Repositorio Académico Institucional

Contexto: Debido a que las redes sociales se han convertido en algo de todos los días dado Internet, los niños se han vuelto más propensos a ser engañados por terceros. Entre los tipos de engaño existe el Grooming en línea, consistiendo en un adulto haciéndose pasar por niño, para mantener una relación falsa con otro menor de edad, buscando algún beneficio de índole sexual. Esta clase de personas son difíciles de detectar por el anonimato que existe en Internet, pues usan el lenguaje para camuflar su identidad. Por esta razón, varios autores han dedicado tiempo para desarrollar modelos de Aprendizaje Automático con la finalidad de detectar a estos personajes depredadores de menores. Existe un conflicto atemporal para este tipo de problemas basados en el lenguaje, y es que este ´ultimo se encuentra en constante cambio, resultando en algo complejo, para aquellos nuevos investigadores que quieran abordar la problemática, poder reunir la información relevante de investigaciones más actuales que le ayuden a desarrollar su solución. Problema: Reunir y sintetizar la información y resultados de investigaciones más actuales sobre aplicaciones de Aprendizaje Automático en Grooming en línea. Solución propuesta: Desarrollar una Revisión Sistemática de la Literatura que resuma el contenido de las investigaciones de los últimos años con un meta-análisis que evalúe la exactitud, la precisión, la sensibilidad y el F1-score (accuracy, precision, recall y F1) de los distintos algoritmos utilizados en los experimentos. Resultados: Para ACC, BiLSTM rinde con un 95 %, GB con un 94% y MLP con un 93 %. Para P, RF rinde con un 99 %, SVM con un 86% y MLP con un 81 %. Para R, LogR rinde con un 80%, MLP con un 78% y SVM con un 74 %. Para F1, MLP y SVM rinden ambos con un 79% y LogR con un 76 %. Conclusión: Los mejores algoritmos, seg´un este análisis, son MLP, SVM y LogR, con diferencias no muy grandes entre sus resultados, siendo comparados principalmente con P, R y F1.