Social Sciences Colombia , Colombia, Wednesday, December 30 of 2020, 10:24

¿Por qué algunas personas se involucraron en actos de violencia durante la guerra civil colombiana?

Un nuevo estudio encabezado por Agustín Ibáñez y Hernando Santamaría-García identifica factores relevantes asociados con violencia mediante aprendizaje automático de máquinas

DICYT - Un nuevo estudio dirigido por los doctores Agustín Ibáñez y Hernando Santamaría-García revela por qué algunas personas se involucraron en actos de violencia durante la guerra civil colombiana. Mediante la combinación de registros históricos -una muestra poblacional de 26.349 ex miembros de grupos armados ilegales en Colombia- con métodos computacionales innovadores, incluidas las redes neuronales profundas y el aprendizaje automático de máquinas, el trabajo identifica con precisión un subconjunto crítico de factores socio-contextuales y de salud mental individual asociados con diferentes dominios de violencia.


El efecto devastador de una guerra civil

 

Las guerras civiles devastan las estructuras sociales, desafían la estabilidad de las instituciones y comprometen la esperanza en un futuro mejor. Ningún enemigo extranjero, sino un vecino, puede ser el enemigo durante una guerra civil. El conflicto colombiano de los últimos 50 años ha tenido tremendas consecuencias sociales y ambientales. Este conflicto ha resultado en más de siete millones de víctimas de desplazamiento forzado, más de 300.000 muertes, así como miles de casos de desaparición forzada, deshumanización, secuestro y otros delitos. Durante esas circunstancias, ¿qué impulsa a algunas personas a cometer acciones violentas mientras que otras no? ¿Se puede predecir qué personas probablemente se vieron envueltas en actos de violencia? ¿Qué factores (o combinaciones de factores) están asociados con tales diferencias en la perpetración de violencia? ¿Qué factores son los más relevantes? ¿Cómo pueden estos factores influir en diferentes tipos de violencia?

 

En una guerra civil, las personas pueden desarrollar diferentes tipos de violencia, como las llamadas consecuencialista (una versión utilitaria de "el fin justifica los medios"), apetitiva (que implica sentimientos de placer), de represalia (por venganza), impulsiva (agresión reactiva, repentina e impredecible) o violencia global (la combinación de todas las formas anteriores). Estos diferentes dominios de violencia podrían predecirse por varios factores potenciales, incluidos factores socio-contextuales (sociales, políticos y culturales) y de salud mental individual (determinantes psicológicos, salud física, personalidad y factores protectores).

 

El estudio más grande con personas involucradas en un guerra civil

 

El neurocientífico Agustín Ibáñez y sus colaboradores trabajaron con la Agencia para la Reincorporación y la Normalización (ARN) de Colombia para estudiar los factores socio-contextuales e individuales en ex miembros de grupos armados ilegales. Los participantes representaron más del 90 por ciento de todas las personas desmovilizadas en el conflicto colombiano desde 2003 hasta 2012, un total de 26.349.

 

Los científicos incluyeron dos grupos: uno de ex miembros que admitieron haber cometido acciones violentas y otro de participantes que negaron la violencia en cada dominio de violencia. Ambos grupos fueron macheados por sexo, edad y nivel educativo. Luego crearon otros grupos específicos de acuerdo al tipo de violencia.

 

Posteriormente, emplearon una combinación de enfoques computacionales para evaluar las características potenciales más relevantes para clasificar los tipos de violencia. Diseñaron, organizaron e incluyeron múltiples predictores potenciales, que involucraron más de 160 factores socio-contextuales y de salud mental individual. Estas evaluaciones se realizaron durante más de cuatro años. Después, aplicaron un enfoque basado en datos con modelos de redes neuronales profundas o deep neural networks -un método para revelar hasta qué punto un grupo de predictores es relevante para rastrear un resultado-, así como procedimientos de aprendizaje de máquinas o random forest- que pueden manejar una gran cantidad de predictores en grandes conjuntos de datos- para identificar de manera robusta y automática los mejores predictores de cada dominio de violencia.

 

Patrones asociados una clasificación precisa de la violencia

 

La red neuronal profunda arrojó un 96 por ciento de precisión en la clasificación de la violencia global. Un proceso de aprendizaje automático destinado a identificar características específicas mostró que dicha clasificación de la violencia requería una combinación de factores socio-contextuales e individuales de salud mental. Sin embargo, las características socio-contextuales fueron los factores más relevantes. Entre ellos, las adversidades asociadas a la propia red social, la identificación y valoración de los miembros con los grupos armados ilegales, y diferentes patrones de normalización de la violencia se encontraron entre los factores socio-contextuales más robustos. En menor medida, los rasgos individuales con mejor valor predictivo fueron de personalidad (límite, paranoide y antisocial) y otros síntomas psiquiátricos.

 

Ningún predictor individual arrojó una buena precisión de clasificación, de manera que es necesaria una combinación compleja de diferentes factores para clasificar los dominios de la violencia con precisión. Además, los científicos identificaron que los predictores específicos no estaban determinados por asociaciones lineales simples. Ello sugiere que existe una interacción no lineal entre un subconjunto de factores que genera la clasificación robusta. Por lo tanto, la combinación no lineal de factores dependientes del contexto produjo la mejor clasificación de los actos de violencia.

 

“Este nuevo estudio, con un poderoso enfoque analítico, proporciona la primera evidencia poblacional de los factores mas relevantes asociados con la ejecución de actos históricos violentos. La investigación abre nuevas fronteras para el desarrollo y uso de métodos computacionales para evaluaciones situadas, multidimensionales y basadas en evidencia de actos de violencia. Ningún otro estudio empírico ha analizado simultáneamente la importancia de una gran cantidad de factores potencialmente asociados a diferentes tipos de violencia”, asegura Ibáñez.

 

Aunque los científicos pudieron "predecir" los actos de violencia con el aprendizaje automático, los resultados no deben confundirse con la "predicción" futura de la probabilidad de violencia de un individuo. El enfoque computacional en contextos de actos de violencia debe considerarse con precaución. Debe evitarse cualquier riesgo de estigmatización o extrapolación a otras poblaciones y zonas geográficas de guerra civil. Además, el diseño del estudio es retrospectivo (actos de violencia históricamente confesados) y se basa en población colombiana. En consecuencia, este enfoque no está diseñado para predecir futuros actos violentos o extrapolar los resultados a otros entornos socioculturales. Sin embargo, el enfoque científico ciertamente se puede utilizar para investigar otros contextos en el futuro.


Relevancia para los estudios de violencia

 

Para Ibáñez, “los resultados proporcionan la primera clasificación poblacional exitosa de diferentes dominios de violencia basada en datos históricos colombianos”. Hernando Santamaría García y Mauricio Aponte, quienes trabajaron activamente con la Agencia para la Reincorporación y la Normalización (ARN) en el proyecto, señalan que este estudio “abre la puerta a futuros escenarios de reintegración basados en evidencia y para promover la construcción de paz, dos importantes desafíos para el actual conflicto colombiano. Los escenarios de reintegración deben promover una comprensión significativa de la complejidad de los factores socio-contextuales, pero también individuales asociados a la violencia”.

 

 

 

Referencia
Santamaría-García H, Baez S, Aponte DM, Pascariello GO, Donnelly-Kehoe PA, Maggiotti G, Matallana D, Hesse E, Neely A, Zapata JG, Chiong W, Levy J, Decety J, Ibáñez A. Uncovering social-contextual and individual mental health factors associated with violence via computational inference. Patterns