Ángulo de Anderson
Predecir la violencia de antemano con IA

Puntos clavePredecir la violencia antes de que ocurra corre el riesgo de repetir los temores…
Ver más
- Predecir la violencia antes de que ocurra corre el riesgo de repetir los temores distópicos de Minority Report.
- Combinar la apariencia facial con señales de audio y de movimiento supera a cualquier señal individual por sí sola.
- Https://www.youtube.com/watch?v tDSXPQcpybU Una prueba (no real) de un sistema de detección de violencia de IVS.
El esquema habitual de una línea de investigación del tipo «¿Puede la IA automatizar esto?» consiste en proporcionar varios ejemplos de algo cuyas características se quieren aislar y comprobar si un modelo entrenado con esos datos puede detectar esa característica en datos similares que no se hayan utilizado para el entrenamiento:

Esquema de un proyecto de IA «a la desesperada»: los ejemplos etiquetados se dividen en conjuntos de entrenamiento y de prueba. El modelo aprende del primero y luego se pone a prueba con ejemplos desconocidos del segundo. Si realmente ha aprendido la característica de interés, en lugar de memorizar los datos de entrenamiento, debería reconocer el mismo patrón en el conjunto de prueba. Fuente
Es una apuesta bastante arriesgada, ya que estos experimentos parten de la suposición de que, si la IA sigue examinando el conjunto de datos, la característica acabará destacando y de que, en efecto, existe algún tipo de «tendencia subyacente» que se pueda descubrir. Si la característica fuera fácil de reconocer, o no necesitaríamos en absoluto el modelo de IA o solo lo usaríamos para automatizar tareas rutinarias.
Por lo general, no es así: la mayoría de estas iniciativas de investigación son búsquedas exploratorias de patrones latentes que solo podrían aprenderse a reconocer mediante una repetición de la observación sobrehumana.
A menudo, el patrón resulta difícil de encontrar y puede que ni siquiera exista, porque algunos sucesos y rasgos quizá dependan realmente del puro azar; o bien, los datos son de algún modo inadecuados, están mal seleccionados o se han entrenado deficientemente.
Lo que nos depara el futuro
En algunos casos, el premio es tan deseable (curar el cáncer, lograr la fusión nuclear, superar las leyes de la termodinámica, etc.) y tan «atractivo desde el punto de vista político» que la literatura científica vuelve una y otra vez sobre el tema para comprobar si unos datos o unas técnicas mejores pueden permitir detectar un patrón característico.
Un campo de este tipo es la comprensión automatizada de videos, en lo que respecta a los espacios públicos y los ámbitos relacionados con la policía. Por ejemplo, este año un nuevo estudio utilizó grabaciones de video de intentos de suicidio realizadas en el mundo real para identificar tendencias de «permanencia» previas al intento de suicidio de una persona y crear un sistema predictivo capaz de detectar la forma característica en que esta se desplaza por el andén de una estación de tren antes de saltar:

Del artículo de 2026 «Evaluación del riesgo de suicidio mediante videovigilancia impulsada por IA: un marco interpretable para la prevención en estaciones de metro»: predicciones basadas en dos fotogramas, uno que muestra un intento de suicidio real en las vías del tren y otro en el que no se produce ningún incidente. Los mapas de calor junto a cada fotograma indican las zonas de mayor y menor riesgo del andén, según la «tendencia a permanecer» de una persona cerca de la entrada del túnel y los patrones observados en intentos de suicidio anteriores. Fuente
En este caso, los «patrones de permanencia» (los extremos izquierdo y derecho de la imagen de arriba), característicos de una persona que contempla saltar frente a un tren, parecían tener una señal distintiva que podría utilizarse en un sistema de alerta basado en el reconocimiento de patrones dentro de circuitos de vigilancia automatizada.
Otra línea de investigación popular en este ámbito es la detección y el reconocimiento de la violencia, que permitiría dotar a los sistemas de vigilancia sin supervisión de la capacidad de reconocer actos violentos, para alertar rápidamente a una persona y hasta activar operaciones complementarias, como marcar las grabaciones para su conservación a largo plazo y garantizar que la grabación se esté realizando realmente, entre otras medidas.
Una prueba (no real) de un sistema de detección de violencia de IVS. Fuente
Según una nueva investigación de la University of Alabama, hasta ahora la literatura científica se ha centrado en reconocer la violencia cuando ya está ocurriendo. Para el nuevo trabajo, los investigadores entrenaron un modelo únicamente con grabaciones de video anteriores a un episodio violento (o en las que no se producía ningún episodio, para mantener el equilibrio estadístico), con el fin de averiguar si podían existir características «previolentas» recurrentes y entrenables. En este caso, se trataba de una combinación de movimientos corporales, disposición facial y audio que, en conjunto, podría proporcionar una señal predictiva de actos violentos, en lugar de limitarse a reaccionar una vez que ya se han producido.

Ejemplos de secuencias «de riesgo» previas al incidente del estudio «¿Podemos anticipar la violencia? Aprendizaje multimodal a partir de señales conductuales previas al incidente», mostradas en cuatro fotogramas consecutivos. El sistema sigue las articulaciones y los movimientos del cuerpo a lo largo del tiempo y busca cambios en la postura, la velocidad y los patrones de interacción que puedan distinguir situaciones que se intensifican antes de que la propia violencia se haga visible. Fuente
Por supuesto, si este tipo de trabajo llegara a desarrollarse o implementarse, probablemente generaría preocupación. Como he señalado anteriormente, obras de ficción como la serie de televisión Person of Interest y la película de acción y ciencia ficción de 2002 Minority Report, entre muchas otras similares, han reflejado los temores populares en torno a las tecnologías predictivas en manos de la policía o de las autoridades reguladoras.
En lo que respecta a predecir acciones violentas a partir de señales corporales, faciales y de audio (en lugar de factores como el contexto, la hora del día, la ubicación o las cifras históricas de delincuencia), la cuestión sigue abierta, ya que, según los autores del nuevo artículo, se trata de una línea de investigación muy reciente.
En las pruebas, los investigadores compararon por separado y en combinación la apariencia facial, el audio y las señales de movimiento corporal, utilizando tres redes troncales de visión diferentes. Los mejores resultados se obtuvieron al combinar las tres señales, lo que sugiere que el efecto predictivo no dependía de un único tipo de señal:
‘La mejor configuración, Deit-Tiny con audio, apariencia facial y movimiento, alcanza una exactitud del 91,21%, una exactitud equilibrada del 88,96%, una puntuación F1 del 93,65% y un ROC-AUC del 96,38% en el conjunto de prueba reservado.
‘Estos resultados sugieren que las señales complementarias de apariencia, acústica y cinemática aportan información útil para reconocer un riesgo elevado antes de un incidente.’
Enfoque
El conjunto de datos recopilado para el estudio se deriva de la colección XD-Violence y procesa conjuntamente tres modalidades: apariencia facial, audio y movimiento estimado a partir de la pose:

Flujo de procesamiento del estudio. Cada clip se etiqueta según su nivel de riesgo, que se reduce a «sin riesgo» o «de riesgo», y luego se divide en conjuntos de entrenamiento, validación y prueba. Se analizan hasta cuatro segundos de metraje mediante tres ramas: la apariencia facial a lo largo de los fotogramas, el audio convertido en espectrograma y el movimiento corporal derivado de puntos clave rastreados, como la velocidad y la aceleración. Las características faciales, de audio y de movimiento resultantes se combinan en una sola representación y se envían a un clasificador final, que asigna al clip una probabilidad de ser «sin riesgo» o «de riesgo».
El conjunto depurado resultante contenía 443 clips previos al incidente (comentaremos esta cifra al final del artículo).
Según el artículo, los videos seleccionados de la colección XD-Violence se consideraron adecuados para el tipo de análisis centrado en las personas que el proyecto pretendía implementar. En cambio, muchos enfoques anteriores similares se habían centrado en la escena en su conjunto como contexto predictivo.
Los clips utilizados no superaban los cuatro segundos y se muestrearon a 8 fps. Se utilizó un transformador de una sola capa con ocho cabezas de atención para reunir las 32 muestras de fotogramas resultantes, mientras que las incrustaciones posicionales aprendidas mantenían el orden de los fotogramas. La red troncal permaneció congelada durante el entrenamiento multimodal para evitar el sobreajuste.
Más arriba en el artículo se muestran mapas de activación de muestra (incluidas imágenes faciales) para las activaciones «de riesgo»; a continuación se muestran ejemplos «sin riesgo»:

Ejemplos sin riesgo de la rama de análisis facial del estudio, que complementan los ejemplos de movimiento de riesgo mostrados anteriormente. A la izquierda aparece el recorte facial original, seguido de mapas de activación de capas progresivamente más profundas del modelo de visión DeiT-Tiny. Las zonas más cálidas indican respuestas más intensas a las características y muestran cómo la atención del modelo cambia y se vuelve más abstracta a medida que la imagen atraviesa la red.
Los componentes de audio derivados del clip de origen se remuestrearon a 16kHz y se ajustaron mediante normalización y alineación con la ventana visual correspondiente, antes de convertirse en espectrogramas de magnitud logarítmica estandarizados mediante una transformada de Fourier de tiempo corto de 512 puntos y una ventana de Hann de 400 muestras:

Comparación de los patrones de audio promedio de clips normales y de riesgo anteriores al incidente. La fila superior muestra los clips normales y la inferior, los clips de riesgo, desde la forma de onda y el espectrograma originales hasta las características aprendidas en tres capas sucesivas de la red. Los clips de riesgo presentan una mayor variación a lo largo del tiempo, incluida una mayor actividad acústica hacia el final de la ventana de cuatro segundos, mientras que la red convierte progresivamente estas diferencias en características de nivel superior.
En el componente de movimiento, los movimientos corporales se redujeron a un conjunto de descriptores numéricos derivados de los puntos clave de COCO-17 detectados por un estimador de postura YOLO.
Se calcularon doce medidas, entre ellas la velocidad promedio y la velocidad máxima, la aceleración y la sacudida, la variación de la velocidad, las velocidades de las muñecas y los tobillos y la energía total del movimiento. Estos valores se normalizaron en función del tamaño corporal, de modo que las personas de mayor tamaño no registraran automáticamente más movimiento. Además, se combinaron las mediciones de varias personas que aparecían en el mismo clip.
Tras la estandarización con respecto a los datos de entrenamiento, las características del movimiento se ampliaron a una representación de 64 dimensiones y se procesaron mediante un Transformer temporal, lo que permitió considerar los cambios de movimiento a lo largo del clip como una secuencia, en lugar de como fotogramas aislados.
A continuación, las tres secuencias se fusionaron en una sola representación, con mayor peso para la apariencia facial, seguida del audio y el movimiento. Tras la normalización y la exclusión aleatoria de unidades (dropout), un clasificador final convirtió esa representación combinada en probabilidades de las categorías «normal» y «de riesgo», con 0,5 como umbral.
Para la secuencia de apariencia facial se utilizaron tres arquitecturas base preentrenadas en ImageNet: Swin-Tiny, ViT-Tiny y DeiT-Tiny.
Pruebas
Para las pruebas, los clips se etiquetaron manualmente con una de cuatro categorías: Sin riesgo, Riesgo bajo, Riesgo medio o Riesgo alto, según el comportamiento, el movimiento y el audio visibles. Para la tarea binaria final, las tres categorías de riesgo se agruparon como «de riesgo», mientras que Sin riesgo pasó a ser «normal». Para reducir la filtración de datos entre el entrenamiento y la evaluación, los clips extraídos de un mismo video de origen se mantuvieron en la misma partición del conjunto de datos.
El incidente violento en sí se eliminó de todos los clips de riesgo, de modo que el modelo solo tuviera que evaluar el comportamiento previo:

Resultados del conjunto de prueba que muestran cómo varía el rendimiento al utilizar la apariencia facial, el audio y el movimiento por separado o en combinación con las tres arquitecturas base visuales; el análisis de ablación permite aislar la contribución de cada secuencia de entrada. Las puntuaciones más altas indican un mejor rendimiento y los valores en negrita señalan el mejor resultado de cada métrica.
Como ya se señaló, el mejor resultado general se obtuvo con DeiT-Tiny al combinar las tres modalidades. Los análisis de ablación aclaran la contribución de cada secuencia: la apariencia facial ya era un predictor sólido por sí sola, mientras que el movimiento tuvo un rendimiento moderado y el audio fue considerablemente menos eficaz cuando se utilizó de forma aislada.
Los mejores resultados se obtuvieron al combinar la información facial, de audio y de movimiento, lo que indica que las secuencias menos eficaces también aportaron información complementaria útil a la señal visual.
Aunque el modelo solo se entrenó para distinguir entre clips «normales» y «de riesgo», sus resultados también se compararon con las etiquetas originales de cuatro niveles: Sin riesgo, Riesgo bajo, Riesgo medio y Riesgo alto. Como se muestra a continuación, el riesgo previsto aumenta, en términos generales, al pasar de una categoría a otra en los conjuntos de entrenamiento, validación y prueba:

Puntuaciones de riesgo previstas en las cuatro categorías de riesgo originales. Aunque el modelo se entrenó únicamente para distinguir los clips normales de los clips de riesgo, las puntuaciones suelen aumentar gradualmente desde «Sin riesgo» hasta «Riesgo alto» en los conjuntos de entrenamiento, validación y prueba. La línea discontinua marca el umbral de decisión de 0,50.
Los autores comentan:
«Este resultado es importante porque el modelo nunca se entrena explícitamente para distinguir entre riesgo bajo, medio y alto. Aun así, sus predicciones siguen la progresión de los niveles de riesgo originales.»
«Esto sugiere que el modelo está captando cambios significativos en el comportamiento previo al incidente, en lugar de limitarse a aprender una sencilla frontera entre lo normal y lo arriesgado. El resultado también aporta pruebas de que pueden aparecer señales conductuales útiles antes de que comience el incidente anotado.»
Y concluyen:
«Estos hallazgos sugieren que puede haber información discriminativa útil en el período anterior a un incidente, lo que pone de relieve la posibilidad de ir más allá de la detección de la violencia mientras ocurre y avanzar hacia un reconocimiento más temprano del riesgo.»
Conclusión
¿Realmente encontraron los investigadores una combinación de rasgos «previos a la violencia»? Pues bien, como en los experimentos se utilizaron solo 443 clips, el sobreajuste supone un riesgo considerable, especialmente en el caso de los modelos multimodales y las redes troncales de visión preentrenadas, que son particularmente propensos a él. El estudio mitiga parcialmente este riesgo al congelar la red troncal visual, separar los videos de origen entre los conjuntos de entrenamiento, validación y prueba, y probar varias combinaciones de modalidades.
Un buen rendimiento en un conjunto de datos pequeño no demuestra que el patrón subyacente sea evidente ni siquiera que exista, ya que también podría deberse a señales específicas del conjunto de datos, sesgos de anotación, filtraciones de datos de origen que la división no detecta o un conjunto de prueba inusualmente fácil.
Pero, tal como están las cosas, el resultado es intrigante precisamente porque el conjunto de datos es tan pequeño y porque parece que se han tomado medidas suficientes para evitar el sobreajuste. Sin embargo, sería necesario replicar los hallazgos con un conjunto de datos más grande antes de poder considerar «robusto» el patrón aprendido.
Publicado originalmente el jueves 1 de octubre de 2026












