Bajo la premisa que sostiene que la corrupción debe detectarse lo
antes posible, a fin que se puedan tomar medidas correctivas y
preventivas, científicos de la Universidad de Valladolid, en España, han
desarrollado un modelo de redes neuronales que, basándose en factores
económicos y políticos, permite la predicción de hechos de corrupción en la administración pública.
Las redes neuronales son sistemas de programas y datos basados en el funcionamiento del cerebro humano, los cuales son capaces de aprender y se adaptarse a reglas y experiencias determinadas. Se utilizan comúnmente para impulsar los sistemas de aprendizaje profundo, que son un subconjunto de la Inteligencia Artificial que intenta imitar el enfoque de aprendizaje del cerebro humano.
Hasta
hace poco, las redes neuronales se consideraban una rama bastante
infructuosa de la inteligencia artificial. Sin embargo, eso cambió
cuando pioneros como Geoffrey Hinton y Andrew Ng, lograron crear
sistemas de reconocimiento de imágenes increíblemente buenos basados
en redes neuronales masivas.
Las
redes neuronales son un conjunto de algoritmos que están diseñados para
identificar patrones; esa facultad les permite establecer correlaciones
y por lo tanto, realizar análisis predictivos.
Haciendo uso de
las potencialidades que ofrece esta herramienta, los investigadores
desarrollaron un sistema de alerta temprana basada en un enfoque de red
neuronal, específicamente mapas autoorganizados, que pueden predecir la
corrupción pública basada en factores macroeconómicos y políticos.
El
modelo proporciona diferentes perfiles de riesgo de corrupción,
dependiendo de las condiciones económicas de una región condicional en
el momento de la predicción.
A diferencia de investigaciones
anteriores, que se basan en la percepción de corrupción, los
investigadores utilizaron datos reales sobre casos de corrupción.
Aplicaron el modelo a las provincias españolas en las que se reportaron
casos de corrupción ante los tribunales, entre el año 2000 y 2012.
Los resultados muestran que los factores económicos prueban ser predictores relevantes de la corrupción.
Los investigadores evidenciaron que la tributación de los bienes inmuebles, el crecimiento económico, el aumento de los precios de la vivienda y el creciente número de instituciones de depósito y sociedades no financieras, pueden ser factores que inducen a la corrupción pública. Del mismo modo se pudo establecer una relación directa entre el tiempo que permanece en el poder el mismo partido gobernante con los hechos de corrupción.
El
modelo proporciona diferentes perfiles de riesgo de corrupción
dependiendo de las condiciones económicas de una región condicional en
el momento de la predicción; además, proporciona diferentes marcos de
tiempo para predecir la corrupción hasta 3 años antes de que se detecten
casos.
El enfoque de esta investigación puede resultar atractivo tanto para los académicos, ya que proporciona una forma innovadora de predecir la corrupción pública utilizando redes neuronales, como para las autoridades públicas, al facilitar un modelo que mejora la eficiencia de las medidas destinadas a combatir la corrupción.
Via
Bajo la premisa que sostiene que la corrupción debe detectarse lo antes posible, a fin que se puedan tomar medidas correctivas y preventivas, científicos de la Universidad de Valladolid, en España, han desarrollado un modelo de redes neuronales que, basándose en factores económicos y políticos, permite la predicción de hechos de corrupción en la administración pública.
Las redes neuronales son sistemas de programas y datos basados en el funcionamiento del cerebro humano, los cuales son capaces de aprender y se adaptarse a reglas y experiencias determinadas. Se utilizan comúnmente para impulsar los sistemas de aprendizaje profundo, que son un subconjunto de la Inteligencia Artificial que intenta imitar el enfoque de aprendizaje del cerebro humano.
Hasta hace poco, las redes neuronales se consideraban una rama bastante infructuosa de la inteligencia artificial. Sin embargo, eso cambió cuando pioneros como Geoffrey Hinton y Andrew Ng, lograron crear sistemas de reconocimiento de imágenes increíblemente buenos basados en redes neuronales masivas.
Las redes neuronales son un conjunto de algoritmos que están diseñados para identificar patrones; esa facultad les permite establecer correlaciones y por lo tanto, realizar análisis predictivos.
Haciendo uso de las potencialidades que ofrece esta herramienta, los investigadores desarrollaron un sistema de alerta temprana basada en un enfoque de red neuronal, específicamente mapas autoorganizados, que pueden predecir la corrupción pública basada en factores macroeconómicos y políticos.
El modelo proporciona diferentes perfiles de riesgo de corrupción, dependiendo de las condiciones económicas de una región condicional en el momento de la predicción.
A diferencia de investigaciones anteriores, que se basan en la percepción de corrupción, los investigadores utilizaron datos reales sobre casos de corrupción. Aplicaron el modelo a las provincias españolas en las que se reportaron casos de corrupción ante los tribunales, entre el año 2000 y 2012.
Los resultados muestran que los factores económicos prueban ser predictores relevantes de la corrupción.
Los investigadores evidenciaron que la tributación de los bienes inmuebles, el crecimiento económico, el aumento de los precios de la vivienda y el creciente número de instituciones de depósito y sociedades no financieras, pueden ser factores que inducen a la corrupción pública. Del mismo modo se pudo establecer una relación directa entre el tiempo que permanece en el poder el mismo partido gobernante con los hechos de corrupción.
El modelo proporciona diferentes perfiles de riesgo de corrupción dependiendo de las condiciones económicas de una región condicional en el momento de la predicción; además, proporciona diferentes marcos de tiempo para predecir la corrupción hasta 3 años antes de que se detecten casos.
El enfoque de esta investigación puede resultar atractivo tanto para los académicos, ya que proporciona una forma innovadora de predecir la corrupción pública utilizando redes neuronales, como para las autoridades públicas, al facilitar un modelo que mejora la eficiencia de las medidas destinadas a combatir la corrupción.
Via
Compartir esto: