Revista de Ciencias Sociales (RCS)
Vol. XXXI, No. 4, Octubre - Diciembre 2025. pp. 288-303
FCES - LUZ ● ISSN: 1315-9518 ● ISSN-E: 2477-9431
Como citar: Ziadet-Bermúdez, E.
I., García-Saltos, C. D., Sabando-Mendoza, M. V., y Sánchez-Azúa, I. M. (2025).
Algoritmos de aprendizaje automático para predecir la efectividad atribuida a
la educación penitenciaria por estudiantes universitarios. Revista De Ciencias
Sociales, XXXI(4), 288-303.
Algoritmos de aprendizaje automático para predecir la efectividad atribuida a la educación penitenciaria por estudiantes universitarios
Ziadet-Bermúdez, Elicza Isabel*
García-Saltos,
Carmita Dolores**
Sabando-Mendoza,
María Verónica***
Sánchez-Azúa,
Iris María****
Resumen
La
educación penitenciaria constituye un eje estratégico en los procesos de
reinserción social y garantía del derecho a la educación en contextos de
privación de libertad. El objetivo del trabajo fue predecir la efectividad de
la educación penitenciaria desde la perspectiva de estudiantes de la carrera de
Derecho en la Universidad Estatal de Milagro, Ecuador. La metodología adoptó un
enfoque cuantitativo, de tipo aplicada, con diseño no experimental y corte
transversal. La muestra intencional estuvo conformada por 100 estudiantes, a
los que se les aplicó un cuestionario estructurado validado por expertos. Los
datos fueron procesados mediante análisis multivariado y técnicas de minería de
datos en Orange Data Mining, utilizando modelos como AdaBoost, regresión
logística y gradient boosting. Se evidenció que las variables con mayor
capacidad explicativa fueron el diseño e implementación de programas educativos
y el impacto en la resocialización; mientras que las variables
sociodemográficas mostraron escasa incidencia predictiva. El modelo AdaBoost
obtuvo el mayor rendimiento en métricas de precisión, sensibilidad y
calibración. Se concluye que la percepción estudiantil sobre la efectividad de
la educación penitenciaria está determinada más por factores pedagógicos que
biográficos, y que los modelos predictivos constituyen una herramienta robusta
para fortalecer la formación en derechos humanos.
Palabras clave: Aprendizaje automático; educación penitenciaria;
derechos humanos; evaluación educativa; enseñanza jurídica.
* Magister
en Administración de Empresas con mención en Marketing. Abogada. Licenciada en
Ciencias Sociales y Políticas. Docente en la Universidad Estatal de
Milagro, Milagro, Guayas, Ecuador. E-mail: eziadetb@unemi.edu.ec ORCID: http://orcid.org/0000-0001-9755-3936
** Doctor
en Jurisprudencia. Magister en Derechos Fundamentales y Justicia Constitucional.
Magister en Educación y Desarrollo Social. Magister en Ciencias Penales y
Criminológicas. Especialista en Procedimientos Constitucionales. Especialista
en Ciencias Penales y Criminológicas. Abogado. Licenciado en Ciencias Políticas
y Sociales. Docente en la Universidad Estatal de Milagro, Milagro, Guayas,
Ecuador. E-mail: carmita.garcia@utm.edu.ec ORCID: https://orcid.org/0000-0002-9445-1253
*** Magister
en Derecho Digital y Sociedad Red. Magister en Derecho Notarial y Registral.
Abogada de los Juzgados y Tribunales de la República. Docente en la Universidad
Regional Autónoma de los Andes (UNIANDES), Quevedo, Ecuador. E-mail: mariasm99@uniandes.edu.ec ORCID: https://orcid.org/0000-0001-5471-7304
**** Doctoranda
en Humanidades y Estudios Sociales en América Latina en la Universidad de
Alicante, España. Magister Universitaria en Intervención Social en las
Sociedades del Conocimiento. Licenciada en Trabajo Social. Docente en la
Universidad Técnica de Manabí, Portoviejo, Manabí, Ecuador. E-mail: iris.sanchez@utm.edu.ec ORCID: https://orcid.org/0000-0002-2109-4435
Recibido: 2025-06-21 • Aceptado: 2025-09-08
Machine learning algorithms to predict the
effectiveness attributed to prison education by university students
Abstract
Prison education is a strategic pillar in the
processes of social reintegration and guaranteeing the right to education in
contexts of incarceration. The objective of this study was to predict the
effectiveness of prison education from the perspective of law students at the
State University of Milagro, Ecuador. The methodology adopted a quantitative,
applied approach with a non-experimental, cross-sectional design. The purposive
sample consisted of 100 students, who completed a structured questionnaire
validated by experts. The data were processed using multivariate analysis and
data mining techniques in Orange Data Mining, employing models such as
AdaBoost, logistic regression, and gradient boosting. The results showed that
the variables with the greatest explanatory power were the design and
implementation of educational programs and their impact on resocialization,
while sociodemographic variables showed little predictive value. The AdaBoost
model achieved the highest performance in terms of precision, sensitivity, and
calibration. It is concluded that students’ perceptions of the effectiveness of
prison education are determined more by pedagogical than biographical factors,
and that predictive models constitute a robust tool for strengthening human
rights training.
Keywords: Machine learning; prison education;
human rights; educational assessment; legal education.
Introducción
La
educación penitenciaria, concebida como un mecanismo de transformación social,
se ha consolidado en la agenda internacional como una estrategia fundamental
para garantizar la reintegración efectiva de las personas privadas de libertad
(Hathazy, 2016; García et al., 2020; Barbosa et al., 2022; Centeno et al.,
2022; Villamar et al., 2024).
Diversos
organismos multilaterales, como la UNESCO, han subrayado que la educación en
contextos de encierro no debe entenderse únicamente como un derecho, sino
también como una herramienta de rehabilitación integral que incide en la
disminución de los índices de reincidencia y en el fortalecimiento del tejido
social (Pulido, 2023; Oganetse, 2025). No obstante, el éxito de estas
iniciativas depende en gran medida de la calidad, continuidad y pertinencia de
los programas formativos ofrecidos, los cuales deben ser coherentes con las
condiciones estructurales del sistema penitenciario y con los marcos normativos
de protección de los derechos humanos.
En
América Latina los estudios empíricos han identificado profundas brechas entre
el discurso institucional y la realidad operativa de los centros de
rehabilitación social (Phelps, 2011; Joutsenvirta y Vaara, 2015). Las
limitaciones materiales, la insuficiencia de personal capacitado y la ausencia
de políticas públicas sostenibles generan un entorno adverso para la
implementación de programas educativos eficaces. Rangel
(2019), sostiene que estas limitaciones afectan no solo la cobertura y calidad
del proceso formativo, sino también la legitimidad del derecho a la educación
dentro de las cárceles. Esta situación repercute directamente en la percepción
del sistema penitenciario por parte de los beneficiarios y de los futuros
profesionales del derecho, quienes, desde el ámbito académico, carecen muchas
veces de herramientas analíticas que les permitan comprender la complejidad de
los procesos de resocialización.
Frente a este escenario, la incorporación de
tecnologías emergentes, como los algoritmos de aprendizaje automático, ofrece
una oportunidad para innovar en la evaluación, seguimiento y predicción de la
eficacia de la educación en contextos penitenciarios. Estos modelos permiten
procesar grandes volúmenes de datos y descubrir patrones latentes en las
percepciones, conocimientos y actitudes de los actores implicados (Shu y Ye,
2023). En el campo jurídico-formativo, su aplicación resulta especialmente
pertinente puesto que posibilita una aproximación más empírica y dinámica al
análisis de cómo los estudiantes de Derecho construyen su conocimiento sobre el
sistema penitenciario y su valoración respecto al papel de la educación como
mecanismo de resocialización.
En este sentido, el estudio de la percepción de
estudiantes universitarios sobre la educación penitenciaria mediante técnicas
de inteligencia artificial no solo representa una innovación metodológica, sino
también un aporte sustantivo a la justicia educativa. La posibilidad de
anticipar patrones de valoración, identificar factores críticos de éxito y
diseñar intervenciones curriculares más ajustadas a las necesidades reales de
los contextos de encierro, fortalece la formación jurídica con enfoque en
derechos humanos (Polaschek, 2011). Asimismo, promueve una visión más
humanista, integral e interdisciplinaria de la educación en cárceles, alejándose
de concepciones meramente punitivas para asumir un compromiso con la
transformación social basada en evidencia empírica y responsabilidad
institucional (Barton y Ho, 2021; Trivedi y Ray, 2024).
En este marco, se plantea como pregunta problema:
¿De qué manera los algoritmos de aprendizaje automático pueden predecir la
efectividad de la educación penitenciaria percibida por estudiantes de la
carrera de Derecho en la Universidad Estatal de Milagro? Para abordar esta
interrogante, se plantean las siguientes hipótesis:
H1: A mayor valoración del diseño educativo,
mayor percepción de efectividad en la educación penitenciaria.
H2: La percepción del impacto en la
resocialización predice positivamente la efectividad percibida.
H3: Las variables sociodemográficas tienen
baja capacidad predictiva en comparación con las pedagógicas.
H4: AdaBoost, regresión
logística y gradient boosting presentan
mayor precisión predictiva.
H5: Estudiantes de niveles superiores
perciben mayor efectividad educativa en contextos penitenciarios.
H6: Una baja valoración del diseño educativo
y la resocialización predice baja efectividad percibida.
En
consecuencia, el objetivo fue predecir la efectividad de la educación
penitenciaria desde la percepción de estudiantes de la carrera de Derecho en la
Universidad Estatal de Milagro-Ecuador, mediante algoritmos de aprendizaje
automático. Este modelo busca no solo generar evidencia empírica que fortalezca
la formación en derechos humanos en el ámbito universitario, sino también
contribuir al diseño de estrategias institucionales que promuevan una justicia
educativa más inclusiva y efectiva en el sistema penitenciario.
1.
Metodología
El
presente estudio adoptó un enfoque cuantitativo, orientado a la construcción de
un modelo predictivo basado en algoritmos de aprendizaje automático, con el fin
de identificar los factores que inciden en la percepción estudiantil sobre la
educación penitenciaria. Se trató de una investigación de tipo aplicada, con un
diseño no experimental de corte transversal, que permitió recolectar datos en
un único momento temporal, sin manipulación de variables, favoreciendo el
análisis correlacional y predictivo de los datos obtenidos. El nivel de
investigación se ubicó en el plano explicativo, en tanto se buscó comprender y
modelar las relaciones entre variables sociodemográficas, académicas y
actitudinales, con el conocimiento y posicionamiento de los estudiantes
respecto a la educación en contextos de privación de libertad.
