National and state-level datasets of United States forensic DNA databases 2001-2025

Este artículo presenta una serie de conjuntos de datos armonizados que documentan la infraestructura, el crecimiento y las políticas de las bases de datos de ADN forense a nivel nacional y estatal en Estados Unidos desde 2001 hasta 2025, proporcionando estadísticas mensuales del NDIS, información legislativa de los 50 estados y datos demográficos estandarizados para facilitar análisis longitudinales y transversales.

Lo esencial

¡Claro que sí! Imagina que los bancos de datos de ADN forense en Estados Unidos son como una gigantesca biblioteca digital donde se guardan las "huellas genéticas" de millones de personas. Durante los últimos 25 años, esta biblioteca ha crecido descontroladamente, pero nadie tenía un mapa completo de qué había en sus estanterías, cómo estaba organizada o quién tenía acceso a ella.

Este artículo es como si un equipo de bibliotecarios muy organizados decidiera escribir el primer catálogo definitivo de esa biblioteca, desde el año 2001 hasta 2025.

Aquí te explico qué hicieron, usando analogías sencillas:

1. El Problema: Una Biblioteca Caótica

Imagina que la biblioteca (llamada CODIS) tiene tres pisos:

• El sótano (Local): Donde cada laboratorio de policía guarda sus propios archivos.
• El primer piso (Estatal): Donde los estados juntan los archivos de sus laboratorios.
• El ático (Nacional): Donde el FBI guarda todo lo que se comparte entre todos los estados.

El problema es que, aunque la biblioteca crecía cada mes, el FBI solo sacaba "fotografías" sueltas de los estantes en momentos específicos (como en 2011, 2013 o 2022). No había una película continua que mostrara el crecimiento mes a mes. Además, en el nivel estatal, cada estado tenía sus propias reglas: algunos decían cuántas personas tenían fichadas, otros no decían nada, y casi nadie publicaba datos sobre la raza o el género de las personas en la base de datos.

2. La Solución: Tres "Cajas de Herramientas" (Los Conjuntos de Datos)

Los autores crearon tres archivos digitales (conjuntos de datos) para arreglar este desorden:

• Caja 1: La Película Continua (Datos Nacionales)

  • ¿Qué es? Reconstruyeron una película de 24 años (2001-2025) mostrando exactamente cuántas huellas había mes a mes.
  • ¿Cómo lo hicieron? Actuaron como detectives digitales. Usaron una máquina del tiempo (el "Wayback Machine" de Internet) para visitar la página web del FBI cada vez que se guardó una copia en el pasado. Recogieron más de 11,000 "fotocopias" de la web, limpiaron los errores de escritura y crearon una línea de tiempo perfecta.
  • La analogía: Es como si pudieras ver el crecimiento de un árbol año tras año, en lugar de solo ver fotos sueltas de sus ramas.

• Caja 2: El Mapa de las Reglas (Datos Estatales)

  • ¿Qué es? Un mapa que muestra qué reglas tiene cada uno de los 50 estados.
  • Los detalles: ¿Pueden tomarle ADN a alguien solo por ser arrestado (aunque no sea culpable)? ¿Pueden usar el ADN para buscar familiares (como encontrar a un primo que cometió un crimen)?
  • La analogía: Es como un menú de restaurante donde puedes ver qué ingredientes (políticas) ofrece cada estado. Algunos sirven "ADN de arrestados", otros no, y algunos tienen reglas confusas.

• Caja 3: El Retrato de los Inquilinos (Datos Demográficos)

  • ¿Qué es? Información sobre quiénes están en la base de datos (hombres, mujeres, razas).
  • El desafío: Esta información es muy difícil de conseguir. Solo 7 estados respondieron a una solicitud oficial hace unos años.
  • La analogía: Es como intentar hacer un censo de los inquilinos de un edificio gigante, pero solo 7 dueños de apartamentos te dieron la lista. Los autores tomaron esas listas antiguas, las digitalizaron y las organizaron para que sean fáciles de leer.

3. El Trabajo Sucio: Limpiar el Desorden

Recopilar estos datos no fue fácil. La web del FBI cambió de diseño muchas veces (como si la biblioteca cambiara de muebles y etiquetas cada pocos años).

• El problema: A veces los números saltaban de la nada (de 100 a 10,000 en un día) o se repetían datos viejos como si fueran nuevos.
• La solución: Crearon un filtro inteligente (un algoritmo) que actuó como un "detective de errores". Si un número parecía imposible (como un error de coma decimal), lo marcaron con una bandera roja para que los investigadores sepan que ese dato podría estar sucio, pero sin borrarlo, para que todos puedan decidir cómo usarlo.

¿Por qué es importante esto?

Antes, si un investigador quería estudiar cómo creció la vigilancia genética en EE. UU., tenía que adivinar o usar datos incompletos. Ahora, tienen los ladrillos y el plano para construir cualquier estudio.

• Pueden ver si una nueva ley hizo que la base de datos creciera más rápido.
• Pueden comparar si un estado es más "intrusivo" que otro.
• Pueden estudiar si la base de datos refleja desproporcionadamente a ciertos grupos raciales.

