Re elando lo no epo ado: ex acción de e en os
basada en IA pa a analiza la ep esen ación
es adounidense de los deli os de odio
UNVEILING THE UNREPORTED: AI-BASED EVENT EXTRACTION FOR
ANALYZING THE AMERICAN REPRESENTATION OF HATE CRIMES
Daniel Suá ez Alonso
Uni e sidad Eu opea Miguel Ce an es
dsua [email protected] 0000-0002-4505-2942
Recibido: 16 de ab il de 2024 | Acep ado: 30 de mayo de 2024
RESUMEN PALABRAS CLAVE
Los in o mes o iciales de deli os de odio en los Es ados Unidos es án
subes imados en compa ación con la can idad eal de inciden es de
es e ipo. Además, a pesa de las ap oximaciones es adís icas, no hay in-
o mes o iciales de muchas ciudades es adounidenses sob e inciden es
de odio. Aquí, mos amos inicialmen e que la ex acción de e en os y el
ap endizaje mul i-ins ancia, basados en in eligencia a i icial (IA), aplica-
dos a un conjun o de a ículos de no icias locales, pueden p edeci ca-
sos de deli os de odio. Luego u ilizamos el modelo en enado de IA pa a
de ec a inciden es de odio en ciudades pa a las cuales el FBI ca ece de
es adís icas. Finalmen e, en enamos modelos de IA pa a p edeci homi-
cidios y secues os, compa amos las p edicciones con los in o mes del FBI
y es ablecemos que, de hecho, los inciden es de odio es án subes ima-
dos en compa ación con o os ipos de deli os en la p ensa local. Es im-
po an e des aca que es a in o mación no ha sido ex aída de es e luga .
Deli os de odio
In o mes o iciales
Ap oximaciones es adís icas
Ex acción de e en os
Ap endizaje mul i-ins ancia
In eligencia a i icial (IA)
ABSTRACT KEYWORDS
O icial epo s o ha e c imes in he Uni ed S a es a e unde es ima ed
compa ed o he ac ual numbe o such inciden s. Addi ionally, despi e
s a is ical app oxima ions, many Ame ican ci ies lack o icial epo s on
ha e inciden s. He e, we ini ially demons a e ha e en ex ac ion and
mul i-ins ance lea ning, based on a i icial in elligence (AI), applied o a
se o local news a icles, can p edic ha e c ime cases. We hen use he
AI- ained model o de ec ha e inciden s in ci ies o which he FBI lacks
O icial epo s o ha e c imes in he Uni ed S a es a e unde es ima ed
compa ed o he ac ual numbe o such inciden s. Addi ionally, despi e
Ha e c imes
O icial epo s
S a is ical app oxima ions
E en ex ac ion
Mul i-ins ance lea ning
A i icial in elligence (AI)
h ps://dx.doi.o g/10.12795/IESTSCIENTIA.2024.i01.08
IUS ET SCIENTIA
2024 • Vol. 10 • Nº 1 • ISSN 2444-8478
h ps://edi o ial.us.es/es/ e is as/ius-e -scien ia
h ps://dx.doi.o g/10.12795/IETSCIENTIA • © Edi o ial Uni e sidad de Se illa 2024
CC BY-NC-SA 4.0
h ps://dx.doi.o g/10.12795/IESTSCIENTIA.2024.i01.08 • pp. 169-181
s a is ical app oxima ions, many Ame ican ci ies lack o icial epo s on
ha e inciden s. He e, we ini ially demons a e ha e en ex ac ion and
mul i-ins ance lea ning, based on a i icial in elligence (AI), applied o a
se o local news a icles, can p edic ha e c ime cases. We hen use he
AI- ained model o de ec ha e inciden s in ci ies o which he FBI lacks
I. In oducción
Los deli os de odio han adqui ido un g an p o agonismo en es os úl imos años, ocu-
pando un pues o des acado en las agendas de los Es ados pa a su es udio y p e ención
(Aba Ca oi a, 2015, 42). Es o puede debe se a a ios ac o es como po ejemplo a un au-
men o en los úl imos años (Quesada Alcalá, 2015, 16), po una mejo a en el egis o de
da os es adís icos po pa e de las au o idades compe en es (González Gaya, Domingo
Na as, & Sebas ián Pe ez, 2013, 114) o po una mayo con ianza en in e pone denuncia
an e las Fue zas y Cue pos de Segu idad (Me cade , 2018, 21). También pod ía debe se a
g andes cambios que se han p oducido en la sociedad como, po ejemplo, los casos de
las mig aciones globales, las di e sas acciones y discu sos polí icos o la ans o mación
social p oducida a consecuencia de la globalización (Mülle & Schwa z, 2020).