La
población objeto del estudio estuvo conformada por estudiantes de la carrera de
Derecho en la Universidad Estatal de Milagro en Ecuador, de los cuales se
seleccionó una muestra intencional de 100 participantes que cumplían con
criterios de inclusión tales como: Estar matriculados en los últimos niveles de
formación, haber cursado asignaturas vinculadas a derechos humanos o
penitenciarios, y brindar su consentimiento informado para participar. Se
excluyeron estudiantes que no cursaban las materias mencionadas o que no
completaron el cuestionario en su totalidad. En la Figura I, se representa el
flujo integral de trabajo desarrollado para la implementación de algoritmos de
aprendizaje automático en la predicción de la educación penitenciaria, desde la
perspectiva de estudiantes de Derecho.
Fuente: Elaboración propia, 2025.
Figura I: Arquitectura de modelos de aprendizaje
automático para la predicción de la educación penitenciaria
La
Figura I, representa un sistema de análisis multialgorítmico en el que se
integraron modelos de regresión logística, árboles de decisión, random forest, naive
Bayes, gradient boosting, máquinas de
vectores de soporte y redes neuronales, entrenados con los datos del
cuestionario aplicado a los estudiantes. El desempeño de cada modelo se evaluó
mediante métricas como la matriz de confusión, el área bajo la curva ROC y las
curvas de calibración, lo que permitió determinar su eficacia predictiva. Este
enfoque no solo optimizó la precisión de los modelos, sino que también
posibilitó la identificación de las variables con mayor incidencia en la
predicción del conocimiento penitenciario a través de módulos de importancia de
características y de explicación de modelos.
La
recolección de información se llevó a cabo mediante una encuesta estructurada
aplicada de forma presencial en el marco de clases colaborativas. El instrumento
consistió en un cuestionario diseñado ad hoc,
integrado por ítems categóricos y escalas
tipo Likert, validadas a través del juicio
de expertos. Dicho cuestionario estuvo orientado a medir variables vinculadas
al conocimiento sobre educación penitenciaria, las actitudes hacia la
reinserción social, el interés jurídico-social y las competencias digitales
básicas. Para garantizar la validez de contenido y la claridad de los ítems, se realizó un proceso de revisión y ajuste
conceptual que aseguró la pertinencia de las mediciones.
En
cuanto al procesamiento de los datos, inicialmente se efectuaron análisis
descriptivos y multivariantes, seguidos de la implementación de algoritmos de
aprendizaje automático bajo un enfoque supervisado. Se trabajó con un conjunto de
entrenamiento de 85 observaciones y un conjunto de validación de 15, evaluando
los modelos a través de métricas de precisión, sensibilidad, puntuación F1 y
área bajo la curva ROC. El proceso se desarrolló en el software de código abierto Orange Data Mining (versión 3.38.1), que
posibilitó la integración de visualizaciones explicativas, curvas de
calibración y matrices de confusión.
2.
Resultados y discusión
Los
hallazgos del presente estudio permiten identificar tendencias relevantes en la
percepción de los estudiantes de la carrera de Derecho respecto a la educación
penitenciaria, a partir de la aplicación de modelos de aprendizaje automático.
La Figura II, presenta una visualización de las variables evaluadas y su
relación con la efectividad de la educación penitenciaria, medida como variable
objetivo en el modelo predictivo.
Fuente: Elaboración propia, 2025.
Figura II: Distribución y tendencia de las variables
predictoras asociadas a la educación penitenciaria
La
Figura II, evidencia una valoración positiva de la resocialización y del marco
regulador, aunque con percepciones menos sólidas sobre la planificación
educativa en prisiones. Este hallazgo revela una limitación en la formación
jurídica universitaria, centrada en lo normativo y con escasa inclusión de
enfoques pedagógicos y socioeducativos. Esta brecha coincide con lo señalado
por Herrity et al. (2021), quienes argumentan que la ausencia de formación
interdisciplinaria en los programas de Derecho restringe la comprensión
integral del fenómeno penitenciario. Además, estos resultados revelan la
urgencia de fortalecer los vínculos entre la academia y las instituciones
penitenciarias, a través de prácticas preprofesionales, observatorios de
derechos humanos o clínicas jurídicas, que permitan articular la teoría con
escenarios reales de intervención.
Asimismo,
los modelos predictivos clasificaron la efectividad de la educación
penitenciaria mayoritariamente en un nivel alto, lo que refleja una valoración
positiva por parte de los estudiantes. No obstante, esta apreciación parece
responder más a una construcción teórica e idealizada que a un conocimiento
empírico del sistema penitenciario.
Surge
así la necesidad de contrastar percepción y realidad institucional,
considerando que en América Latina los programas educativos en prisiones
enfrentan limitaciones estructurales como la sobrepoblación, la falta de
recursos y la discontinuidad de la oferta (Jaitman, 2019; Tobón, 2022). Por
consiguiente, si bien los estudiantes valoran el potencial transformador de la
educación en contextos de encierro, su desconocimiento de los obstáculos
estructurales podría afectar la objetividad de sus juicios. En este sentido, se
reafirma lo expresado por Cabral y Santos (2018), quienes señalan que la
formación en derechos penitenciarios debe incorporar no solo el marco jurídico,
sino también las condiciones reales de implementación de políticas públicas.
