Pensamiento complejo e inteligencia artificial en el análisis criminal: desafíos epistemológicos para la seguridad pública contemporánea

1. Introducción

La seguridad pública atraviesa una etapa de transformación profunda marcada por la expansión de las tecnologías digitales, el crecimiento acelerado de los datos y la incorporación progresiva de sistemas de inteligencia artificial en los procesos de prevención, investigación y análisis criminal. En este nuevo escenario, las instituciones encargadas de la seguridad ciudadana ya no dependen exclusivamente de la observación directa, la experiencia operativa o los registros administrativos tradicionales, sino que comienzan a integrar plataformas de análisis predictivo, sistemas de georreferenciación del delito, minería de datos, reconocimiento de patrones, vigilancia inteligente y modelos automatizados de apoyo a la decisión [1,2].

Este proceso ha abierto posibilidades relevantes para mejorar la eficiencia institucional, optimizar la asignación de recursos, identificar zonas de riesgo, detectar comportamientos recurrentes y fortalecer la capacidad anticipatoria del Estado frente a fenómenos delictivos cada vez más dinámicos [3,4]. Sin embargo, también ha generado interrogantes que trascienden el ámbito meramente técnico. La inteligencia artificial aplicada al análisis criminal no opera en un vacío social, sino dentro de sistemas institucionales, normativos, culturales y políticos que condicionan tanto la producción de los datos como la interpretación de los resultados [5,6].

Uno de los principales problemas epistemológicos consiste en asumir que los datos hablan por sí mismos o que los algoritmos ofrecen una representación objetiva, neutral y completa de la realidad delictiva. Tal supuesto resulta problemático porque el delito no es un fenómeno lineal ni reducible a una suma de variables aisladas. Por el contrario, constituye una realidad compleja en la que interactúan múltiples dimensiones: condiciones socioeconómicas, trayectorias individuales, estructuras territoriales, dinámicas familiares, mercados ilegales, conflictividad social, oportunidades delictivas, respuestas institucionales, percepciones ciudadanas y formas cambiantes de organización criminal [7,8].

Desde esta perspectiva, la inteligencia artificial puede contribuir significativamente al análisis criminal, pero también puede reproducir sesgos, amplificar desigualdades, reforzar patrones de vigilancia selectiva o producir decisiones institucionales aparentemente objetivas sin suficiente comprensión contextual [9-11]. Por ello, el problema no se limita a determinar si la inteligencia artificial es útil o no para la seguridad pública, sino a comprender bajo qué condiciones epistemológicas, éticas e institucionales puede ser incorporada de manera responsable.

Aunque la literatura reciente ha examinado la inteligencia artificial en seguridad pública desde perspectivas técnicas, jurídicas y éticas, persiste una insuficiente problematización epistemológica sobre los supuestos de conocimiento que orientan su aplicación al análisis criminal, particularmente desde enfoques inspirados en el pensamiento complejo. En ese vacío se inscribe el presente estudio.

El pensamiento complejo, desarrollado principalmente por Edgar Morin, ofrece un marco pertinente para abordar esta discusión. Su aporte consiste en cuestionar las formas simplificadoras del conocimiento, superar la fragmentación disciplinaria y reconocer que los fenómenos humanos y sociales deben analizarse desde la interdependencia, la incertidumbre, la multidimensionalidad, la recursividad y la relación entre orden, desorden y organización [12,13]. Aplicado al análisis criminal, este enfoque permite comprender que la criminalidad no puede ser explicada únicamente mediante correlaciones estadísticas o predicciones automatizadas, sino que requiere interpretación, contextualización y diálogo entre saberes.

El presente artículo tiene como objetivo analizar los desafíos epistemológicos que plantea la aplicación de la inteligencia artificial en el análisis criminal desde el marco del pensamiento complejo. La tesis central sostiene que la inteligencia artificial puede fortalecer el análisis criminal solo si se integra dentro de un modelo de comprensión compleja de la realidad delictiva. Esto implica reconocer que los sistemas algorítmicos no sustituyen la reflexión humana, no eliminan la incertidumbre y no resuelven por sí mismos los problemas estructurales de la seguridad pública. Su valor depende de la calidad de los datos, de la interpretación institucional, de la supervisión humana, de la transparencia de los modelos, de la gobernanza ética y de la capacidad de articular conocimiento técnico con comprensión social.

El artículo se organiza en seis apartados. Tras esta introducción se presenta el planteamiento del problema y la metodología. Posteriormente se exponen los principales hallazgos documentales sobre la transformación contemporánea del análisis criminal mediado por inteligencia artificial. Finalmente, se discuten estos hallazgos desde el pensamiento complejo y se ofrecen las conclusiones del estudio.

Relación conceptual entre los componentes tecnológicos de la inteligencia artificial y los principios epistemológicos del pensamiento complejo aplicados al análisis criminal.

2. Planteamiento del problema

La aplicación de inteligencia artificial en el análisis criminal ha sido presentada en numerosos contextos como una respuesta innovadora ante los desafíos contemporáneos de la seguridad pública. Su capacidad para procesar datos masivos, identificar patrones de comportamiento, clasificar riesgos, georreferenciar incidentes y apoyar decisiones operativas ha generado una fuerte expectativa en torno a su potencial preventivo [3,4].

Sin embargo, esta expectativa suele estar acompañada de una visión excesivamente instrumental, según la cual el incremento de datos y la sofisticación algorítmica bastarían para comprender y controlar el fenómeno delictivo. Esta concepción resulta limitada porque tiende a reducir la criminalidad a una serie de registros cuantificables, dejando en segundo plano las dimensiones sociales, simbólicas, territoriales, institucionales y éticas que intervienen en su producción [5,9].

El delito no surge de manera aislada ni responde siempre a patrones estables. Es un fenómeno atravesado por incertidumbres, emergencias, adaptaciones, conflictos, desigualdades, decisiones humanas y respuestas institucionales que modifican continuamente el propio objeto de análisis [12,13]. El problema se vuelve más profundo cuando los sistemas de inteligencia artificial son utilizados como instrumentos de apoyo a la decisión sin una reflexión suficiente sobre sus supuestos epistemológicos.

Todo modelo algorítmico parte de una selección previa de datos, variables, criterios, categorías y objetivos. Por tanto, sus resultados no son neutrales ni puramente técnicos, sino construcciones mediadas por decisiones humanas, condiciones institucionales y marcos de interpretación [6,10]. Si estos elementos no son examinados críticamente, existe el riesgo de convertir el análisis criminal en una práctica automatizada, descontextualizada y aparentemente objetiva.

Además, los datos policiales suelen reflejar no solo la ocurrencia del delito, sino también la forma en que las instituciones registran, clasifican, priorizan y actúan sobre determinados territorios y poblaciones. Esto significa que los sistemas algorítmicos pueden aprender de patrones institucionales previos y reproducir sesgos existentes [8,11]. En lugar de revelar objetivamente la realidad criminal, podrían amplificar determinadas formas de vigilancia, reforzar estigmas territoriales o concentrar la intervención policial en espacios históricamente sobrerrepresentados en los registros.

Desde el pensamiento complejo, este problema adquiere una relevancia particular. La criminalidad no puede ser entendida como un objeto simple, cerrado y plenamente predecible. Se trata de un fenómeno relacional, dinámico y multideterminado, que exige articular información cuantitativa, interpretación cualitativa, experiencia operativa, conocimiento territorial, análisis institucional y reflexión ética [12,13].

En este sentido, la pregunta central no es únicamente cómo aplicar inteligencia artificial al análisis criminal, sino cómo evitar que dicha aplicación simplifique excesivamente una realidad que, por naturaleza, es compleja.

A partir de lo anterior, el problema de investigación puede formularse del siguiente modo:

¿Cuáles son los principales desafíos epistemológicos que emergen de la aplicación de la inteligencia artificial al análisis criminal, y de qué manera el pensamiento complejo puede contribuir a una comprensión más crítica, contextualizada y responsable de su uso en la seguridad pública contemporánea?

 

3. Metodología

El presente artículo se desarrolló bajo un enfoque cualitativo de carácter teórico-documental, orientado al análisis crítico de las relaciones entre inteligencia artificial, análisis criminal y pensamiento complejo en el contexto contemporáneo de la seguridad pública. La investigación se fundamenta en una perspectiva hermenéutica e interpretativa, debido a que busca comprender los desafíos epistemológicos que emergen del uso de sistemas algorítmicos en procesos institucionales de toma de decisiones vinculados a la prevención y análisis del delito [14,15].

