integrando IA en investigación
Nov 25, 2025
Ejercicio en clase (primera parte)
- Elegir un tema de investigación para el proyecto grupal
- el tema debe estar relacionado con la criminología
- se puede proponer varios temas y luego elegir uno
- Buscar información académica relevante sobre el tema
- usar palabras clave para la búsqueda
- Google académico, Jstor, Brumario, etc.
- todas las fuentes deben ser textos académicos
- encontrar y descargar al menos 8 fuentes
- Realizar una lectura de escaneo de las fuentes
- identificar qué tan relevante puede ser para el tema elegido
- identificar posibles formas de refinar el tema elegido
- identificar si necesito profundizar la lectura o descartar la fuente
- en caso de descartar, repetir el proceso hasta completar el mínimo de fuentes requeridas.
Inteligencia Artificial
IA.. qué es?
- Sistemas informáticos capaces de realizar tareas que normalmente requieren inteligencia humana (patrones, razonamiento, lenguaje, aprendizaje).
- Subcampos principales:
- Aprendizaje automático (machine learning)
- Aprendizaje supervisado / no supervisado / refuerzo
- Redes neuronales profundas (deep learning)
- Procesamiento del lenguaje natural (NLP)
- Visión por computador
- Representación del conocimiento y razonamiento
- Aprendizaje automático (machine learning)
breve historia del desarrollo de la IA
- 1940-1950
- Propuestas teóricas iniciales: modelos formales de lógica, neuronas artificiales primitivas (McCulloch-Pitts)
- Alan Turing y el “Turing Test”: identificar la máquina
- Propuestas teóricas iniciales: modelos formales de lógica, neuronas artificiales primitivas (McCulloch-Pitts)
- 1950-1960
- Dartmouth Workshop (1956): acuñamiento oficial del término “Inteligencia Artificial”
- Primeros programas de lógica, juegos, chatbots simples como ELIZA
- Robots tempranos que combinan percepción y acción, planificación básica
- Dartmouth Workshop (1956): acuñamiento oficial del término “Inteligencia Artificial”
- 1970-1980
- Sistemas expertos: codificación de conocimiento humano mediante reglas explícitas
- Desarrollo de técnicas como backpropagation para redes neuronales
- Primeros inviernos de la IA por expectativas no cumplidas
- Sistemas expertos: codificación de conocimiento humano mediante reglas explícitas
- 1990-2000
- Auge del aprendizaje estadístico: árboles de decisión, máquinas de soporte vectorial (SVM), etc.
- Aplicaciones emergentes reales: reconocimiento de patrón, voz, visión por computador, robótica
- Auge del aprendizaje estadístico: árboles de decisión, máquinas de soporte vectorial (SVM), etc.
- 2010-hoy
- Deep learning se convierte en estándar para muchos problemas (visión, lenguaje, etc.)
- Modelos generativos, NLP avanzado (transformers, arquitecturas modernas)
- Regulación, ética, explicabilidad cobran importancia central
- Deep learning se convierte en estándar para muchos problemas (visión, lenguaje, etc.)
Conceptos Esenciales y su relevancia para la Criminología
| Concepto | Definición breve | Relevancia para Criminología / Justicia Penal |
|---|---|---|
| Aprendizaje supervisado / no supervisado / por refuerzo | Formas de aprendizaje según si los datos tienen etiquetas, estructura oculta, o recompensas | Para predicción delictiva, para detectar patrones en datos policiales, para sistemas de decisión |
| Redes neuronales / Deep Learning | Modelos con muchas capas que capturan representaciones complejas de los datos | Reconocimiento facial, análisis de imágenes o vídeo, vigilancia automática |
| NLP | Procesamiento del lenguaje humano: comprensión, generación, análisis de texto | Análisis de informes, testimonios, redes sociales, discursos, perfiles |
| Visión por computador | Análisis automático de imágenes/videos para detectar objetos, caras, actos sospechosos | CCTV inteligente, reconocimiento de sospechosos, detección de actividades ilícitas |
| Representación del conocimiento y razonamiento | Cómo codificar conocimiento estructurado para que las máquinas tomen decisiones lógicas | Sistemas expertos forenses, sistemas de apoyo en decisiones judiciales |
| Sesgo / Fairness | Que los modelos no discriminen en función de raza, clase, género, etc. | Importante para evitar injusticias en predicción de riesgo, vigilancia selectiva, perfilamiento |
| Explicabilidad (XAI) | Que se pueda entender por qué una IA tomó determinada decisión | Clave en procesos judiciales, responsabilidad, transparencia |
| Privacidad | Protección de datos personales, uso adecuado, consentimiento | Muy relevante con reconocimiento facial, datos biométricos, vigilancia masiva |
| Limitaciones técnicas | Datos insuficientes, sobreajuste, generalización pobre, errores, dependencia de hardware | Permite ajustar expectativas, entender cuándo la IA falla, evitar mala praxis |
Cronograma de la IA Aplicada a Criminología
- Años 80-90
- Sistemas expertos aplicados a diagnósticos forenses, perfiles delictivos con reglas explícitas
- Limitaciones: datos de baja calidad, reglas inflexibles
- Sistemas expertos aplicados a diagnósticos forenses, perfiles delictivos con reglas explícitas
- 2000-2010
- Predicción de “zonas calientes” (hot-spots policing)
- Evaluación de riesgo para libertad condicional, programas piloto de recidiva
- Primeros usos de reconocimiento facial en instituciones
- Predicción de “zonas calientes” (hot-spots policing)
- 2010-2020
- Vigilancia biométrica más sofisticada
- Sistemas de evaluación de riesgo usados por tribunales o agentes de justicia penal
- Estudios que revelan sesgos en algoritmos y efectos de retroalimentación
- Vigilancia biométrica más sofisticada
- 2020-hasta hoy
- Crimen digital, desinformación, contenidos generados por IA
- Regulaciones emergentes para proteger derechos, limitar usos abusivos
- Debate sobre responsabilidad, derechos humanos, transparencia
- Crimen digital, desinformación, contenidos generados por IA
Regulación reciente: el AI Act de la UE
- El Regulation (EU) 2024/1689, conocido como Artificial Intelligence Act, es el primer marco legal integral sobre IA en la UE.