En la
Tabla 1, se sintetizan las métricas de rendimiento obtenidas a partir de la
validación cruzada estratificada de 10 pliegues para los algoritmos de
aprendizaje automático aplicados al presente estudio. Se comparan las
capacidades predictivas de cada modelo tanto para la clase objetivo Baja
efectividad como para la clase Alta Efectividad en relación con la educación
penitenciaria.
Tabla 1
Desempeño de algoritmos de aprendizaje automático en la predicción de la
efectividad de la educación penitenciaria
|
Modelo |
AUC (Low) |
CA (Low) |
F1 (Low) |
Prec (Low) |
Recall (Low) |
MCC (Low) |
AUC (High) |
CA (High) |
F1 (High) |
Prec (High) |
Recall (High) |
MCC (High) |
|
Logistic Regression |
0.940 |
0.867 |
0.667 |
0.667 |
0.667 |
0.634 |
0.940 |
0.967 |
0.967 |
0.967 |
0.967 |
0.834 |
|
Tree |
0.930 |
0.462 |
0.750 |
0.333 |
0.667 |
0.471 |
0.930 |
0.983 |
0.983 |
0.989 |
0.978 |
0.471 |
|
Gradient Boosting |
0.940 |
0.867 |
0.667 |
0.667 |
0.667 |
0.634 |
0.940 |
0.967 |
0.967 |
0.967 |
0.967 |
0.834 |
|
Random Forest |
0.920 |
0.429 |
0.600 |
0.600 |
0.600 |
0.409 |
0.920 |
0.957 |
0.937 |
0.978 |
0.896 |
0.409 |
|
k-Nearest Neighbors |
0.940 |
0.571 |
1.000 |
0.444 |
0.556 |
0.569 |
0.940 |
0.947 |
0.947 |
0.947 |
0.947 |
0.569 |
|
SVM |
0.920 |
0.520 |
0.818 |
0.111 |
0.111 |
0.320 |
0.920 |
0.968 |
0.919 |
1.000 |
0.846 |
0.320 |
|
SGD |
0.900 |
0.533 |
0.545 |
0.444 |
0.600 |
0.370 |
0.900 |
0.950 |
0.950 |
0.950 |
0.950 |
0.370 |
|
Neural Network |
0.930 |
0.533 |
0.667 |
0.444 |
0.500 |
0.509 |
0.930 |
0.967 |
0.947 |
0.978 |
0.918 |
0.509 |
|
Naive Bayes |
0.810 |
0.387 |
0.273 |
0.667 |
0.200 |
0.339 |
0.810 |
0.888 |
0.928 |
0.978 |
0.885 |
0.339 |
|
AdaBoost |
0.980 |
0.778 |
0.778 |
0.778 |
0.778 |
0.756 |
0.980 |
0.978 |
0.978 |
0.978 |
0.978 |
0.756 |
Fuente: Elaboración propia, 2025.
El
análisis de los resultados muestra que el modelo AdaBoost
obtuvo el mejor desempeño general en ambas clases, con valores elevados en
todas las métricas (AUC = 0.980; CA = 0.778 y 0.978; MCC = 0.756), lo que
indica una alta robustez y estabilidad en la predicción del nivel de
efectividad de la educación penitenciaria. Este hallazgo es consistente con lo
planteado por Hornyák e Iantovics (2023), quienes destacan la capacidad de AdaBoost para reducir el error de clasificación
mediante la combinación iterativa de clasificadores débiles, generando un
modelo final altamente preciso.
Asimismo,
los algoritmos de regresión logística y gradient
boosting también mostraron un rendimiento sólido, especialmente al
predecir la clase alta, con puntuaciones F1 de 0.967 y un MCC de 0.834, lo que
sugiere su idoneidad para contextos con datos balanceados y estructuras de
relación complejas entre las variables.
Por
otra parte, modelos como Naive Bayes y SGD
presentaron el menor desempeño, particularmente en la predicción de la clase
baja, lo cual se alinea con estudios previos que han advertido sobre las
limitaciones de estos algoritmos en presencia de correlaciones
interdependientes entre atributos (Bharati y Podder, 2022; Tavares et al., 2025).
Estas diferencias en el rendimiento evidencian la importancia de seleccionar
cuidadosamente el algoritmo según la naturaleza de los datos y la distribución
de las clases. En este sentido, los hallazgos refuerzan la utilidad del enfoque
multialgorítmico para identificar el modelo más eficaz en la predicción del
conocimiento penitenciario, ofreciendo una base empírica para desarrollar
estrategias formativas más personalizadas en la educación jurídica.
A
continuación, se presenta la Figura III, donde se identifican las variables con
mayor capacidad explicativa en la predicción del nivel de efectividad de la
educación penitenciaria. Se procedió a ejecutar un análisis de importancia de
características utilizando la métrica de disminución en el área bajo la curva (Decrease in AUC).
Fuente: Elaboración propia, 2025.