 

3.1. Diseño del estudio

Se adoptó una revisión documental analítica de tipo crítico, estructurada en tres fases: búsqueda, selección y análisis. Este diseño resultó pertinente para examinar un problema de naturaleza conceptual, normativa e institucional, donde convergen dimensiones tecnológicas, criminológicas, éticas y epistemológicas.

Proceso metodológico seguido para la revisión documental crítica sobre inteligencia artificial y análisis criminal.

3.2. Estrategia de búsqueda

La búsqueda documental se realizó entre enero y marzo de 2026 en las bases de datos Scopus, Web of Science y Google Scholar, así como en repositorios institucionales de organismos internacionales vinculados a inteligencia artificial y seguridad pública, entre ellos UNESCO, UNODC, OCDE, Naciones Unidas y Comisión Europea.

Se utilizaron descriptores en español e inglés, combinados mediante operadores booleanos, entre ellos:

• “inteligencia artificial” AND “análisis criminal”
• “artificial intelligence” AND “criminal analysis”
• “predictive policing”
• “algorithmic governance”
• “algorithmic bias” AND policing
• “complex thinking” AND security
• “ethical AI” AND criminal justice

3.3. Criterios de selección

Se incluyeron documentos que cumplieran los siguientes criterios:

• publicación entre 2018 y 2025, salvo obras clásicas indispensables para el marco teórico;
• relación directa con inteligencia artificial, análisis criminal, policía predictiva, sesgo algorítmico, gobernanza algorítmica, ética tecnológica o pensamiento complejo;
• procedencia de revistas académicas, editoriales universitarias, informes de organismos internacionales o documentos normativos de alta relevancia;
• disponibilidad de texto completo.

Se excluyeron trabajos duplicados, textos de opinión sin respaldo académico, publicaciones no relacionadas directamente con seguridad pública o sin pertinencia conceptual para el objetivo del estudio.

3.4. Procedimiento de análisis

El análisis se desarrolló mediante una estrategia de lectura crítica y categorización temática [14]. A partir del corpus seleccionado se identificaron seis núcleos analíticos recurrentes:

1. complejidad e incertidumbre;
2. reducción algorítmica del fenómeno criminal;
3. sesgo estructural;
4. opacidad y explicabilidad;
5. supervisión humana significativa;
6. gobernanza institucional.

Estas categorías fueron posteriormente articuladas desde el marco conceptual del pensamiento complejo, con el propósito de construir una interpretación integradora que permitiera problematizar los límites epistemológicos de la inteligencia artificial aplicada al análisis criminal.

Categorías temáticas emergentes identificadas durante el proceso de revisión documental.

3.5. Alcance del estudio

La investigación no tuvo como finalidad evaluar técnicamente algoritmos específicos ni medir desempeño computacional. Su propósito fue reflexionar críticamente sobre los fundamentos epistemológicos, institucionales y éticos que sustentan el uso de inteligencia artificial en la seguridad pública contemporánea. En consecuencia, los resultados deben interpretarse como hallazgos de una revisión crítica orientada a la comprensión teórica del fenómeno y no como validación experimental de sistemas concretos.

4. Resultados: hallazgos de la revisión documental

4.1. La digitalización de la seguridad pública como transformación epistemológica

La revisión muestra que la digitalización de la seguridad pública no constituye únicamente un cambio técnico, sino una transformación en la forma de producir conocimiento sobre el delito. Las instituciones de seguridad recurren crecientemente a bases de datos integradas, videovigilancia, geolocalización, minería de datos y sistemas de apoyo algorítmico a la decisión [1,2,6]. Este desplazamiento ha favorecido una lógica de “seguridad basada en datos”, donde la criminalidad comienza a ser interpretada a través de flujos de información, indicadores de riesgo y patrones matemáticos.

Sin embargo, este proceso también introduce una tendencia a privilegiar aquello que resulta medible y procesable algorítmicamente, relegando dimensiones humanas, contextuales y cualitativas que siguen siendo esenciales para la comprensión integral de la violencia y la criminalidad [5,7]. En otras palabras, la digitalización transforma no solo los instrumentos, sino también los criterios con los cuales se define lo relevante en materia de seguridad pública.

