarecimiento en este delito es todavía baja, por lo que este estudio trata de ayudar a una mejora de la investigación policial mediante el estudio de las características psicosociales de 50 incendiarios forestales privados de libertad, constituyendo un estudio pionero pues nadie se ha centrado hasta ahora en los que llegan a prisión. Los resultados acerca de su perfil muestran que predomina una baja inteligencia, consumen drogas o alcohol, han estado en tratamiento psicológico previo y destaca como motivo del incendio padecer algún tipo de trastorno. Dichos resultados dejan entrever que estas carencias podrían ser las que hacen que sean efectivamente descubiertos, ingresando en prisión.
Article
Full-text available
Focusing on the Dutch tools SyRI and CAS, this paper describes predictive policing against the background of the broader development toward a pre-crime society, the accompanying culture of control and the new penal logic it gives rise to. It will explain the risks associated with the risk assessments predictive policing tools provide and end with the recommendation to use predictive policing not only for police deployment, but also to target problem-oriented responses to crime to the right persons and places.
Chapter
Full-text available
Law enforcement authorities (LEAs) have begun using artificial intelligence and predictive policing applications that are likely to raise ethical, data protection, social, political and economic issues. This paper describes application of a new scenario methodology for identifying issues that emerging technologies are likely to raise in a future six or seven years hence, but that deserve policymakers’ attention now. It often takes policymakers that long to develop a new policy, consult with stakeholders and implement the policy. Thus, policymakers need a structured, but concise framework in order to understand the issues and their various implications. At the same time, they also prefer policies that have stakeholder support. These considerations led the University of Twente in the Netherlands and the UK’s Trilateral Research to develop the scenario that follows. It is structured with several headings that policymakers need to consider in order to move toward a desired future and avoidance of an undesired future.
Chapter
Full-text available
As domestic abuse has become a higher priority for law enforcement in England and Wales, so demand and the intensity of resource deployment has increased. With many police struggling to meet demand, some are exploring algorithms as a means to better predict the risk of serious harm and so better target their resources. In this chapter, I set out the case for algorithms playing a role in domestic abuse strategies, within the context of their wider growth in policing. I include examples of how targeting algorithms work now and explore a range of concerns and potential pitfalls. The central argument of this chapter is to promote the cause of regulation in algorithms in policing. This fledgling field has much promise but will not succeed without due regard to the many potential problems that accompany it.
Article
Full-text available
The high number of missing persons reports, which is globally reported each year, explains the interest in conducting research in this field. The missing persons phenomenon is complex and multifaceted, and therefore it requires an appropriate response from the involved institutions. One of the main law enforcement challenges in the investigation of missing persons is to develop risk assessment tools for harm and fatal outcomes, which are effective, acceptable and easy to use. Promoting research among multidisciplinary professionals is essential to accomplish in-depth research, allowing to address the phenomenon’s description and the identification of risk factors, as well as to encourage the development of tools and the improvement of the current risk assessment system.
Article
The high number of missing person reports that occur globally each year highlights the need for research in this academically neglected field. This research focuses on establishing whether there are different scenarios or behavioural themes that consistently appear in missing person cases in Spain, which could assist the police investigation process. A representative sample of 341 missing person police reports was collated and up to 27 behaviours , which occur during the disappearance, have been codified, as well as circumstances surrounding the case. Through multidimensional scaling four behav-ioural themes have been identified: intentional-escape, intentional-dysfunctional, unintentional-accidental, and forced-criminal. These findings entail implications, both in terms of prevention and in the scope of police investigations. Specifically, this research is considered a key step in the development of: (a) a predictive risk assessment system for harmed or deceased outcomes, and (b) in-depth review of forced-criminal disappearances that concur with homicide. K E Y W O R D S behavioural themes, missing persons, multidimensional scaling, typology
Article
Homicide in intimate relationships is one of the most prevalent causes of death for women worldwide. This meta-analysis aims to identify and integrate, through analytical and statistical methodologies, the risk factors associated with intimate partner homicide. The research was performed in different databases and led to the inclusion of 28 empirical articles in this meta-analysis. Only quantitative papers with a comparison group (non-fatal perpetrators, other homicides, intimate partner homicide followed by suicide) were considered for this meta-analysis. The results showed that the risk factors related to abusive couple dynamics (threatening the victim with a weapon, any kind of threatening, death threats, bottlenecks, stalking and controlling behaviours, abuse during pregnancy and physical violence) are associated with a higher probability of intimate partner homicide. Further studies should provide more clarification of the factors associated with this phenomenon to improve the efficiency of the criminal investigation of intimate partner homicides, making crime repression and the protection of victims more effective.
Article
Research Summary Mass violence, almost no matter how defined, is (thankfully) rare. Rare events are difficult to study in a systematic manner. Standard statistical procedures can fail badly, and usefully accurate forecasts of rare events often are little more than an aspiration. We offer an unconventional approach for the statistical analysis of rare events illustrated by an extensive case study. We report research aimed at learning about the attributes of very‐high‐risk intimate partner violence (IPV) perpetrators and the circumstances associated with their IPV incidents reported to the police. “Very high risk” is defined as having a high probability of committing a repeat IPV assault in which the victim is injured. Such individuals represent a very small fraction of all IPV perpetrators; these acts of violence reported to the police are rare. To learn about them nevertheless, we sequentially apply in a novel fashion three algorithms to data collected from a large metropolitan police department: stochastic gradient boosting, a genetic algorithm inspired by natural selection, and agglomerative clustering. We try to characterize not just perpetrators who on balance are predicted to reoffend but also who are very likely to reoffend in a manner that leads to victim injuries. Important lessons for forecasts of mass violence are presented. Policy Implications If one intends to forecast mass violence, it is probably important to consider approaches less dependent on statistical procedures common in criminology. Given that one needs to “fatten” the right tail of the rare events distribution, a combination of supervised machine learning and genetic algorithms may be a useful approach. One can then study a synthetic population of rare events almost as if they were an empirical population of rare events. Variants on this strategy are increasingly common in machine learning and causal inference. Our overall goal is to unearth predictors that forecast well. In the absence of sufficiently accurate forecasts, scarce resources to help prevent mass violence cannot be allocated where they are most needed.
Article
Purpose One in five US women report that they have been victims of intimate partner violence (IPV) during their lifetime. With millions of women presenting for mammography every year, breast imaging centers may represent ideal venues to identify women at risk for IPV and refer them to appropriate support services. Our purpose was to evaluate implementation of a novel IPV screening and referral system for women presenting for mammography. Methods A question was added to intake questionnaire (“Do you feel safe in your home?”) for adult women presenting for screening or diagnostic mammography from 2016 to 2017 at our hospital outpatient breast imaging sites. The proportion of women presenting for screening or diagnostic mammogram who felt unsafe was calculated. Bivariate logistic regression analyses were performed to compare baseline characteristics of women who stated that they felt unsafe at home versus women who did not state that they felt unsafe at home. Results In all, 99,029 examinations were performed (68,158 unique patients). Of these patients, 71 stated that they felt unsafe at home (71 of 68,158, 0.1%). Women presenting for their first mammogram were more likely to report feeling unsafe at home (odds ratio 3.03, 95% confidence interval 1.31-7.06, P = .01). No differences were found in age (P = .148), ethnicity (P = .271), gravida (P = .676), parity (P = .752), age at menarche (P = .775), and history of breast cancer (P = .726). Conclusions Our results demonstrate the feasibility of a screening and referral system for IPV in radiology departments.