Figura III: Factores de importancia que impacta
en el nivel de conocimiento penitenciario
La
Figura III, muestra que la exclusión del diseño e implementación educativa
reduce más el rendimiento del modelo, seguida por la resocialización. En
cambio, edad, nivel de estudios y sexo, aportan de forma marginal, confirmando
que la percepción estudiantil depende principalmente de factores pedagógicos y
rehabilitadores. Esta evidencia empírica respalda lo planteado por Payne y Bryant (2018), quienes subrayan que la percepción
de eficacia en la educación penitenciaria se encuentra estrechamente vinculada
con el conocimiento explícito sobre su diseño curricular, metodologías
aplicadas y adaptabilidad a contextos de encierro.
Asimismo, investigaciones como la de Kakupa y
Mulenga (2021) han demostrado que los estudiantes que han tenido mayor
exposición a contenidos pedagógicos relacionados con el sistema penitenciario
desarrollan niveles superiores de conciencia crítica y valoración de la
educación como herramienta de reinserción. Por tanto, se discierne que el nivel
de conocimiento no es producto de factores biográficos, sino de una
construcción académica derivada de procesos formativos concretos, lo que
posiciona al diseño curricular como un elemento clave en la promoción de una
justicia educativa con enfoque de derechos.
Desde una perspectiva interpretativa, estos
hallazgos son coherentes con lo expuesto por Linden y Perry (1983), quienes
sostienen que la eficacia de los programas de educación penitenciaria no puede
analizarse al margen de su diseño estructural, dado que este determina en gran
medida tanto el alcance formativo como la legitimidad de su implementación. A
su vez, Gastil et al. (2018) destacan que los programas penitenciarios con
mayor impacto son aquellos que articulan de forma coherente los objetivos
educativos con estrategias sostenidas de resocialización, incidiendo
directamente en la reducción de la reincidencia y en el fortalecimiento de las
trayectorias de vida de los internos.
En este sentido, la baja capacidad predictiva de
variables como edad o sexo confirma lo planteado por Mukasheva et al. (2024),
quienes argumentan que las percepciones sobre el derecho a la educación en
contextos penitenciarios se explican más por la formación académica
especializada que por factores sociodemográficos.
La
Figura IV, presenta una visualización comparativa generada mediante el módulo Explain Prediction del software Orange Data Mining. Esta herramienta
permite observar el impacto diferencial de cada predictor en función de si el
modelo clasifica una observación dentro de la categoría de baja efectividad
(izquierda) o alta efectividad (derecha) en relación con la educación
penitenciaria.
Fuente: Elaboración propia, 2025.
Figura IV: Variables predictoras en la salida del modelo
según clase objetivo
La
Figura IV, muestra que en la clase de baja efectividad el modelo otorga mayor
peso a la resocialización y al diseño educativo, cuyos valores bajos orientan
la predicción hacia esta categoría. Esto indica que percepciones limitadas
sobre el potencial rehabilitador y pedagógico, aumentan la probabilidad de
valoración negativa. Estos hallazgos son consistentes con lo planteado por
Quiroga-Carrillo et al. (2024), quienes advierten que los déficits en la
formación específica sobre educación en contextos carcelarios se traducen en
valoraciones negativas y simplificadas del fenómeno, muchas veces basadas en
prejuicios o información incompleta.
En
contraste, la predicción de la clase alta efectividad se explica por aportes
positivos de la resocialización y el diseño educativo, asociando estas
valoraciones con un conocimiento más sólido. Asimismo, el avance en la carrera
de Derecho aporta levemente, especialmente en semestres superiores vinculados a
contenidos de derechos humanos y justicia restaurativa. Esta observación
coincide con lo argumentado por Speed et al. (2020), quienes afirman que la
formación avanzada incrementa la sensibilidad jurídica frente a los derechos de
las personas privadas de libertad, y mejora la capacidad de análisis
estructural sobre las condiciones del sistema penitenciario.
La
Figura V, presenta una representación gráfica, conocida como stacked area chart, que permite examinar el
impacto acumulado y diferenciado de las variables independientes sobre las
predicciones del modelo para las clases baja y alta, ordenadas jerárquicamente
por similitud de instancia.
Fuente: Elaboración propia (2025).
Figura V: Contribución acumulada de las variables
predictoras en las clases de efectividad baja y alta
La
Figura V, muestra que en la clase de baja efectividad existe alta variabilidad
en la contribución de las variables, reflejando diferencias notables entre
individuos. Esta oscilación indica que la percepción negativa depende de
combinaciones específicas en factores como diseño educativo y resocialización.
Este hallazgo se alinea con lo argumentado por Tavoschi et al. (2018), quienes
advierten que las valoraciones negativas sobre la educación penitenciaria
suelen estar asociadas a la falta de información estructurada, generando
respuestas heterogéneas incluso dentro de poblaciones académicas similares.
Conforme se avanza en las instancias, la gráfica muestra una estabilización,
donde las contribuciones se vuelven más uniformes, reflejando una menor
sensibilidad del modelo ante diferencias individuales en los casos con menor
carga informativa.
En
contraste, para la clase alta efectividad, se observa un comportamiento
inverso: Las primeras instancias muestran una contribución más homogénea y
predominantemente positiva, lo que refleja una tendencia más consistente del
modelo para clasificar a quienes poseen percepciones informadas y afirmativas
respecto al valor de la educación penitenciaria. Este patrón es coherente con
lo señalado por Kilkelly et al. (2023), quienes sostienen que los estudiantes
con mayor exposición académica a temas vinculados a justicia penal, derechos
humanos y reinserción social tienden a tener evaluaciones más estables y
fundamentadas sobre la función rehabilitadora de los programas educativos en
contextos de privación de libertad.