4.2. El análisis predictivo del delito y la reducción probabilística del fenómeno criminal

Uno de los hallazgos más consistentes es el papel central del predictive policing en la expansión de la inteligencia artificial aplicada a la seguridad pública. Estos sistemas buscan identificar probabilidades de ocurrencia delictiva a partir del análisis de patrones históricos, tendencias espaciales y comportamientos recurrentes [3,4]. La literatura revisada coincide en reconocer ventajas operativas, como mayor velocidad de procesamiento, focalización territorial y optimización de recursos.

No obstante, también se identificó una limitación epistemológica fundamental: la tendencia a confundir correlación con causalidad [8,11]. Los algoritmos pueden detectar regularidades estadísticas, pero no necesariamente comprender las condiciones estructurales, institucionales o culturales que producen el delito. De este modo, la predicción puede ser útil operativamente, pero insuficiente para explicar la complejidad de la criminalidad.

4.3. Sesgo estructural y reproducción de desigualdades institucionales

La revisión documental evidenció un amplio consenso crítico sobre el riesgo de que los sistemas algorítmicos reproduzcan sesgos contenidos en los datos históricos utilizados para entrenarlos [8,10,11,16]. En contextos donde ciertos territorios o grupos han sido históricamente más vigilados, los sistemas de inteligencia artificial pueden interpretar dicha sobrerrepresentación como evidencia objetiva de mayor peligrosidad, reforzando ciclos de intervención selectiva.

Este hallazgo resulta especialmente relevante en el análisis criminal, donde los datos institucionales no reflejan únicamente la ocurrencia del delito, sino también decisiones previas de vigilancia, denuncia, clasificación y priorización. En consecuencia, el dato criminal aparece como una construcción sociotécnica e institucional, no como un espejo neutral de la realidad.

4.4. Opacidad algorítmica y límites de la explicabilidad

Otro hallazgo importante es la persistencia de tensiones entre eficiencia analítica y transparencia. La literatura revisada advierte que muchos sistemas de inteligencia artificial operan como “cajas negras”, dificultando la comprensión de sus criterios internos y limitando la posibilidad de auditoría institucional o control democrático [6,17,18].

En seguridad pública, la opacidad resulta especialmente problemática porque las decisiones asistidas por algoritmos pueden afectar libertades, derechos, perfiles de riesgo y prioridades de vigilancia. La exigencia de inteligencia artificial explicable no responde únicamente a un ideal técnico, sino a una condición de legitimidad institucional.

4.5. La supervisión humana significativa como requisito de legitimidad

El análisis permitió identificar un consenso creciente en torno a la necesidad de mantener mecanismos de supervisión humana significativa en el uso de inteligencia artificial aplicada a seguridad pública [17-20]. Sin embargo, también se advierte que dicha supervisión puede quedar reducida a una validación meramente procedimental si las instituciones asumen las recomendaciones algorítmicas como verdades objetivas.

El hallazgo central en este punto es que la intervención humana no debe limitarse a aprobar resultados, sino a contextualizarlos, interpretarlos críticamente y someterlos a contraste con experiencia operativa, conocimiento territorial y criterios éticos.

4.6. Gobernanza algorítmica y capacidad institucional

Finalmente, la revisión mostró que la legitimidad de la inteligencia artificial en seguridad pública depende menos de su sofisticación técnica que de la calidad de su integración institucional y normativa [17,19,21]. La gobernanza algorítmica aparece, así como una dimensión central, entendida como el conjunto de normas, procedimientos, responsabilidades y mecanismos de control que regulan el diseño, implementación, uso y supervisión de sistemas algorítmicos.

Los documentos revisados coinciden en que la ausencia de marcos claros de gobernanza puede favorecer decisiones opacas, sesgos no corregidos, desplazamiento de responsabilidades y debilitamiento de la confianza pública. En este sentido, la capacidad institucional para gestionar complejidad, incertidumbre y rendición de cuentas se convierte en una condición indispensable para el uso responsable de estas tecnologías.

 

5. Discusión

Los hallazgos confirman que la inteligencia artificial aplicada al análisis criminal no puede entenderse como una herramienta neutral ni como una simple extensión técnica de la capacidad policial. Más bien, se configura como un dispositivo sociotécnico inserto en contextos institucionales, normativos y culturales específicos, en los que se producen y reproducen determinadas formas de conocimiento, vigilancia y poder [5,6,10].

