Vol. 36 (2026): Volumen 36
Artículos de Investigación

Artificial intelligence system based on a recurrent neural network to estimate the risk of gender violence

PDF (Español (España))
  • Manuel Vladimir Vega Blanco,
  • Griselda Stephany Abarca Jiménez,
  • Jesús Mares Carreño,
  • Yunuén López Grijalba,
  • Odette Margarita Viveros Domínguez,
  • Francisco Gutiérrez Galicia
Manuel Vladimir Vega Blanco
Unidad Profesional Interdisciplinaria de Ingeniería Campus Hidalgo, Instituto Politécnico Nacional
Griselda Stephany Abarca Jiménez
Unidad Profesional Interdisciplinaria de Ingeniería Campus Hidalgo, Instituto Politécnico Nacional
Jesús Mares Carreño
Unidad Profesional Interdisciplinaria en Ingeniería Campus Hidalgo del Instituto Politécnico Nacional
Yunuén López Grijalba
Unidad Profesional Interdisciplinaria de Ingeniería Campus Hidalgo, Instituto Politécnico Nacional
Odette Margarita Viveros Domínguez
Unidad Profesional Interdisciplinaria de Ingeniería Campus Hidalgo, Instituto Politécnico Nacional
Francisco Gutiérrez Galicia
Unidad Profesional Interdisciplinaria de Ingeniería Campus Hidalgo, Instituto Politécnico Nacional
DOI: https://doi.org/10.15174/au.2026.4316

Published 2026-02-25

How to Cite

Vega Blanco, M. V., Abarca Jiménez, G. S., Mares Carreño, J., López Grijalba, Y., Viveros Domínguez, O. M., & Gutiérrez Galicia, F. (2026). Artificial intelligence system based on a recurrent neural network to estimate the risk of gender violence. Acta Universitaria, 36, 1–23. https://doi.org/10.15174/au.2026.4316

Copyright (c) 2026 Manuel Vladimir Vega Blanco, Griselda Stephany Abarca Jiménez, Jesús Mares Carreño, Yunuén López Grijalba, Odette Margarita Viveros Domínguez, Francisco Gutiérrez Galicia

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Abstract

The objective of this study is to establish the relevant information to identify, through an artificial intelligence (AI) system, which indicators increase the risk of experiencing gender-based violence. An AI system was implemented to assess the risk levels of physical, psychological, sexual, and economic violence to which a woman could be exposed, based on psychosocial factors derived from data collected from Mexican women in 2023. The methodology employed is heuristicand involves a recurrent neural network built in Python was trained with this data. The results obtained indicate that the cases of highest risk are women without a partner and those at the extremes of education levels, such as incomplete basic education or completed higher education. It can be concluded that it is possible to create a depersonalized database with quantifiable indicators to be used in future studies.

PDF (Español (España))