An es de con inua abo dando el ema, es necesa io de ini el deli o de odio. Kau man
(2015) en uno de sus a ículos, señala que el é mino de deli o de odio p o iene de una
aducción del inglés ha e speech el cual p o iene a su ez de la exp esión ha e c ime,
aduciéndose y aplicándose a de e minadas conduc as en o os países. Su de inición es
la comisión de deli os en con a de cie as pe sonas po el simple hecho de pe enece
a un g upo social de e minado (Kau man, 2015, 68). Po o o lado, exis e una de inición
amplia, u ilizada po la O ganización pa a la Segu idad y la Coope ación en Eu opa (en
adelan e, OSCE), que de ine los deli os de odio como « oda in acción penal, incluidas
las come idas po las pe sonas o la p opiedad, donde el bien ju ídico p o egido, se elige
po su, eal o pe cibida, conexión, simpa ía, iliación, apoyo o pe enencia a un g upo.
Un g upo se basa en una ca ac e ís ica común de sus miemb os, como su aza, eal o
pe cibida, el o igen nacional o é nico, el lenguaje, el colo , la eligión, la edad, la disca-
pacidad, la o ien ación sexual, u o o ac o simila » (OSCE, 2003, 1553).
En elación con el obje o de es udio, los deli os de odio p esen an ca ac e ís icas únicas
que los di e encian de o as ipologías delic i as (Wisconsin; Mi chel, 1993). A di e encia
de o os deli os, los deli os de odio se come en debido a la pe enencia de la íc ima a un
g upo especí ico, ya sea po azones de aza, o ien ación sexual, géne o, eligión, en e
o os. Es o iene implicaciones signi ica i as pa a odos los miemb os de ese g upo, ya que
gene a un miedo gene alizado y una sensación de insegu idad (Delgado, 1982).Además,
es os deli os suelen causa un mayo daño a las íc imas, especialmen e a las muje es,
ya que a ec an no solo a la íc ima indi idual, sino ambién al g upo al que pe enece a
a és de un e ec o de mensaje in imida o io (Mellg en, Ande sson, & I e , 2017).
Los deli os de odio se de inen como deli os de iolencia di igidos ya sea con a
una pe sona o su p opiedad que e idencian p ejuicios basados en la aza, géne o o
iden idad de géne o de las íc imas, eligión, discapacidad, o ien ación sexual o e nia
(Jacobs e al., 1998, 69).
Según los esul ados de un nue o in o me sob e deli os de odio del Depa amen o
de Jus icia publicado en 2022 (Masucci y Lang on, 2022), ap oximadamen e el 62% de
IUS ET SCIENTIA • 2024
Vol. 10 • Nº 1 • pp. 169-181
ISSN 2444-8478 • h ps://dx.doi.o g/10.12795/IESTSCIENTIA.2024.i01.08
Re elando lo no epo ado: ex acción de e en os basada en IA pa a analiza …
Daniel Suá ez Alonso
170
las ic imizaciones po deli os de odio no ue on epo adas a la policía du an e el pe-
íodo 2016-2021. A pesa de los es ue zos ecien es de g upos de de ensa, legislado es
e in es igado es pa a c ea da os nacionales con iables y comp ende la ex ensión y
g a edad de la ic imización po deli os de odio, las es imaciones exis en es siguen
siendo insu icien es (Pezzella e al., 2019, 129).
Es lógico pensa que los deli os de odio p o ocan dis u bios locales y, como esul ado,
es p obable que eciban cobe u a local. Po lo an o, las agencias de no icias locales
pueden conside a se una uen e única de in o mación pa a de ec a es os inciden es.