- Entró en vigor el 1 de agosto de 2024.
- Plazos de aplicación: muchas disposiciones aplicables a los 24 meses después de su entrada en vigor, aunque algunas obligaciones específicas comienzan antes.
- Prohibiciones clave (IA de “riesgo inaceptable” / “unacceptable risk”): reconocimiento facial remoto en tiempo real en espacios públicos sin excepciones, categorización biométrica basada en características sensibles, social scoring, manipulación emocional o cognitiva injustificada.
- Obligaciones para sistemas de alto riesgo: evaluación del impacto sobre derechos fundamentales, transparencia, supervisión, auditorías, trazabilidad.
Implicaciones y Preguntas Críticas
- ¿Cómo asegurarnos de que los datos de entrenamiento no introduzcan sesgos previos (raciales, económicos, geográficos)?
- ¿Qué papel debe tener la transparencia / explicabilidad en decisiones judiciales o policiales?
- ¿Dónde trazar la línea entre seguridad pública y derecho a la privacidad / libertad individual?
- ¿Cómo se mide la responsabilidad cuando un algoritmo da un falso positivo que lleva a una detención o error judicial?
- ¿Qué mecanismos regulatorios e institucionales son necesarios para garantizar justicia, equidad, supervisión independiente?
IA generativa (ChatGPT y amigos)
La IA generativa es un tipo de inteligencia artificial que utiliza algoritmos para crear contenido nuevo, como texto, imágenes, música y más.
dos elementos de funcionamiento: modelos de aprendizaje y grandes cantidades de datos
ChatGPT (2022), Gemini, Claude, DeepSeek, etc.
problema?
- veracidad de los resultados(output)
- “rellenar huecos”
- Alucinaciones: es un output que, pese a sonar sólido, no se apoya en datos reales o en patrones válidos del entrenamiento.
modelos de lenguaje natural (LLM)
- la “mente” de un LLM opera en dos niveles:
- Conocimiento Base (El Entrenamiento):
Es su “personalidad” y conocimiento fundamental. Son los billones de parámetros grabados en sus redes neuronales tras procesar vastas cantidades de texto de internet, libros, etc.
Este conocimiento es estable y no cambia en una conversación.
- Memoria de Trabajo (La Ventana de Contexto):
Es su “atención” o “memoria a corto plazo”. Es un espacio limitado donde se carga la información relevante para la conversación actual. Esto incluye su prompt, mis respuestas anteriores y, crucialmente en un sistema RAG (retrieval-augmented generation), los documentos que el RAG recupera.
en algunas aplicaciones de LLMs El Contexto es Rey.
Notebook LM (Google)
Notebook LM (Google)
NotebookLM es un LLM que utiliza exclusivamente el contenido que le demos como fuente.
Mayor control sobre lo que genera
basado en proyectos
Colaborativo
diferentes herramientas de trabajo/aprendizaje
Ejercicio en clase (segunda parte): Notebook LM
Ejercicio en clase (segunda parte): Notebook LM
Crear un cuaderno sobre el tema elegido y agregar las fuentes que seleccionadas en el ejercicio anterior
Interactuar con el chat. P. ej.: pedir un resumen que realte los principales teorías sobre el tema, las principales diferencias, los métodos usados, las conclusiones.
Pedir un mapa mental
Identificar lo que puede mejorar y lo que no es útil. ¿es útil la información que me dio como resultado? ¿el mapa mental tiene sentido?
Pedirle que identifique vacíos en la literatura sobre el tema que den lugar a nuevas investigaciones.
“Descubrir” bibliografía nueva. Hacer explícitos los sitios donde buscar.
Pedirle que genere un podcast de 2 minutos indicando lo más relevante sobre el tema e incluyendo una breve crítica.
Pedirle que elabore un texto pequeño donde indique lo más importante sobre el tema, en tono académico, y usando adecuadamente las citas en formato APA, con su respectivo apartado de bibliografía.
