Análisis sobre la justicia de los modelos más usuales en Seguridad Predictiva:

En esta presentación, se aborda la noción de justicia en sistemas de recomendación, específicamente en el contexto de los algoritmos de predicción de crímenes más ampliamente utilizados en nuestra región. El enfoque se centra en analizar y comparar los niveles de imparcialidad para cada modelo. Para lograr esto, se implementa una metodología que ajusta la distribución de la variable protegida (es decir, el nivel de ingresos) en un entorno de estudio simulado que refleja las dinámicas de crecimiento urbano en ciudades latinoamericanas. El análisis se extiende hacia la  comparación de los resultados de justicia con el rendimiento general de los modelos, medido mediante la métrica EMD (Earth Mover’s Distance). Los hallazgos revelan una tendencia interesante: los modelos con un rendimiento más destacado suelen exhibir ciertos grados de inequidad. En particular, se observa que los modelos basados en la estimación de densidad kernel (KDE) tienden a exhibir niveles más bajos de equidad en comparación con otras aproximaciones. Estos resultados arrojan luz sobre la relación entre la precisión de los modelos y la equidad que ofrecen en el contexto de predicción de crímenes. La presentación ofrece una visión de cómo los avances en algoritmos de predicción de crímenes no solo deben centrarse en la mejora del rendimiento, sino también en abordar de manera efectiva las consideraciones de justicia en su diseño y aplicación.