En es e es udio, u ilizamos un co pus de a ículos de no icias locales ecopilados del
si io web Pa ch. Los da os de Pa ch1 con ienen a ículos de no icias independien es e
hipe locales ecopilados de si ios de no icias locales.
Aplicamos mé odos de ex acción de e en os pa a iden i ica inciden es de deli os
de odio epo ados en el co pus de Pa ch pa a ciudades sin ep esen ación en los in-
o mes del FBI, y analizamos la ecuencia de los e en os ex aídos en compa ación con
el núme o de inciden es in o mados po el FBI. La a ea de e ique a cada a ículo como
un c imen de odio o no se de ine como un p oblema de Ap endizaje Mul i-Ins ancia
(MIL), ya que cada a ículo se modela como una secuencia de o aciones. En luga de
p edeci una e ique a pa a cada o ación, u ilizamos la in o mación inc us ada en odas
las o aciones de un a ículo pa a de e mina si el a ículo in o ma un c imen de odio.
Después de p oba el modelo en un conjun o de a ículos ano ados, aplicamos el
modelo en enado a ciudades pa a las cuales el FBI no iene in o mes y p opo cionamos
una es imación mínima de la ecuencia de ocu encia de deli os de odio en esas ciu-
dades. Po úl imo, compa amos la cobe u a de inciden es de odio según lo in o mado
en uen es de no icias locales con la cobe u a de dos deli os no elacionados con el
odio, a sabe , homicidios y secues os, y con as amos la supe posición de los inciden es
ex aídos con esos in o mes del FBI.
Nues os esul ados mues an que la aplicación de MIL pa a la ex acción de
e en os puede ayuda a ap oxima los in o mes al an es, especialmen e en casos en
los que publica el conjun o comple o de e en os en en a desa íos y es á in luen-
ciado po sesgos subje i os.
II. Mil y la ex acción de e en os
En el anscu so de es e de allado a ículo, emp endemos la ascinan e a ea de explo a
y pe ecciona la de ección y ex acción de e en os en el con ex o de a ículos de no-
icias, cen ándonos especí icamen e en la clasi icación basada en axonomías de ac os
delic i os. Nues a me odología se basa en una adap ación del en oque de Ap endizaje
Mul i-Ins ancia (MIL), al como ue concebido po Wang e al (2016, 511). Es e mé odo,
o iginalmen e diseñado pa a la de ección de e en os, se ha e elado como un ma co
obus o y p ome edo que iden i ica o aciones cla e den o de un a ículo de e minado.
La pied a angula de nues o en oque es la iden i icación de es as o aciones cla e, las
cuales si en como pun os de e e encia undamen ales pa a la subsiguien e ex acción
1. h ps://www.pa ch.com
IUS ET SCIENTIA • 2024
Vol. 10 • Nº 1 • pp. 169-181
ISSN 2444-8478 • h ps://dx.doi.o g/10.12795/IESTSCIENTIA.2024.i01.08
Re elando lo no epo ado: ex acción de e en os basada en IA pa a analiza …
Daniel Suá ez Alonso
171
de e en os. Al u iliza el ma co MIL, log amos no solo iden i ica de mane a e ec i a es as
o aciones cla e, sino ambién asigna les un peso ela i o en unción de su impo ancia en
la ep esen ación del e en o en cues ión. Es e en oque so is icado pe mi e una disce ni-
mien o más p eciso y con ex ualizado de los e en os den o de los a ículos de no icias.
Una ez iden i icadas y ponde adas las o aciones cla e, p ocedemos a la ase de
ex acción de e en os. En es e paso c í ico, nues o obje i o es p e e an o el blanco
especí ico como el ipo de acción asociado a un inciden e pa icula . Es a e apa se con-
ie e en una amalgama de écnicas a anzadas de p ocesamien o de lenguaje na u al
(PLN) y algo i mos de ap endizaje au omá ico que abajan en conjun o pa a do a al
sis ema de la capacidad de in e i de mane a au ónoma la na u aleza y los de alles de
los e en os epo ados en los a ículos.
