Nos enfocamos en analizar los sesgos y brechas metodológicas presentes en los modelos predictivos utilizados en estudios de reincidencia, vigilancia policial y evaluaciones de riesgo. Estos modelos, que se han integrado cada vez más en las prácticas de seguridad pública, buscan anticipar comportamientos delictivos y ayudar en la gestión de recursos y decisiones dentro del sistema judicial y policial. Sin embargo, estos modelos a menudo no son neutrales, ya que pueden reflejar y amplificar prejuicios preexistentes en los datos sobre los que se entrenan, así como en los supuestos subyacentes de los algoritmos.

Los sesgos en los modelos predictivos pueden surgir debido a varias razones, como la calidad de los datos disponibles, que pueden estar sesgados por factores históricos, sociales o políticos. Por ejemplo, los datos sobre detenciones y condenas pueden reflejar disparidades raciales o socioeconómicas, lo que puede llevar a que los modelos predigan de manera desproporcionada el riesgo de reincidencia o el comportamiento delictivo en ciertos grupos, sin tener en cuenta los contextos y las causas estructurales que subyacen a estas estadísticas. Además, la falta de transparencia en los algoritmos utilizados en estos modelos puede hacer que las decisiones basadas en ellos sean difíciles de auditar, lo que genera preocupaciones sobre la justicia y la equidad de los procesos que dependen de dichos modelos. 

Por otro lado, las brechas metodológicas pueden surgir cuando los enfoques utilizados para medir y evaluar el riesgo no son lo suficientemente completos o diversos. A menudo, estos modelos se centran en un conjunto limitado de variables y no capturan adecuadamente las complejidades de los comportamientos humanos o las dinámicas sociales que los impulsan. Como resultado, las evaluaciones de riesgo pueden ser inexactas o incompletas, lo que podría dar lugar a decisiones incorrectas o desproporcionadas que afectan negativamente a las personas involucradas.

El objetivo principal de nuestra investigación es identificar y analizar estos sesgos y brechas metodológicas para promover enfoques más equitativos y precisos en la utilización de modelos predictivos en el ámbito de la seguridad pública. Creemos que, al abordar estos problemas, podemos mejorar la precisión y la justicia de las políticas de seguridad, minimizando la posibilidad de que estos modelos perpetúen desigualdades existentes. Además, proponemos soluciones para asegurar que los modelos predictivos sean más inclusivos, transparentes y responsables, y que tengan en cuenta los contextos sociales y las realidades complejas de los grupos a los que afectan. De esta manera, buscamos contribuir a la creación de sistemas de justicia más justos y eficaces, en los que la tecnología sea una herramienta para la equidad y no un factor que profundice las desigualdades.