Análise da predição da violência infantil por meio de árvores de decisão e regras de associação

Abstract

According to the United Nations International Children's Emergency Fund (UNICEF), currently around 300 million children around the world suffer from various types of abuse, including: psychological, physical, sexual or negligence. Considering the severity of the problem, the analysis gets more difficult given elements such as: the existence of different definitions of violence used for different contexts, without patterns that ease the study; determine the type of abuse that's happening in each case, being more than one; victims reports and official abuse statistics not always have the expected quality; among others. It should even be noted that, while collecting data, the fact that most of the time the only people that are aware of the abuse situation are the children and their agressors, rendering the situation invisible and making the abuse's prevention a much more difficult task. The aim of this work is to generate and evaluate models based on machine learning techniques that can estimate in which cases a situation of child abuse is currently happening or it could happen, via models represented by rules easily understandable by humans. The scientific method utilized in this project is ex-post-facto based on two structured datasets, one supervised and the other unsupervised, both built by Chilean organizations and that possess numeric and categorical attributes. Feature selection techniques were applied in order to work with the most relevant elements, and then use the C4.5 and Apriori algorithms on each dataset respectively. The first one was evaluated with the areas under the receiver operating characteristic and precision-recall curves, and the second one with the lift, conviction and leverage metrics. About the results, for the classification technique were built models with performances close to 0.9 for each metric; and for the association rules, in all executions the sentences found have higher values than the thresholds that define the implication between their antecedents and consequents.

Según el Fondo de las Naciones Unidas para la Infancia (United Nations International Children’s Emergency Fund, UNICEF), actualmente en el mundo cerca de 300 millones de niños sufren de diversos tipos de maltrato, pudiendo ser: psicológico, físico, abuso sexual, o negligencia. Considerando la gravedad del problema, se suma que el análisis se torna difícil por elementos tales como: existencia de diferentes definiciones de violencia usadas para distintos contextos, no habiendo patrones que faciliten el estudio; determinar cuál es el tipo de maltrato que está ocurriendo en cada caso, pudiendo ser más de uno; los informes de las propias víctimas y las estadísticas oficiales de maltrato no siempre poseen la calidad esperada; entre otros. Incluso se debe destacar que en dichos levantamientos no es considerado el hecho de que en muchas ocasiones las únicas personas que saben que el maltrato está ocurriendo son los niños y sus agresores, siendo la situación invisible y haciendo mucho más difícil realizar la tarea de previsión de la agresión. El objetivo de este trabajo es generar y evaluar modelos basados en técnicas de aprendizaje de máquina que puedan estimar en qué casos está aconteciendo o acontecerá algún acto de maltrato infantil a través de modelos que sean representados por reglas simples de entender por cualquier humano. El método científico utilizado en este proyecto es ex-postfacto utilizando dos conjuntos de datos estructurados, uno supervisado y otro no supervisado, ambos construidos por organizaciones de Chile y que possen atributos categóricos y numéricos. Fueron aplicadas técnicas de selección de atributos para trabajar con los elementos más relevantes, para después utilizar los algoritmos C4.5 y Apriori en cada conjuntos respectivamente. El primero fue evaluado con las áreas bajo las curvas receiver operating characteristic y precision-recall, y el segundo con las métricas lift, conviction, y leverage. Sobre los resultados, para la técnica de clasificación se construyeron modelos con desempeños cercanos al 0,9 para cada métrica; y para las reglas de asociación, en todas las ejecuciones se encontraron sentencias con valores superiores a los umbrales para establecer la implicancia entre sus antecedentes y consecuentes.