La axonomía de ac os delic i os, cuidadosamen e diseñada y aplicada en nues a
in es igación, desempeña un papel undamen al en la asignación p ecisa de ca ego ías
a los e en os ex aídos. Es e ma co axonómico ac úa como un sis ema je á quico que
o ganiza y clasi ica los ac os delic i os en unción de sus ca ac e ís icas y a ibu os esen-
ciales. Tal en oque no solo con ie e cohe encia a la clasi icación de e en os, sino que
ambién acili a la comp ensión y el análisis de pa ones y endencias c iminológicas a
lo la go del iempo.
Es c ucial des aca que nues a adap ación del en oque MIL no se limi a a una me a
implemen ación écnica; más bien, se en iquece median e la inclusión de elemen os
inno ado es. La in eg ación de écnicas de p ocesamien o de imágenes y análisis se-
mán ico p o undo complemen a la de ección de e en os en el ámbi o ex ual, pe mi-
iendo la iden i icación de conexiones in e modales y la con ex ualización en iquecida
de los inciden es desc i os en los a ículos.
Además, nues a me odología no se limi a a un conjun o es á ico de axonomías de
ac os delic i os. En luga de ello, adop amos un en oque dinámico que pe mi e la adap-
ación y expansión con inua de nues as ca ego ías en espues a a la e olución de los pa-
ones c iminales y las nue as mani es aciones delic i as eme gen es. Es a capacidad de
lexibilidad ga an iza que nues o sis ema de de ección de e en os es é siemp e a la an-
gua dia, capaci ado pa a abo da la complejidad cambian e del pano ama del c imen.
En el ámbi o de la p edicción de obje i os y ipos de acción, implemen amos mo-
delos de ap endizaje p o undo que se nu en de g andes conjun os de da os ano-
ados. Es os modelos se some en a un p oceso de en enamien o in ensi o que ap o-
echa la capacidad de GPGPU (Unidades de P ocesamien o de G á icos Gene alizadas)
pa a acele a signi ica i amen e la elocidad de con e gencia. La inclusión de capas
de a ención y mecanismos de memo ia a co o y la go plazo en nues a a qui ec u a
mejo a la capacidad de cap a elaciones y dependencias semán icas complejas en la
p edicción de e en os.
Adicionalmen e, pa a abo da la complejidad inhe en e de la di e sidad lingüís ica
en los in o mes de no icias, hemos inco po ado modelos de aducción au omá ica y
adap ación de dominio. Es o ga an iza que nues o sis ema sea capaz de lidia con a-
iaciones idiomá icas y exp esi as, pe mi iendo una aplicación obus a en di e en es
con ex os geog á icos y cul u ales.
En el análisis de esul ados, obse amos con sa is acción la e icacia de nues a
me odología en la de ección y ex acción de e en os en compa ación con en oques
IUS ET SCIENTIA • 2024
Vol. 10 • Nº 1 • pp. 169-181
ISSN 2444-8478 • h ps://dx.doi.o g/10.12795/IESTSCIENTIA.2024.i01.08
Re elando lo no epo ado: ex acción de e en os basada en IA pa a analiza …
Daniel Suá ez Alonso
172
con encionales. La capacidad de nues o sis ema pa a disce ni e en os con al a p e-
cisión y ecupe a in o mación ele an e des aca su alía en la con ibución a la com-
p ensión y moni o ización e icaz de la dinámica delic i a.
En esumen, es e a ículo p esen a una con ibución sus ancial al campo de la de-
ección de e en os en a ículos de no icias, al adap a y mejo a el en oque MIL pa a
abo da la complejidad inhe en e de la clasi icación basada en axonomías de ac os de-
lic i os. Nues a me odología, espaldada po écnicas a anzadas de p ocesamien o de
lenguaje na u al y ap endizaje p o undo, demues a una capacidad excepcional pa a la
iden i icación p ecisa y con ex ualización de e en os, p omo iendo así una comp ensión
más p o unda de los enómenos c iminológicos en la sociedad con empo ánea.
2.1. De ección de e en os
El en oque MIL pa a la clasi icación de documen os se ilus a en la Figu a 1. Los dos com-
ponen es básicos son la c eación de ca ac e ís icas locales ( ep esen aciones de o a-
ciones) y la ag egación de es as ca ac e ís icas en una ep esen ación del documen o.