Se
presenta a continuación la Figura VI, correspondiente a las curvas de
calibración (Calibration Plot) generadas
para cada algoritmo. Estas curvas permiten contrastar la probabilidad estimada
por el modelo con la frecuencia observada de la clase objetivo, permitiendo así
valorar si el modelo está bien calibrado, es decir, si las predicciones
probabilísticas reflejan adecuadamente la realidad empírica.
Fuente: Elaboración propia, 2025.
Figura VI: Curvas de calibración de los algoritmos de
aprendizaje automático para la predicción del nivel de conocimiento
penitenciario
La
Figura VI muestra que, en la clase de baja efectividad, AdaBoost, Gradient
Boosting y Logistic Regression
presentan la mejor calibración al aproximarse a la diagonal ideal. Esto
evidencia predicciones precisas y niveles de confianza ajustados, esenciales en
decisiones basadas en evidencia cuantitativa. Estas observaciones son
coherentes con los aportes de Bentéjac et al. (2021), quienes demostraron que
modelos como Gradient Boosting presentan
ventajas en términos de calibración, especialmente cuando se aplica una función
sigmoide como método de ajuste.
En la
clase de alta efectividad, AdaBoost, Logistic Regression y Gradient
Boosting se confirmaron como los modelos más cercanos a la calibración
ideal. Esta consistencia respalda su precisión y capacidad de estimar con
certeza en estudios de justicia educativa. Además, la baja calibración
observada en modelos como Neural Network y
SVM para ciertos rangos de probabilidad, coincide con estudios como el de
Moradi et al. (2020), quienes señalan que modelos complejos tienden a generar
predicciones mal calibradas si no se aplican técnicas de regularización
adecuadas.
La
Figura VII, permite identificar cómo cada variable contribuye positiva o
negativamente a la asignación de una observación a la clase alta o baja
efectividad del nivel de conocimiento penitenciario, utilizando una
representación vertical de impacto ponderado.
Fuente: Elaboración propia, 2025.
Figura VII: Contribución individual de variables al nivel
de conocimiento penitenciario según clase objetivo
La
Figura VII, evidencia que en la clase de alta efectividad las variables más
influyentes son la resocialización (1.13) y el diseño educativo (1.05),
consolidando percepciones positivas del sistema penitenciario. En contraste, el
rol regulador mostró un efecto marginal (0.23). Este patrón evidencia que los
factores pedagógicos y resocializadores tienen un peso explicativo superior al
institucional, lo cual coincide con lo expuesto por Justice y Meares (2014)
quienes identifican que los estudiantes valoran más el contenido educativo y su
potencial rehabilitador que el aparato normativo que lo regula. En este
sentido, se argumenta que el nivel de conocimiento percibido responde a la
internalización de valores formativos antes que al conocimiento del marco
jurídico-administrativo.
En la
clase de baja efectividad se observa un patrón inverso, donde la subvaloración
de la resocialización (-1.13) y del diseño educativo (-1.05) impactan
negativamente. Solo el rol del sistema penitenciario aporta levemente de forma
positiva (0.23), reflejando una visión normativa más que pedagógica. Esta
inversión interpretativa ha sido también abordada por Stamatiou et al. (2022),
quienes afirman que la ausencia de formación pedagógica específica sobre el
sistema penitenciario genera percepciones basadas en estigmas institucionales,
más que en evidencia formativa.
Por
tanto, es necesario incorporar contenidos curriculares que prioricen la
dimensión pedagógica y resocializadora de la educación penitenciaria, en
coherencia con enfoques humanistas y restaurativos promovidos por organismos
(Sánchez, 2020; Da Silva y Pich, 2024). Esta integración curricular no solo
fortalecería el conocimiento sustantivo en el ámbito penitenciario, sino que
también promovería una cultura jurídica más orientada a la transformación
social.
Conclusiones
La
educación penitenciaria ha sido reconocida como una herramienta fundamental
para la resocialización y la garantía del derecho a la educación en contextos
de privación de libertad. En este marco, el presente estudio tuvo como objetivo
predecir la efectividad de la educación penitenciaria desde la perspectiva de
estudiantes de la carrera de Derecho en la Universidad Estatal de
Milagro-Ecuador, mediante la aplicación de algoritmos de aprendizaje
automático.
Los
resultados obtenidos permitieron dar cumplimiento al objetivo planteado y, en
consecuencia, responder a la pregunta de investigación. El análisis
multialgorítmico validó que los modelos AdaBoost,
regresión logística y gradient boosting
ofrecieron el mejor rendimiento predictivo, evidenciando su capacidad para
estimar con precisión el nivel de efectividad atribuido a la educación
penitenciaria. Se constató, además, que las variables con mayor peso
explicativo fueron el diseño e implementación de programas educativos, así como
el impacto en la resocialización; mientras que los factores sociodemográficos
mostraron una contribución marginal.
Estas
evidencias empíricas permitieron confirmar las hipótesis formuladas, ratificando
que las percepciones estudiantiles están determinadas por factores formativos
más que biográficos, y que la calidad del diseño pedagógico influye
directamente en la valoración positiva del sistema educativo penitenciario.