Desde la perspectiva del pensamiento complejo, el principal problema de las aproximaciones tecnocráticas no radica en el uso de algoritmos en sí, sino en la pretensión de reducir fenómenos multidimensionales a estructuras de datos completamente formalizables. Tal como plantea Morin, el conocimiento simplificador fragmenta la realidad, separa artificialmente sus componentes y pierde de vista las interdependencias que la constituyen [12,13]. Aplicado al análisis criminal, esto implica que ningún sistema predictivo puede captar plenamente la complejidad del delito si se desentiende de factores territoriales, históricos, sociales e institucionales.

Uno de los aportes centrales del pensamiento complejo es la noción de recursividad organizacional, particularmente útil para interpretar el funcionamiento de los sistemas predictivos en seguridad. Cuando una institución concentra vigilancia en determinados territorios debido a predicciones algorítmicas, dicha intervención genera nuevos datos que posteriormente alimentan otra vez el sistema, reforzando los patrones iniciales. En este sentido, la inteligencia artificial no solo analiza la realidad criminal, sino que participa en su reconfiguración institucional. Este hallazgo coincide con estudios que advierten sobre la relación entre sesgo histórico del dato, sobrepoliciamiento y reproducción automatizada de desigualdades [8,11,16].

Asimismo, la discusión sobre explicabilidad y supervisión humana significativa adquiere un carácter epistemológico y no meramente técnico. La opacidad algorítmica no es solamente un problema de acceso al código o de diseño de interfaces, sino una limitación en la capacidad institucional para justificar decisiones que afectan derechos y prioridades de intervención. Desde una óptica compleja, la legitimidad del análisis criminal asistido por IA depende de la posibilidad de integrar cálculo, interpretación, prudencia institucional y responsabilidad ética.

En esta línea, la gobernanza algorítmica aparece como un punto de convergencia entre técnica, derecho, ética y organización institucional. Los marcos internacionales revisados insisten en la necesidad de transparencia, rendición de cuentas y control humano [17-21], pero la revisión evidencia que estos principios no siempre se traducen de manera efectiva en prácticas concretas. Por ello, la cuestión decisiva no es solo si una institución dispone de inteligencia artificial, sino bajo qué criterios la incorpora, quién audita sus resultados, qué tipo de datos utiliza y qué mecanismos existen para corregir errores, sesgos o efectos no previstos.

En términos epistemológicos, el análisis realizado permite sostener que el pensamiento complejo constituye un correctivo necesario frente a los riesgos de objetivación excesiva del delito. No se trata de rechazar la inteligencia artificial, sino de impedir que su uso convierta la criminalidad en un objeto puramente computacional. El análisis criminal requiere modelos híbridos de conocimiento en los que la capacidad analítica de la tecnología sea complementada con interpretación humana, saber territorial, reflexión institucional y responsabilidad pública.

 

Principales desafíos epistemológicos derivados del uso acrítico de sistemas algorítmicos en seguridad pública.

6. Conclusiones

La inteligencia artificial representa una transformación relevante en los procesos contemporáneos de análisis criminal y seguridad pública. Sus capacidades para procesar datos masivos, identificar patrones y apoyar decisiones institucionales ofrecen oportunidades significativas para fortalecer la prevención y la gestión operativa del delito. Sin embargo, dichas potencialidades no deben conducir a una aceptación acrítica de sus supuestos, alcances y efectos.

El presente estudio permitió identificar que los principales desafíos epistemológicos de la inteligencia artificial aplicada al análisis criminal se concentran en cinco dimensiones: la reducción algorítmica del fenómeno delictivo, la reproducción de sesgos estructurales contenidos en los datos institucionales, la opacidad de los modelos, la fragilidad de la supervisión humana y la insuficiencia de marcos robustos de gobernanza algorítmica.

A partir del pensamiento complejo, se concluye que el delito no puede ser comprendido como una realidad simple, estable y plenamente predecible. Se trata de un fenómeno relacional, multidimensional y dinámico, cuya interpretación exige articular información cuantitativa, conocimiento territorial, experiencia institucional y reflexión ética. En consecuencia, la inteligencia artificial no debe concebirse como sustituto del juicio humano ni como un dispositivo neutral de predicción, sino como una herramienta de apoyo que requiere contextualización constante.