References

  1. Abdulla, P. P., Divyasheel, S., & Chandrika, K. R. (2023). KIKO: A tools framework for industrial domain-specific natural language processing tasks. 4th International Conference on Communication, Computing and Industry 6.0 (C2I), Bangalore, India, 01-06. https://doi.org/10.1109/C2I659362.2023.10430901
  2. Baroni, A., & Padovani, C. (2025). AI, democracy and gender equality: EU regulatory frameworks and the wager of gender mainstreaming. European Journal of Communication, 40(4), 411-432. https://doi.org/10.1177/02673231251349323
  3. Bonet, B., & Geffner, H. (2020). Learning first-order symbolic representations for planning from the structure of the state space. Proceedings of the 24th European Conference on Artificial Intelligence (ECAI-20), 2322–2329. https://doi.org/10.48550/arXiv.1909.05546
  4. Chaudhary, D., Singh, S., Patel, R., Sahoo, B. M., Shivhare, B. D., & Gupta, A. D. (2020). The relationship between neural networks and stock market predictions. Research, Innovation, Knowledge Management and Technology Application for Business Sustainability (INBUSH), Greater Noida, India, 111–118. https://doi.org/10.1109/INBUSH46973.2020.9392176
  5. Chitnis, R., Silver, T., Tenenbaum, J. B., Kaelbling, L. P., & Lozano-Pérez, T. (2021). Glib: Efficient exploration for relational model-based reinforcement learning via goal-literal babbling. Proceedings of the 35th AAAI Conference on Artificial Intelligence (AAAI-21), 11782–11791. https://doi.org/10.48550/arVix.2001.08299
  6. Chowdhury, M., & Ahmad, A. (2023). Gardener: A gardening assistance mobile application with plant details, plant shopping, expert contact, alert, and plantation tips facilities. 7th International Conference on Computation System and Information Technology for Sustainable Solutions (CSITSS), Bangalore, India, 1–6. https://doi.org/10.1109/CSITSS60515.2023.10334114
  7. Comisión Económica para América Latina y el Caribe (CEPAL). (6 de febrero de 2024). CEPAL: Al menos 4.473 mujeres fueron víctimas de feminicidio en América Latina y el Caribe en 2021. cepal.org. https://www.cepal.org/es/comunicados/cepal-al-menos-4473-mujeres-fueron-victimas-feminicidio-america-latina-caribe-2021
  8. Corte, P. S. (2024). Evaluación de impacto a los programas Proagro y Bienestar sobre los ingresos en los hogares rurales en la región golfo-centro de México. Revista de Economía, 41(103), 128-153. https://doi.org/10.33937/reveco.2024.409
  9. Dimand, R. W. (2024). James Tobin on overlapping generations models and the microeconomic foundations of macroeconomics reconsidered. Œconomia, 14(1), 21–37. https://doi.org/10.4000/oeconomia.16900
  10. González-Véliz, C., & de Andrés, S. (2023). Corrientes del ciberfeminismo y transición digital feminista en América Latina y el Caribe: hacia un futuro digital más equitativo. Revista Punto Género, (20), 31-61. https://doi.org/10.5354/2735-7473.2023.73459
  11. Hayawi, K., Shahriar, S., & Hacid, H. (2024). On digital art generation using generative adversarial networks. International Conference on Electrical, Computer and Energy Technologies (ICECET), Sydney, Australia, 1–6. https://doi.org/10.1109/ICECET61485.2024.10698003
  12. Hernández, V. I., & Almonte, L. (2024). Pobreza y especialización productiva. Un estudio de econometría espacial para los municipios de Oaxaca, México, 2020. Revista de Economía, 41(103), 99-127. https://doi.org/10.33937/reveco.2024.408
  13. Idemudia, I., & Onoshakpor, C. (2023). Gender, workforce and artificial intelligence. IEEE AFRICON, Nairobi, Kenya, 1–3. https://doi.org/10.1109/AFRICON55910.2023.10293367
  14. Instituto Nacional de Estadística y Geografía (INEGI). (2023). Tableros estadísticos de consumo y variables mensuales. https://www.inegi.org.mx/tablerosestadisticos/vcmm/
  15. Instituto Nacional de Estadística y Geografía (INEGI). (13 de marzo de 2024). Encuesta Nacional sobre la Dinámica de las Relaciones en los Hogares [Presentación de PowerPoint]. https://www.inegi.org.mx/contenidos/programas/endireh/2021/doc/endireh2021_presentacion_ejecutiva.pdf
  16. Instituto Nacional de las Mujeres (Inmujeres). (2022). Indicadores básicos sobre la violencia contra las mujeres. http://estadistica.inmujeres.gob.mx/formas/panorama_general.php?menu1=4&IDTema=4&pag=1
  17. Juba, B., & Stern, R. (2022). Learning probably approximately complete and safe action models for stochastic worlds. Proceedings of the 36th AAAI Conference on Artificial Intelligence (AAAI-22), 9795–9804. https://doi.org/10.1609/aaai.v36i9.21215
  18. Karia, R., Verma, P., Speranzon, A., & Srivastava, S. (2024). Epistemic exploration for generalizable planning and learning in non-stationary settings. Proceedings of the International Conference on Automated Planning and Scheduling, 310–318.https://doi.org/10.1609/icaps.v34i1.31489.
  19. Leal-Enríquez, E. (13 de marzo de 2024). ¿Es posible medir matemáticamente la violencia contra las mujeres?. Comisión Nacional para Prevenir y Erradicar la Violencia Contra las Mujeres. https://www.gob.mx/conavim/articulos/es-posible-medir-matematicamente-la-violencia-contra-las-mujeres?idiom=es
  20. Liu, X. M., & Murphy, D. (2022). Applying a trustworthy AI framework to mitigate bias and increase workforce gender diversity. IEEE International Symposium on Technology and Society (ISTAS), Hong Kong, 1–5. https://doi.org/10.1109/ISTAS55053.2022.10227119