Entre
las limitaciones del estudio se destaca el tamaño muestral reducido y la
aplicación restringida a una única carrera universitaria, lo cual limita la
generalización de los hallazgos. Asimismo, la naturaleza transversal del diseño
impidió evaluar cambios en la percepción a lo largo del tiempo. En futuras
investigaciones se recomienda ampliar la muestra a estudiantes de otras
disciplinas sociales y jurídicas, incorporar análisis longitudinales y
complementar los modelos predictivos con enfoques cualitativos que permitan una
comprensión más profunda.
Los
hallazgos de este estudio constituyen una base empírica relevante para el
rediseño de estrategias curriculares en la formación jurídica universitaria,
promoviendo una visión crítica, informada y humanista sobre la educación en
contextos de encierro, y contribuyendo al fortalecimiento de una justicia
educativa más inclusiva, equitativa y orientada a la transformación social.
Referencias
bibliográficas
Barbosa,
R., Goldberg, A., y Díaz, X. P. (2022). Social reintegration programs for former
inmates in Brazil: Is there a gender perspective? Ciência & Saúde Coletiva, 27(12), 4599-4616. https://doi.org/10.1590/1413-812320222712.13012022en
Barton, K. C., y Ho, L.-C. (2021). Curriculum for Justice and Harmony: Deliberation, knowledge, and action in social and civic education. Routledge. https://doi.org/10.4324/9781003010104
Bentéjac, C., Csörgő, A., y Martínez-Muñoz, G.
(2021). A comparative analysis
of gradient boosting algorithms. Artificial Intelligence Review, 54(3),
1937-1967. https://doi.org/10.1007/s10462-020-09896-5
Bharati,
S., y Podder, P. (2022). Machine and deep learning for iot security and privacy:
Applications, challenges, and future directions. Security and Communication
Networks. https://doi.org/10.1155/2022/8951961
Cabral,
S., y Santos, M.-F. (2018). Accountability mechanisms in public services:
Activating new dynamics in a prison system. International Public Management
Journal, 21(5), 795-821. https://doi.org/10.1080/10967494.2016.1141815
Centeno, E., Mondragón, S. L., Ospina, E. F., y
Franco, L. M. (2022). Resocialización
de la pena: Retos desde las nuevas tecnologías de la información y la
comunicación. Revista de Ciencias Sociales (Ve), XXVIII(4), 303-314. https://doi.org/10.31876/rcs.v28i4.39132
Da Silva, T. P., y Pich, N. (2024). A ressocialização de indivíduos
encarcerados e o direito à educação. RCMOS - Revista Científica
Multidisciplinar O Saber, 3(1), 1-10. https://doi.org/10.51473/ed.al.v3i1.503
García,
C., Marroquín, M. L., y Martínez, M. C. (2020). Visión resocializadora del
sistema penitenciario en Colombia. Revista de Ciencias Sociales (Ve), XXVI(4),
217-231. https://doi.org/10.31876/rcs.v26i4.34659
Gastil,
J., Knobloch, K. R., Reedy, J., Henkels, M., y Cramer, K. (2018). Assessing the
Electoral Impact of the 2010 Oregon Citizens’ Initiative Review. American
Politics Research, 46(3), 534-563. https://doi.org/10.1177/1532673X17715620
Hathazy,
P. (2016). Remaking the prisons of the market democracies: New experts, old
guards and politics in the carceral fields of Argentina and Chile. Crime,
Law and Social Change, 65(3), 163-193. https://doi.org/10.1007/s10611-015-9579-1
Herrity,
K., Schmidt, B. E. y Warr, J. (2021). Introduction: Welcome to the sensorium.
In K. Herrity, B. E. Schmidt y J. Warr (Eds.), Sensory Penalities: Exploring
the Senses in Spaces of Punishment and Social Control (pp. i–xxxiv).
Emerald Publishing Limited. https://doi.org/10.1108/978-1-83909-726-320210016
Hornyák,
O., e Iantovics, L. B. (2023). AdaBoost algorithm could lead to weak results
for data with certain characteristics. Mathematics, 11(8), 1801. https://doi.org/10.3390/math11081801
Jaitman,
L. (2019). Frontiers in the economics of crime: lessons for Latin America and
the Caribbean. Latin American Economic Review, 28(1), 19. https://doi.org/10.1186/s40503-019-0081-5
Joutsenvirta,
M., y Vaara, E. (2015). Legitimacy struggles and political corporate social
responsibility in international settings: A comparative discursive analysis of
a contested investment in Latin America. Organization Studies, 36(6),
741-777. https://doi.org/10.1177/0170840615571958
Justice,
B., y Meares, T. L. (2014). How the criminal justice system educates citizens? The
ANNALS of the American Academy of Political and Social Science, 651(1),
159-177. https://doi.org/10.1177/0002716213502929
Kakupa,
P., y Mulenga, K. M. (2021). Does correctional education matter? Perspectives of prisoners at a male
adult maximum-security prison in Zambia. International Journal of
Educational Research Open, 2, 100090. https://doi.org/10.1016/j.ijedro.2021.100090
Kilkelly,
U., Forde, L., Lambert, S., y Swirak, K. (2023). Children in Conflict with
the Law: Rights, Research and Progressive Youth Justice. https://doi.org/10.1007/978-3-031-36652-9
Linden, R., y Perry, L. (1983). The Effectiveness of Prison Education Programs. Journal of Offender Counseling Services Rehabilitation, 6(4), 43-57. https://doi.org/10.1300/J264v06n04_04
Moradi, R., Berangi, R., y Minaei, B. (2020). A survey of regularization
strategies for deep models. Artificial Intelligence Review, 53(6),
3947-3986. https://doi.org/10.1007/s10462-019-09784-7
Mukasheva,
D., Tulkinbayev, N., Prilutskaya, M., Yessimova, D., y Stöver, H. (2024).