Mien as que Wang e al. (2016) u iliza Redes Neu onales Con olucionales (CNNs) pa a
la c eación de ca ac e ís icas locales, noso os empleamos una ed de Memo ia a Co o
y La go Plazo bidi eccional (LSTM; Hoch ei e y Schmidhube , 1997, 1736) pa a ep e-
sen a cada o ación de un a ículo. Se ha demos ado que las edes bidi eccionales
(G a es y Schmidhube , 2005, 606) p opo cionan una buena ep esen ación semán ica
de da os ex uales (Huang e al., 2015, 1483).
Las ep esen aciones locales se ag egan pa a o ma una ep esen ación «con-
ex ual» del documen o, u ilizando una capa de CNN. Es e ec o de con ex o, que es el
mismo pa a odas las o aciones en el documen o, se conca ena luego con la ep esen-
ación local de cada o ación.
Dada la ep esen ación de ca ac e ís icas de las o aciones en un a ículo, se calcula
la pun uación p obabilís ica de cada o ación en un a ículo median e una capa comple-
amen e conec ada con ac i ación sigmoide. Es a pun uación p obabilís ica mues a
en qué medida la o ación con ibuye a p edeci la e ique a del deli o del a ículo. La
e ique a pa a un conjun o de o aciones se calcula p omediando las k pun uaciones p o-
babilís icas más al as. Ve i icamos los esul ados con k es ablecido en 2 o 3, ya que un
pequeño núme o de o aciones en cada a ículo puede de e mina la e ique a.
O o mé odo p ominen e con el que compa amos los esul ados de MIL es Hie a chical
A en ion Ne wo ks (HAN; Yang e al., 2016, 91). Las HAN aplican a ención p ime o a
ni el de palab as y luego a ni el de o aciones pa a p oduci ep esen aciones de docu-
men os suje as a a iaciones locales en la impo ancia ex ual. También compa amos
los esul ados de los modelos de edes neu onales con TF-IDF como e e encia de clasi-
icación de ex o.
2.2. Ex acción de e en os
El aspec o más desa ian e de ex ae e en os de una o ación es que se debe consi-
de a el con ex o de un documen o pa a in e p e a una en idad y el ipo de e en o
IUS ET SCIENTIA • 2024
Vol. 10 • Nº 1 • pp. 169-181
ISSN 2444-8478 • h ps://dx.doi.o g/10.12795/IESTSCIENTIA.2024.i01.08
Re elando lo no epo ado: ex acción de e en os basada en IA pa a analiza …
Daniel Suá ez Alonso
173
desencadenado (Chen e al., 2015, 169). Los en oques que u ilizan exclusi amen e ca-
ac e ís icas de palab as pa a la a ea suelen ca ece de in eg alidad.
El modelo de de ección de e en os en la sección an e io p oduce, pa a cada p e-
dicción posi i a, un pequeño conjun o de o aciones que p obablemen e in lui án en la
e ique a del documen o. En el paso de ex acción de e en os, u ilizamos un clasi icado
de ex o LSTM bidi eccional pa a p edeci los a ibu os de un e en o delic i o.
Los a ibu os de un e en o delic i o son de e minados po la axonomía p opues a
po Kennedy e al. (2018) pa a la ano ación de e ó ica de odio. En nues o caso ( e
Apa ado 3), es amos p ediciendo dos a ibu os: el obje i o de un e en o delic i o y el
ipo de deli o.
Fo mulado como una p edicción mul i-clase y mul i- a ea, en enamos un biLSTM
pa a p oduci una ep esen ación de la conca enación de las dos o aciones p incipales
y alimen amos es o a dos edes de alimen ación hacia adelan e sepa adas, una que
p edice la ca ego ización del obje i o y o a el ipo de deli o.
III. Da os
El si io web Pa ch incluye a ículos de no icias hipe locales de 1217 ciudades ubicadas en
los Es ados Unidos. Pa a es e p oyec o, ex aímos los a ículos de la ca ego ía «Fi e and
C ime» de Pa ch, lo que esul ó en un co pus que con iene ap oximadamen e 370,000
a ículos de no icias locales sin e ique as. Pa a nues os expe imen os, ano amos ma-
nualmen e subconjun os del conjun o de da os p incipal pa a en ena modelos de de-
ección de e en os.
