Desarrollo de una medida de similitud entre delitos

Abstract

En el presente trabajo de tesis se plantea una metodología para tratar el texto del relato del delito, extraer información a partir de este texto y generar una caracterización mediante atributos, pasando de un formato no estructurado a una representación estructurada del delito, esto complementario a información descriptiva del registro policial. Se propone el procesamiento de texto mediante modelos de lenguaje masivos o LLM (por su sigla en inglés, large language models) por su capacidad de procesamiento y nivel de precisión al momento de trabajar con texto. Se busca enriquecer la base de delitos con información que no se aprovecha desde el texto del relato, generando un consolidado más robusto que permite sustentar análisis, desarrollos e iniciativas, como una medida de similitud entre delitos. Se diseñó partir de este punto una medida de similitud entre delitos tomando como base la caracterización de los mismos, la cual considera datos en distintos formatos y por ello incorpora distintos enfoques para tratar los tipos de variables trabajadas: variables binarias, variables categóricas, variables numéricas, y texto, para cada una se define un método para obtener una medida de similitud estandarizada como un valor real en el intervalo [0,1], incorporando el uso de matrices, representaciones vectoriales de palabras y texto, estandarización y similitud de vectores, entre otras, estas distintas medidas de similitud se combinan en una única medida de similitud, asignando distintos pesos a cada dimensión en función de los objetivos que se buscan. A partir de esto se pueden establecer relaciones entre los distintos delitos según el nivel de cercanía o similitud que comparten, y sustentar el estudio, análisis y comparativa en un contexto de análisis criminal. La metodología propuesta de manera teórica se aplica sobre un caso de estudio del Ministerio Público utilizando datos reales de delitos, abordando en primera instancia la extracción y caracterización de los delitos a partir del texto del relato e información del registro de los mismos, validando y estandarizando el resultado utilizado como insumo para la fase siguiente. En base a esto se calculan las distintas medidas de similitud para luego generar un valor consolidado, resultados sobre los cuales se realizan distintos análisis y validaciones. Con ello se logra evaluar el flujo y validar la viabilidad de su aplicación como una herramienta de apoyo en el análisis y combate delictivo.