Resumen
El artículo revisa estudios recientes sobre el uso de inteligencia artificial (IA) en la predicción del delito y sus aportes potenciales a la seguridad pública. Se analizaron investigaciones empíricas publicadas entre 2019 y 2025 que aplican IA, aprendizaje automático o aprendizaje profundo al análisis delictivo. Los estudios, realizados en países de América y Asia, emplean métodos supervisados y no supervisados, redes neuronales, análisis espacio-temporal y visión por computadora. La literatura reporta aplicaciones para identificar patrones y zonas de riesgo, estimar tendencias delictivas y apoyar la asignación de recursos. Sin embargo, los enfoques y resultados son heterogéneos, y la mayoría de los modelos requiere validación en contextos reales. Se concluye que su incorporación a la seguridad pública debe considerar la calidad y representatividad de los datos, la interpretabilidad, los sesgos y la privacidad, y evaluar su impacto en las políticas públicas.
Referencias
Bheemalingaiah, M., Nageswara Rao, E., Srirama Kanaka Ratnam, A., & Vecha, S. (2022). Advanced cyber crime rate prediction using deep learning & AI based algorithm. Journal of Harbin Institute of Technology, 54(3), 140–146. https://doi.org/10.11720/JHIT.54032022.17
Burgos Alarcón, S. R. (2025). Análisis predictivo en seguridad pública: Generación de alertas con datos históricos del departamento de Córdoba [Proyecto aplicado, Especialización en Ciencia de Datos y Analítica, Universidad Nacional Abierta y a Distancia]. Repositorio Institucional UNAD. https://repository.unad.edu.co/handle/10596/73242
Calderon-Vilca, H. D., Carhuaricra Rivera, L., Abad Nauto, O., Carrillo Estrada, J., Calderon-Vilca, E. F., & Ibarra, M. (2021, septiembre). Review of crimes in Peru and proposal of a neural network architecture to predict if a person could commit a crime. En Proceedings of the 29th Conference of the Open Innovations Association FRUCT (pp. 416–422). Open Innovations Association FRUCT. https://doi.org/10.5281/zenodo.4770802
Díaz Linares, N. A. (2023). Entorno urbano y delincuencia: Robo de vehículo y calidad de vida urbana en la Ciudad de México, 2018–2020 [Tesis de maestría, Universidad Autónoma del Estado de México].
Egger, J., Pepe, A., Gsaxner, C., Jin, Y., Li, J., & Kern, R. (2021). Deep learning—a first meta-survey of selected reviews across scientific disciplines, their commonalities, challenges and research impact. PeerJ Computer Science, 7, e773. https://doi.org/10.7717/peerj-cs.773
Giraldo-Alegría, S., Ordoñez-Palacios, L., Bucheli-Guerrero, V., & Ordoñez-Erazo, H. (2020). Modelo de redes neuronales para predecir la tendencia de víctimas de secuestro en Colombia. Investigación e Innovación en Ingenierías, 8(3), 38–49. https://doi.org/10.17081/invinno.8.3.4702
Gupta, M. K., & Chandra, P. (2020). A comprehensive survey of data mining. International Journal of Information Technology, 12, 1243–1257. https://doi.org/10.1007/s41870-020-00427-7
Iberdrola. (2023). Aplicaciones del deep learning. https://www.iberdrola.com/conocenos/nuestro-modelo-innovacion/deep-learning
Khan, M., Ali, A., & Alharbi, Y. (2022). Predicting and preventing crime: A crime prediction model using San Francisco crime data by classification techniques. Complexity, 2022, Article 4830411. https://doi.org/10.1155/2022/4830411
Kim, K.-S., & Jeong, Y.-H. (2021). A study on crime prediction to reduce crime rate based on artificial intelligence. Korean Journal of Artificial Intelligence, 9(1), 15–20. https://doi.org/10.24225/kjai.2021.9.1.15
Lira Cortés, A. L., & Fuentes Silva, C. (2021). Artificial intelligence models for crime prediction in urban spaces. Machine Learning and Applications: An International Journal, 8(1), 1–15. https://doi.org/10.5121/mlaij.2021.8101
Martínez, J. (2020). Deep learning: Fundamentos y aplicaciones.
Navarro Espindola, J. (2024). Análisis espacio-temporal de actividades delictivas en Morelia con un enfoque de aprendizaje automático no supervisado [Tesis de licenciatura, Universidad Nacional Autónoma de México]. Repositorio Institucional de la UNAM. https://repositorio.unam.mx/contenidos/3713132
Ordóñez, H., Cobos, C., & Bucheli, V. (2020). Modelo de machine learning para la predicción de las tendencias de hurto en Colombia. Revista Ibérica de Sistemas e Tecnologias de Informação, (E29), 494–506.
Pacheco Olivo, R. V., Vallejo Villavicencio, V. G., Enríquez Gutiérrez, D. A., Rojas Cevallos, A. V., & Bonilla Peñaherrera, J. O. (2025). Diseño de un modelo de aprendizaje automático para videovigilancia inteligente para la detección automática de armas de fuego enfocado a restaurantes ubicados en el cantón Quito. Ciencia Latina Revista Científica Multidisciplinar, 9(5), 11182–11205. https://doi.org/10.37811/cl_rcm.v9i5.20463
Raghu, M., & Schmidt, E. (2020). A survey of deep learning for scientific discovery [Preprint]. arXiv. https://arxiv.org/abs/2003.11755
Reier Forradellas, R. F., Náñez Alonso, S. L., Jorge-Vázquez, J., & Rodríguez, M. L. (2021). Applied machine learning in social sciences: Neural networks and crime prediction. Social Sciences, 10(1), Article 4. https://doi.org/10.3390/socsci10010004
Safat, W., Asghar, S., & Gillani, S. A. (2021). Empirical analysis for crime prediction and forecasting using machine learning and deep learning techniques. IEEE Access, 9, 70080–70094. https://doi.org/10.1109/ACCESS.2021.3078117
Villavicencio Benalcázar, W. A. (2023). Estudio de técnicas de aprendizaje automático utilizadas en ciberseguridad [Tesis de maestría, Universidad Politécnica Salesiana]. Repositorio Institucional de la Universidad Politécnica Salesiana. https://dspace.ups.edu.ec/bitstream/123456789/26498/1/UPS-CT011003.pdf

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Derechos de autor 2026 Omar Manzano Silva