Behind bars: Understanding prisoner perception of penitentiary rehabilitation
in Kazakhstan. International Journal of Law, Crime and Justice, 77,
100669. https://doi.org/10.1016/j.ijlcj.2024.100669
Oganetse,
D. K. (2025). Personalized Learning for Incarcerated Students. In S. Hai-Jew
(Ed.), Mitigating Learner Disadvantages in Teaching and Learning (pp.
359-396). IGI Global. https://doi.org/10.4018/979-8-3693-8623-1.ch013
Payne,
Y. A., y Bryant, A. (2018). Street participatory action research in prison: A methodology
to challenge privilege and power in correctional facilities. The Prison
Journal, 98(4), 449-469. https://doi.org/10.1177/0032885518776378
Phelps,
M. S. (2011). Rehabilitation in the punitive era: The gap between rhetoric and
reality in U.S. prison programs. Law & Society Review, 45(1),
33-68. https://doi.org/10.1111/j.1540-5893.2011.00427.x
Polaschek,
D. L. L. (2011). Many sizes fit all: A preliminary framework for
conceptualizing the development and provision of cognitive–behavioral
rehabilitation programs for offenders. Aggression and Violent Behavior, 16(1),
20-35. https://doi.org/10.1016/j.avb.2010.10.002
Pulido,
M. L. (2023). Challenges to the Educational “Digital Divide” in Spanish
Prisons. European Journal on Criminal Policy and Research, 29(2),
263-281. https://doi.org/10.1007/s10610-021-09493-4
Quiroga-Carrillo,
A., Ferraces, M. J., y Lorenzo, M. (2024). Gender discrimination in prison: The perception
of women inmates and prison professionals. Societies, 14(1), 5. https://doi.org/10.3390/soc14010005
Rangel,
H. (2019). Cooperation and education in prison: A policy against the tide in
the Latin American penitentiary crisis. International Review of Education,
65(5), 785-809. https://doi.org/10.1007/s11159-018-9747-5
Sánchez,
M. D. (2020). Educational and Cultural Challenges of the European
Sustainability Model. Springer International Publishing. https://doi.org/10.1007/978-3-030-38716-7
Shu,
X., y Ye, Y. (2023). Knowledge Discovery: Methods from data mining and machine
learning. Social Science Research, 110, 102817. https://doi.org/10.1016/j.ssresearch.2022.102817
Speed,
A., Thomson, C., y Richardson, K. (2020). Stay home, stay safe, save lives? An analysis
of the impact of COVID-19 on the ability of victims of gender-based violence to
access justice. The Journal of Criminal Law, 84(6), 539-572. https://doi.org/10.1177/0022018320948280
Stamatiou,
Y. C., Halkiopoulos, C., Giannoulis, A., y Antonopoulou, H. (2022). Utilizing a
restricted access e-Learning platform for reform, equity, and self-development
in correctional facilities. Emerging Science Journal, 6, 241-252.
https://doi.org/10.28991/ESJ-2022-SIED-017
Tavares,
C., Nascimento, N., Alencar, P., y Cowan, D. (2025). Variability-Aware Machine
Learning Model Selection: Feature modeling, instantiation, and experimental
case study. IEEE Access, 13, 62527-62542. https://doi.org/10.1109/ACCESS.2025.3558218
Tavoschi,
L., Vroling, H., Madeddu, G., Babudieri, S., Monarca, R., Vonk
Noordegraaf-Schouten, M., Beer, N., Gomes, J., O’Moore, É., Hedrich, D., y
Oordt-Speets, A. (2018). Active case finding for communicable diseases in
prison settings: Increasing testing coverage and uptake among the prison
population in the European Union/European economic area. Epidemiologic
Reviews, 40(1), 105-120. https://doi.org/10.1093/epirev/mxy001
Tobón,
S. (2022). Do better prisons reduce recidivism? Evidence from a prison
construction program. The Review of Economics and Statistics, 104(6),
1256-1272. https://doi.org/10.1162/rest_a_01007
Trivedi,
C., y Ray, S. M. (2024). Equity, empowerment, and social justice: Social entrepreneurship
for formerly incarcerated individuals. New Horizons in Adult Education and
Human Resource Development, 36(1), 48-64. https://doi.org/10.1177/19394225231223388
Villamar, R. M., Benavides, A. M., Orihuela, Z. F., y Ravello, A. A. (2024). Impacto de los programas de resocialización de centros penitenciarios femeninos latinoamericanos: Una revisión sistemática de literatura. Revista de Ciencias Sociales (Ve), XXX(3), 527-552. https://doi.org/10.31876/rcs.v30i3.42694