El principal aporte de este artículo consiste en proponer que el pensamiento complejo ofrece un marco epistemológico adecuado para problematizar críticamente el uso de inteligencia artificial en el análisis criminal. Este enfoque permite superar visiones reduccionistas del delito y avanzar hacia una comprensión más responsable de los sistemas algorítmicos aplicados a la seguridad pública.

En términos prácticos, los hallazgos sugieren la necesidad de fortalecer la calidad del dato, desarrollar mecanismos de auditoría y explicabilidad, consolidar modelos de supervisión humana significativa y promover marcos institucionales de gobernanza algorítmica orientados por principios de transparencia, proporcionalidad, equidad y rendición de cuentas.

Como limitación, el estudio no evaluó sistemas algorítmicos específicos ni incluyó trabajo empírico de campo, por lo que futuras investigaciones deberían avanzar hacia estudios comparativos sobre experiencias concretas de uso de inteligencia artificial en instituciones policiales y sistemas de justicia, particularmente en contextos latinoamericanos.

Modelo teórico propuesto por el autor para integrar inteligencia artificial, análisis criminal y pensamiento complejo en la toma de decisiones de seguridad pública. Basado en los hallazgos de la revisión documental.

 

Abreviaturas

Abreviatura	Significado
IA	Inteligencia Artificial
XAI	Inteligencia Artificial Explicable
UNODC	Oficina de las Naciones Unidas contra la Droga y el Delito
UNESCO	Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura
OCDE	Organización para la Cooperación y el Desarrollo Económicos
Big Data	Grandes volúmenes de datos digitales procesados computacionalmente
Predictive Policing	Vigilancia o análisis predictivo policial
GIS	Sistemas de Información Geográfica
ML	Aprendizaje Automático
WoS	Web of Science

 

 

 

 

Referencias

1. Brayne S. Predict and Surveil: Data, Discretion, and the Future of Policing. Oxford: Oxford University Press; 2020.
2. Ferguson AG. The Rise of Big Data Policing: Surveillance, Race, and the Future of Law Enforcement. New York: NYU Press; 2017.
3. Perry WL, McInnis B, Price CC, Smith SC, Hollywood JS. Predictive Policing: The Role of Crime Forecasting in Law Enforcement Operations. Santa Monica: RAND Corporation; 2013.
4. Chainey S, Ratcliffe J. GIS and Crime Mapping. Chichester: Wiley; 2005.
5. Crawford K. Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. New Haven: Yale University Press; 2021.
6. Kitchin R. The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. London: Sage; 2014.
7. Capra F. La trama de la vida: una nueva perspectiva de los sistemas vivos. Barcelona: Anagrama; 1998.
8. Lum K, Isaac W. To predict and serve? Significance. 2016;13(5):14-19.
9. Noble SU. Algorithms of Oppression: How Search Engines Reinforce Racism. New York: NYU Press; 2018.
10. Richardson R, Schultz J, Crawford K. Dirty Data, Bad Predictions: How Civil Rights Violations Impact Police Data, Predictive Policing Systems, and Justice. NYU Law Review Online. 2019;94:192-233.
11. Eubanks V. Automating Inequality: How High-Tech Tools Profile, Police, and Punish the Poor. New York: St. Martin’s Press; 2018.
12. Morin E. Introducción al pensamiento complejo. Barcelona: Gedisa; 2004.
13. Morin E. El Método I: La naturaleza de la naturaleza. Madrid: Cátedra; 1997.
14. Braun V, Clarke V. Using thematic analysis in psychology. Qualitative Research in Psychology. 2006;3(2):77-101.
15. Creswell JW. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. 5th ed. Thousand Oaks: Sage; 2018.
16. Završnik A. Criminal justice, artificial intelligence systems, and human rights. ERA Forum. 2021;20(4):567-583.
17. Yeung K. Algorithmic regulation: A critical interrogation. Regulation & Governance. 2018;12(4):505-523.
18. Leslie D. Understanding Artificial Intelligence Ethics and Safety. London: The Alan Turing Institute; 2020.
19. UNESCO. Recommendation on the Ethics of Artificial Intelligence. Paris: UNESCO; 2021.
20. UNODC. Artificial Intelligence and Criminal Justice. Vienna: United Nations; 2021.
21. Floridi L, Cowls J, Beltrametti M, et al. AI4People—An ethical framework for a good AI society. Minds and Machines. 2018;28(4):689-707.