Nues as ano aciones consis ie on en una e ique a bina ia, indicando si el a ículo
ep esen a un c imen de odio especí ico, así como e ique a los a ibu os de los a í-
culos sob e deli os de odio. Es os a ibu os incluyen el obje i o de la acción (si el c imen
se basó en la aza, nacionalidad, géne o, eligión, o ien ación sexual, ideología, iden i i-
cación polí ica o salud men al/ ísica del obje i o) y el ipo de acción (si el c imen ue un
asal o, incendio p o ocado, andalismo o demos ación de odio).
Pa a ecopila un subconjun o de a ículos pa a la ano ación, il amos los a ículos
de no icias en unción de un conjun o de 8 palab as cla e (Disc imina ion, P ejudice,
Homophobia, Xenophobia, In ole ance, Gende iden i y, Bigo y,S e eo ype) elacionadas
con los deli os de odio, lo que esul ó en ap oximadamen e 3,000 a ículos de Pa ch.
Es os se combina on luego con 500 a ículos seleccionados al aza pa a ene en cuen a
la al a ecuencia de los deli os de odio en el conjun o de da os seleccionado. Cada a -
ículo ue ano ado po un ano ado pa a la p esencia y los a ibu os de los in o mes de
deli os de odio. Los ano ado es log a on un acue do in e codi icado de 0.73 en un sub-
conjun o de 500 publicaciones basado en el coe icien e Kappa de Cohen (Cohen, 1968).
Pa a los a ículos de deli os de odio que no es án asociados con las palab as cla e,
espe ábamos que las p edicciones del modelo ue an escasas. Pa a abo da es e p o-
blema, aplicamos un en oque de ap endizaje ac i o in oducido po Lewis y Gale (1994).
Después de en ena el modelo, p edijimos la e ique a de c imen de odio pa a odos los
a ículos en el conjun o de da os y ecopilamos sus p obabilidades asociadas. Luego
seleccionamos ap oximadamen e 1,000 a ículos basándonos en su pun uación de p o-
babilidad, u ilizando una dis ibución no mal con una media de 0.5 y una des iación
IUS ET SCIENTIA • 2024
Vol. 10 • Nº 1 • pp. 169-181
ISSN 2444-8478 • h ps://dx.doi.o g/10.12795/IESTSCIENTIA.2024.i01.08
Re elando lo no epo ado: ex acción de e en os basada en IA pa a analiza …
Daniel Suá ez Alonso
174
es ánda de 0.1. Es e conjun o de a ículos, pa a los cuales el modelo es aba incie o
ace ca de sus e ique as, ue luego ano ado po los mismos ano ado es y se ag egó al
conjun o de en enamien o.
Realizamos un p ocedimien o simila , sin e ique ado de en idades y ap endizaje
ac i o, pa a e en os de homicidio (palab as cla e: homicide, manslaugh e , mu de , and
kill) y secues o (palab as cla e: kidnapping, abduc , hos age, abduc , and shanghai). Las
es adís icas de ecuencia pa a es as ano aciones se ep esen an en la Tabla 1.
Tabla 1. F ecuencia de e en os según las ano aciones de Pa ch
Tipo de E en o Posi i o Nega i o
Deli o de odio 2102 3002
Homicidio 1725 1453
Secues o 1965 1229
Tabla 2. Pun uaciones F1 de de ección de e en os pa a el conjun o de p uebas
MIL HAN TF-IDF
Deli o de odio 84.9 83.2 82.2
Homicidio 82.6 80.6 78.5
Secues o 78.9 75.3 74.1
El ipo y el obje i o del c imen de odio ambién ue on ano ados pa a cada a ículo.
Las e ique as de ipo de c imen se dis ibuyen en asal os (923), incendios p o ocados
(96), andalismo (490) y demos aciones de odio (593). Los ipos de obje i o más e-
cuen es ue on aza (1229), eligión (396) y o ien ación sexual (285).