  21. López, M. F., & Maldonado, N. P. (2023). Debate sobre el sujeto del feminismo: posturas y experiencias de agresión digital de mujeres feministas. Revista Punto Género, (20), 241-274. https://doi.org/10.5354/2735-7473.2023.73467
  22. Maier, E. (2007). Convenios internacionales y equidad de género: un análisis de los compromisos adquiridos por México. Papeles de Población, 13(53), 175-202. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-74252007000300008&lng=es&tlng=es
  23. Ministerio de Sanidad. (5 de febrero de 2024). Violencia y salud. https://www.sanidad.gob.es/ciudadanos/violencia/violenciaSalud
  24. Miranda, J. A., Rituerto-González, E., Luis-Mingueza, C., Canabal, M. F., Ramírez, A., & Lanza-Gutiérrez, J. M. (2022). Bindi: affective internet of things to combat gender-based violence. IEEE Internet of Things Journal, 9(21), 21174-21193. https://doi.org/10.1109/JIOT.2022.3177256
  25. Mishra, T., & Kumar, J. (2023). The role of AI in enhancing employee equality and gender justice in the IT industry. 2023 5th International Conference on Inventive Research in Computing Applications (ICIRCA), Coimbatore, India, 621–626. https://doi.org/10.1109/ICIRCA57980.2023.10220629
  26. Murcia, D. L., Rivas, L. V., Torres-Rodríguez, G. A., & Ubaque-Galván, I. P. (2024). Tierra y mujer rural en el departamento del Meta: avances de la implementación de la política de tierras en el marco del Acuerdo de paz. Equidad y Desarrollo, (43), e1574. https://doi.org/10.19052/eq.vol1.iss43.1
  27. Naciones Unidas. (30 de enero de 2023). Inteligencia artificial para detectar y prevenir la violencia contra las mujeres. https://www.unodc.org/lpomex/es/noticias/enero-2023/inteligencia-artificial-para-detectar-y-prevenir-la-violencia-contra-las-mujeres.html
  28. Oficina en México del Alto Comisionado de las Naciones Unidas para los Derechos Humanos (2011). ¿Cómo medir la violencia contra las mujeres en México?, 35. https://hchr.org.mx/wp/wp-content/themes/hchr/images/doc_pub/Libro_Indicadores_VcM_Final.pdf
  29. Paris, M., Conte, M., Civit, B., Córica, L., & Mercado, M. V. (2023). Valoración económica de las emisiones de CO₂ por el cambio de uso del suelo. Economía, Sociedad y Territorio, 23(73), 901–929. https://doi.org/10.22136/est20231883
  30. Patil, S. M., Kharat, A. M., Jain, S., Tripathi, V. V. R., Bisen, G. K., & Joshi, A. (2024). Investigating the influence and function of artificial intelligence in contemporary marketing management: marketing in the AI era. International Conference on Advances in Computing, Communication and Applied Informatics (ACCAI), Chennai, India, 1–5. https://doi.org/10.1109/ACCAI61061.2024.10602227
  31. Reyner-Fuentes, E., Rituerto-González, E., & Pelaez-Moreno, C. (2024). Machine unlearning reveals that the gender-based violence victim condition can be detected from speech in a speaker-agnostic setting. arXiv. https://doi.org/10.48550/arXiv.2411.18177
  32. Ricón-Isaza, P. N., & Grisales-Pascuaza, V. (2024). Las transformaciones y limitaciones en la participación política: una mirada de la mujer joven. Equidad y Desarrollo, (43), e1608. https://doi.org/10.19052/eq.vol1.iss43.2
  33. Rodríguez, A. (20 de octubre de 2023). Más de 100.000 fotos alteradas con IA para fines sexuales: ocho alumnas del IPN se enfrentan a la normalización de la violencia digital en México. El País. https://elpais.com/mexico/2023-10-21/mas-de-100000-fotos-alteradas-con-ia-para-fines-sexuales-ocho-alumnas-del-ipn-se-enfrentan-a-la-normalizacion-de-la-violencia-digital-en-mexico.html
  34. Rodríguez, R. E., Castro, D., & Ibarra, S. (2023). Violencia laboral de género como factor que inhibe la participación de las mujeres en el mercado de trabajo de México. Revista de Economía, 39(99), 110-133. https://doi.org/10.33937/reveco.2022.277
  35. Silva-Noreña, R., Gavira-Durón, N., Alonso-Rivera, A. (2024). Extensión del modelo de tres factores de Fama y French, rendimiento de mercados y sustentabilidad corporativa. Revista Mexicana de economía y finanzas, 19(4). https://doi.org/10.21919/remef.v19i4.1074
  36. Soldevilla, I., & Flores, N. (2021). Natural language processing through BERT for identifying gender-based violence messages on social media. Proceedings of the IEEE International Conference on Information Communication and Software Engineering. https://doi.org/10.1109/ICICSE52190.2021.9404127
  37. Teo, S. A. (2025). Artificial intelligence, human vulnerability and multi-level resilience. Computer Law & Security Review, 57, 106134. https://doi.org/10.1016/j.clsr.2025.106134
  38. Valdez-Santiago, R., Híjar-Medina, M. C., & Salgado, V. N. (2006). Escala de violencia e índice de severidad: una propuesta metodológica para medir la violencia de pareja en mujeres mexicanas. Salud Pública de México, 48(2), 221-231. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0036-36342006000800002&lng=es&tlng=es
  39. Wang, D. (2019). Analysis of travelling characteristics based on the back propagation neural network. IEEE International Conference on Power, Intelligent Computing and Systems (ICPICS), 348–352. https://doi.org/10.1109/ICPICS47731.2019.8942418
  40. Zaniolo, O., Maffezzoli, S., Povero, M., & Pradelli, L. (2024). Optimizing treatment of schizophrenia: clinical and economical potential for patient switch to long-acting injectables. Farmaeconomía, Health Economics and Therapeutic Pathways, 25(1), 9-17. https://doi.org/10.7175/fe.v25i1.1558