Determinantes y Modelos Predictivos de Violencia Basada en Género en Paraguay: Un Estudio sobre datos de la ENSIMUP 2021.
Palabras clave:
Violencia basada en género, Machine learning, ENSIMUPResumen
Este estudio examina los determinantes de la violencia basada en género en Paraguay utilizando algoritmos de machine learning y datos de la Encuesta ENSIMUP 2021. Se analizaron esferas de violencia como la pública, privada y familiar, identificando factores clave como la edad, el nivel de ingresos y el número de hijos. A través del modelo predictivo Random Forest, la edad se destacó como el principal predictor de la violencia, seguida de variables socioeconómicas como el nivel educativo y las condiciones familiares. Los resultados del estudio sugieren que la implementación de modelos predictivos puede apoyar a las políticas públicas en la detección temprana de casos de violencia, optimizando la asignación de recursos para una actuación más eficaz en la prevención. Además, se sugiere la importancia de continuar investigando para abordar otros aspectos no considerados, como las repercusiones sociales y psicológicas de la violencia.
Citas
Arias, Eugenia Fabián, Vilcas Baldeón, L. M., & Alberto Bueno, Y. (2019). Factores de riesgo de violencia a la mujer de parte del cónyuge. Socialium, 3(1), 69–96. https://doi.org/10.31876/sl.v3i1.67
Becker, Gary Stanley. (1975). Human capital: A theoretical and empirical analysis, with special reference to education. Midway Reprint.
Bradley, Andrew P. (1997). The use of the area under the ROC curve in the evaluation of machine learning algorithms. Pattern Recognition, 30(7), 1145–1159. https://doi.org/10.1016/s0031-3203(96)00142-2
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794.
Dahlberg, L. L., & Krug, E. G. (2002). Violence—a global public health problem. En E. G. Krug, L. L. Dahlberg, J. A. Mercy, A. B. Zwi, & R. Lozano (Eds.), World report on violence and health (pp. 1–56). World Health Organization.
Escobar Manero, E. et al. (2024). Salud y Género. Observatorio de Salud Estudio de Comunicación.
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874.
González-Prieto, Ángel, Brú, A., Nuño, J. C., & González-Álvarez, J. L. (2023). Hybrid machine learning methods for risk assessment in gender-based crime. Knowledge-Based Systems, 260(110130), 110130. https://doi.org/10.1016/j.knosys.2022.110130
Goode, William J. (1971). Force and Violence in the Family. Journal of marriage and the family, 33(4), 624. https://doi.org/10.2307/349435
Goutte, Cyril, & Gaussier, E. (2005). A probabilistic interpretation of precision, recall and F-score, with implication for evaluation. En Lecture Notes in Computer Science (pp. 345–359). Springer Berlin Heidelberg.
Heise, L. L. (1998). Gender-based violence: An overview of the issues. Reproductive Health Matters, 6(11), 6–13.
Kohavi, Ron. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. Proceedings of the 14th international joint conference on Artificial intelligence - Volume 2, 1137–1143.
Marbn, Scar, Mariscal, G., & Segovi, J. (2009). A data mining & Knowledge discovery process model. En Data Mining and Knowledge Discovery in Real Life Applications. I-Tech Education and Publishing.
McDougal, Lotus, Dehingia, N., Bhan, N., Singh, A., McAuley, J., & Raj, A. (2021). Opening closed doors: using machine learning to explore factors associated with marital sexual violence in a cross-sectional study from India. BMJ Open, 11(12), e053603. https://doi.org/10.1136/bmjopen-2021-053603
Mujeres, O. N. U. (2017a). EL EMPODERAMIENTO ECONÓMICO DE LA MUJER EN EL CAMBIANTE MUNDO DEL TRABAJO. Unwomen.org. https://www.unwomen.org/sites/default/files/Headquarters/Attachments/Sections/CSW/61/CSW-Conclusions-61-SP-WEB.pdf
Mujeres, O. N. U. (2017b). El empoderamiento económico de la mujer en el cambiante mundo del trabajo. https://www.unwomen.org/sites/default/files/Headquarters/Attachments/Sections/CSW/61/CSW-Conclusions-61-SP-WEB.pdf.
Organization, W. H. (2014). Global Status Report on Violence Prevention 2014.
Powers, David M. W. (2020). Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. https://doi.org/10.48550/ARXIV.2010.16061
Rodríguez-Rodríguez, Ignacio, Rodríguez, J.-V., Pardo-Quiles, D.-J., Heras-González, P., & Chatzigiannakis, I. (2020). Modeling and forecasting gender-Based Violence through Machine Learning techniques. Applied Sciences (Basel, Switzerland), 10(22), 8244. https://doi.org/10.3390/app10228244
Sasaki, Yutaka. (2007). The truth of the F-measure. Teach Tutor Mater.
Tan, P.-N., Steinbach, M., Karpatne, A., & Kumar, V. (2019). Introduction to Data Mining (2a ed.). Pearson Education.
Vyas, Seema, & Watts, C. (2009). How does economic empowerment affect women’s risk of intimate partner violence in low and middle income countries? A systematic review of published evidence. Journal of International Development, 21(5), 577–602. https://doi.org/10.1002/jid.1500
Yuliawan, D., Hakim, D. B., Juanda, B., & Fauzi, A. (2022). Classification and prediction of rural socio-economic vulnerability (IRSV) integrated with social-ecological system (SES). Decision Science Letters, 11(2), 223–234.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Agustina Lucia Alfonso González, Federico Javier Beck
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