IV. Expe imen o
Todos los modelos se implemen a on con Tenso low (Abadi e al., 2016). El amaño
ocul o de las celdas LSTM se es ableció en 50, los amaños de il o de la CNN se es able-
cie on en 2, 3 y 4, y se colocó una capa de abandono (d opou ) encima de la celda LSTM
pa a es ablece el 25% de los alo es en ce o. Cada lo e incluía 5 a ículos con e idos
a su ep esen ación la en e u ilizando inc us aciones de palab as GloVe de 300 dimen-
siones (Penning on e al., 2014). La sin onización de pa áme os se ealizó con el 70%
del conjun o de da os como conjun o de en enamien o y el 10% como conjun o de
desa ollo, y la asa de ap endizaje se es ableció en 0.00008.
Los es modelos pa a p edeci deli os de odio, secues os y homicidios se en e-
na on du an e 50 pe íodos.
V. Resul ados
Las pun uaciones F1 esul an es se calcula on pa a el conjun o de p uebas y se ep e-
sen an en la Tabla 2.
IUS ET SCIENTIA • 2024
Vol. 10 • Nº 1 • pp. 169-181
ISSN 2444-8478 • h ps://dx.doi.o g/10.12795/IESTSCIENTIA.2024.i01.08
Re elando lo no epo ado: ex acción de e en os basada en IA pa a analiza …
Daniel Suá ez Alonso
175
Aplicamos los modelos ap endidos pa a hace p edicciones sob e la asa de deli os
de odio en ciudades pa a las cuales el FBI ca ece de da os. También compa amos la asa
ela i a de cobe u a de no icias de deli os de odio con la de homicidios y secues os.
5.1. P edicción de los deli os de odio
En p ime luga , compa amos las e ique as posi i as de deli os de odio p edichas pa a
Pa ch con los in o mes de deli os de odio a ni el de ciudad del FBI. Después de aplica
el modelo en enado al conjun o de da os de Pa ch, cap u amos 3352 a ículos que in-
o man inciden es de deli os de odio. Es os a ículos incluyen 748 in o mes de 286 ciu-
dades que no ienen ep esen ación en los in o mes del FBI. Es o sugie e que el modelo
MIL aplicado al conjun o de da os de no icias locales puede ap oxima las es adís icas
al an es sob e deli os de odio en esas ciudades. Sin emba go, supone una elación uno
a uno en e los a ículos de no icias y los inciden es de deli os de odio no es p eciso, ya
que puede habe esul ados alsos posi i os y a ículos duplicados sob e un inciden e.
Pa a p opo ciona un conjun o p eciso de inciden es de deli os de odio no epo ados,
eliminamos a ículos duplicados y mal clasi icados del conjun o de 748 inciden es de
deli os de odio no ep esen ados.
Pa a ene en cuen a las posibles duplicaciones, u ilizamos el modelo de ex acción
de e en os pa a cap u a las en idades de e en os, es deci , el obje i o y el ipo de
acción. Al ejecu a el modelo de ex acción con los mismos hipe pa áme os, ob e-
nemos los esul ados p esen ados en la Tabla 3. U ilizamos las en idades jun o con la
ho a (mencionada en el conjun o de da os) y la ubicación (ex aída con el econocedo
de en idades nomb adas de Co eNLP (Manning e al., 2014)) de los a ículos pa a de-
ec a e en os duplicados.
Tabla 3. Pun uaciones de ex acción de e en os de MIL
Label P ecision Recall F1
Ta ge 64.8 66.2 64.8
Ac ion 68.4 69.1 68.2
Después de e i ica los pa es de a ículos del mismo es ado y ciudad, con el mismo
obje i o de la íc ima in o mado y la acción del c imen, in o mados como máximo un
día de di e encia en e sí, encon amos 30 pa es de a ículos duplicados, lo que indica
718 inciden es únicos de odio en las ciudades sin ep esen ación en el conjun o de
da os del FBI.
A con inuación, e isamos manualmen e es os a ículos y encon amos 395 a í-
culos que es aban co ec amen e e ique ados como deli os de odio. La Tabla 4 e-
p esen a algunos casos de alsos posi i os. Explo a los esul ados alsos posi i os
indica que los a ículos que no son deli os de odio y que mencionan a g upos so-
ciales mino i a ios a menudo se e ique an inco ec amen e como deli os de odio.
