Identificación de bandas delictivas a través del enriquecimiento de conexiones en redes sociales dinámicas

Abstract

La presente investigación aborda la problemática de redes criminales incompletas, conocidas en la literatura como redes sociales parcialmente observables, con el objetivo de inferir vínculos ausentes y enriquecer la representación de dichas redes para mejorar la identificación de grupos criminales. Se desarrolló una metodología basada en CRISP-DM que emplea análisis de redes sociales, algoritmos de predicción de enlaces y técnicas avanzadas de machine learning y embeddings de nodos para identificar patrones de conectividad en un contexto criminológico.

Los datos provienen del Sistema de Apoyo para Fiscales (SAF), del cual, a partir de una muestra, se generaron redes sociales dinámicas que modelan las interacciones entre individuos involucrados en crímenes. Para la inferencia de enlaces, se implementaron y compararon diversos enfoques, destacando los modelos basados en Random Forest y Node2Vec por su capacidad para recuperar relaciones ocultas. Los resultados evidenciaron un buen balance entre la recuperación de enlaces verdaderos y la precisión de los modelos, subrayando la importancia de métricas estructurales en la identificación de conexiones relevantes.

Además, se evaluó la aplicabilidad de los modelos enriquecidos en investigaciones reales, cuyas causas se encuentran en las bases de datos del Ministerio Público, observándose leves mejoras en la identificación de estructuras delictivas. A pesar de limitaciones como el desbalance de clases y la calidad de los datos, esta metodología muestra gran potencial para ser utilizada como una herramienta práctica en la lucha contra el crimen organizado. Finalmente, se sugieren líneas futuras para la incorporación de características temporales y contextuales, con el fin de optimizar la capacidad predictiva de los modelos desarrollados.