Modelos predictivos de inteligencia artificial aplicados a la detección de violencia escolar en adolescentes: revisión sistemática bajo protocolo PRISMA 2020
Year: 2026
Type: article
Study design: Systematic Review
Abstract: La violencia escolar constituye un fenómeno multidimensional que afecta la integridad física, psicológica y el rendimiento académico de los adolescentes a nivel global. La inteligencia artificial (IA), particularmente los modelos de aprendizaje automático y aprendizaje profundo, ha emergido como herramienta prometedora para la detección temprana de factores de riesgo asociados a este fenómeno. Sin embargo, persiste una marcada escasez de modelos predictivos diseñados, entrenados y validados en contextos latinoamericanos caracterizados por alta vulnerabilidad social. Objetivo: Analizar, sintetizar y evaluar críticamente la evidencia científica disponible entre 2021 y 2025 sobre modelos predictivos de IA aplicados a la detección de violencia escolar en adolescentes (12-18 años), identificando algoritmos predominantes, variables predictoras, métricas de rendimiento y brechas investigativas. Método: Se condujo una revisión sistemática siguiendo el protocolo PRISMA 2020. La búsqueda se realizó en cinco bases de datos (Scopus, Web of Science, PubMed, IEEE Xplore y ScienceDirect), complementada con Google Scholar. Se aplicaron criterios de inclusión y exclusión predefinidos, evaluación de calidad mediante PROBAST y síntesis narrativa con matrices comparativas. Resultados: De 2.847 registros iniciales, 38 estudios cumplieron los criterios de elegibilidad. Los algoritmos más utilizados fueron Random Forest (n=24; 63,2%), Support Vector Machine (n=19; 50,0%), redes neuronales recurrentes LSTM (n=14; 36,8%) y modelos de procesamiento de lenguaje natural basados en transformers (n=11; 28,9%). Las precisiones reportadas oscilaron entre 70% y 96%, siendo los modelos ensemble y las arquitecturas CNN-LSTM los de mayor rendimiento. Las variables predictoras se distribuyeron en cinco dominios: individual, familiar, escolar, comunitario y digital. Solo 3 estudios (7,9%) fueron realizados en contextos latinoamericanos. Conclusiones: Aunque la IA demuestra capacidad predictiva significativa para la detección de violencia escolar, la evidencia revela brechas críticas: subrepresentación de contextos del Sur Global, limitada incorporación de variables socioecológicas integradas, escaso uso de técnicas de IA explicable (XAI) y ausencia de validaciones longitudinales en entornos educativos reales.
Institution: Universidad Estatal de Milagro
Language: Spanish
Subfield: Social Psychology
Field: Psychology
Domain: Social Sciences
Keywords: school violence, youth violence, prediction model, artificial intelligence, machine learning, deep learning, random forest, support vector machine, LSTM, transformer models, risk factors, early detection, Latin America, research gaps, model evaluation metrics, ensemble learning, CNN-LSTM, natural language processing, social vulnerability, academic performance, mental health, community factors, school factors
Open Access status: hybrid
OpenAlex ID: W7235575040