Es e p oblema puede se explo ado más a ondo en abajos u u os pa a mejo a la
p ecisión de las p edicciones.
IUS ET SCIENTIA • 2024
Vol. 10 • Nº 1 • pp. 169-181
ISSN 2444-8478 • h ps://dx.doi.o g/10.12795/IESTSCIENTIA.2024.i01.08
Re elando lo no epo ado: ex acción de e en os basada en IA pa a analiza …
Daniel Suá ez Alonso
176
Tabla 4. Ejemplos de alsos posi i os
Ejemplo de also posi i o
1 Exlíde del Ku Klux Klan en Oza k ue condenado el jue es a una década de p isión po
abusa sexualmen e de una muje en el su de Alabama.
2 El FBI o ma pa e de una in es igación sob e una sus ancia sospechosa en egada a
una o icina del Council on Ame ican-Islamic Rela ions en San a Cla a el jue es.
3 El odio p o enien e de la iolen a eunión de nacionalis as blancos que esul ó en la
mue e de un mani es an e con a el acismo en Cha lo es ille, puede encon a se en
cualquie luga .
5.2. Compa aciones con o os deli os
Con el in de compa a la cobe u a de inciden es de odio con la cobe u a de homi-
cidios y secues os, con as amos la supe posición de los inciden es ex aídos con los
in o mados po el FBI. Especí icamen e, pa a 159 ciudades que ienen ep esen ación
de los es deli os an o en los in o mes de Pa ch como en los in o mes de deli os del
FBI, calculamos la p opo ción de las p edicciones basadas en Pa ch a los in o mes del
FBI pa a cada deli o.
Pa a in es iga las di e encias en e las dis ibuciones de es as p opo ciones, eali-
zamos un ANOVA de un solo ac o ipo Welch, que es obus o pa a dis ibuciones no
no males, pe mi iendo la he e ocedas icidad y la no no malidad ex ema de las p o-
po ciones en nues os da os (Field y Wilcox, 2017). Los esul ados indican que las dis i-
buciones de los es deli os ienen medianas signi ica i amen e di e en es (F[2,214.28]
= 102.03, p < 0.001). Las p uebas pos hoc sugi ie on que las es imaciones basadas en
Pa ch de deli os de odio son signi ica i amen e meno es que las de homicidios y se-
cues os (ambos p < 0.001).
VI. Discusión
La in adenuncia signi ica i a de los deli os de odio en los Es ados Unidos pe sis e como
un enómeno p eocupan e y bien documen ado (Masucci y Lang on, 2017). Es e e-
nómeno se e idencia cla amen e en las es adís icas ecopiladas po el FBI, donde solo el
12.6% de las agencias in o ma on la ocu encia de deli os de odio en sus ju isdicciones
du an e el año 2019. De mane a aún más so p enden e, agencias de la en e gadu a
del Depa amen o de Policía de Miami indica on ce o inciden es de odio, una ci a que,
desde cualquie pe spec i a, pa ece poco ealis a (FBI, 2020).
Es e escena io de in adenuncia plan ea e os signi ica i os pa a la comp ensión
p ecisa de la magni ud y la na u aleza de los deli os de odio en el país. Las ci as o i-
ciales, aunque p opo cionan una isión pa cial de la ealidad, subes iman sis emá ica-
men e la e dade a ex ensión del p oblema. En es e con ex o, su ge la ele ancia y la
con ibución del p esen e a ículo, que abo da es e desa ío de mane a inno ado a y
o ece una doble pe spec i a en iquecedo a.
En p ime luga , se ha demos ado que la aplicación de la de ección de e en os es
una he amien a e ec i a pa a el es udio de los deli os de odio. La me odología se apoya
IUS ET SCIENTIA • 2024
Vol. 10 • Nº 1 • pp. 169-181
ISSN 2444-8478 • h ps://dx.doi.o g/10.12795/IESTSCIENTIA.2024.i01.08
Re elando lo no epo ado: ex acción de e en os basada en IA pa a analiza …
Daniel Suá ez Alonso
177