En resumen: Este artículo es como entregar a la sociedad un libro de contabilidad transparente de la mayor base de datos genética criminal del mundo, permitiendo que todos vean, analicen y entiendan cómo funciona este sistema que afecta a millones de vidas.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Conjuntos de Datos Nacionales y Estatales de Bases de Datos de ADN Forense de EE. UU. (2001–2025)

1. Planteamiento del Problema

Las bases de datos de ADN forense en Estados Unidos han experimentado una expansión significativa en las últimas dos décadas. Sin embargo, existe una carencia crítica de datos comprehensivos y armonizados que describan su estructura y composición a lo largo del tiempo.

• Limitaciones de los datos federales: Aunque el FBI publica estadísticas mensuales del Sistema Nacional de Índices de ADN (NDIS) desde principios de los años 2000, estos datos se presentan como "instantáneas" individuales en su sitio web y no se preservan en un formato longitudinal legible por máquinas. Esto dificulta el seguimiento de cambios temporales y el análisis de series de tiempo.
• Inconsistencia a nivel estatal: La disponibilidad de datos a nivel estatal (SDIS) es irregular. Algunos estados publican totales desglosados, mientras que otros solo ofrecen resúmenes generales o referencias estatutarias. Además, la composición demográfica (sexo y raza) está escasamente documentada; el único compendio conocido provenía de solicitudes de la Ley de Libertad de Información (FOIA) realizadas en 2020, que solo obtuvieron respuestas de siete estados.

2. Metodología

Los autores desarrollaron una estrategia de tres frentes para capturar diferentes dimensiones del panorama de las bases de datos de ADN forense en EE. UU.:

• Extracción de Estadísticas Federales (NDIS):

  • Se utilizó la API de Wayback Machine (Internet Archive) para recuperar todas las capturas archivadas de las páginas de estadísticas del NDIS del FBI.
  • Se implementó un algoritmo de búsqueda en dos fases para abordar la arquitectura web cambiante del FBI: páginas HTML específicas por jurisdicción (pre-2007) y páginas unificadas (post-2007).
  • Se recuperaron 11,359 capturas únicas que abarcan desde julio de 2001 hasta agosto de 2025.
  • Se desarrollaron cuatro analizadores (parsers) específicos por época para manejar los formatos de reporte evolutivos del FBI, extrayendo conteos de perfiles (delincuentes, detenidos, forenses), conteos de laboratorios e investigaciones asistidas.
  • Se creó una tabla de mapeo para estandarizar nombres de jurisdicciones heterogéneos (ej. "Alabama", "Alabama Stats Alabama" -> "Alabama").

• Compilación de Estadísticas y Políticas Estatales (SDIS):

  • Se realizaron búsquedas web dirigidas en sitios oficiales de gobiernos estatales para recopilar totales de bases de datos, desgloses por tipo de perfil y estatutos legales.
  • Se codificaron políticas binarias sobre la colección de ADN de detenidos (sí/no) y la búsqueda familiar (permitido/prohibido/no especificado) para los 50 estados.

• Extracción y Estandarización de Datos Demográficos (FOIA):

  • Se incorporaron archivos originales proporcionados por Murphy y Tong (2020), que contenían respuestas escaneadas de FOIA de siete estados.
  • Se transcribieron documentos PDF escaneados a formatos CSV legibles por máquina, estandarizando términos como "sexo" y "género" bajo el término "sexo" debido a la relevancia biológica para la profilación de ADN.
  • Se preservaron tanto los conteos reportados por las agencias como las estimaciones calculadas por los autores originales sobre tasas de recolección anual por raza.

• Validación Técnica:

  • Se implementó un sistema de banderas (flags) booleanas para detectar anomalías en lugar de eliminar datos. Las reglas incluyen: picos/dips decimales, picos/dips de valores (duplicación o reducción a la mitad), picos en conteos de laboratorios y reapariciones exactas de datos obsoletos (caché).
  • Se realizó una calibración externa comparando los totales nacionales reconstruidos con folletos del FBI (2000-2015) y estimaciones publicadas en la literatura académica.

3. Contribuciones Clave

El artículo presenta tres conjuntos de datos interconectados disponibles públicamente:

1. Serie Temporal NDIS (2001–2025): Una serie de tiempo mensual reconstruida que incluye conteos de perfiles (delincuentes, detenidos, forenses), totales de laboratorios participantes e investigaciones asistidas, desglosados por jurisdicción.
2. Corte Transversal SDIS: Un conjunto de datos actual que compila totales reportados y desgloses de perfiles para los 50 estados, acompañado de metadatos sobre políticas de colección de ADN de detenidos y búsqueda familiar.
3. Datos Demográficos y de Recolección Anual: Versiones estructuradas de los datos de Murphy y Tong (2020), incluyendo composición demográfica (sexo y raza) para siete estados (2018) y estimaciones de tasas de recolección anual por raza para los 50 estados.

Todos los datos están versionados, documentados y acompañados de código reproducible en un repositorio de GitHub y en Zenodo.

4. Resultados

• Cobertura Temporal: Se logró una cobertura continua de la evolución del reporte NDIS desde 2001 hasta 2025, llenando vacíos históricos donde los datos solo existían en formato de imagen o texto no estructurado.
• Calidad de Datos: El sistema de validación identificó 898 banderas de anomalías a través de todas las métricas y jurisdicciones. La mayoría (743) fueron "reapariciones exactas obsoletas" (datos de caché), seguidas por eventos de picos/dips (77) y errores decimales (68).
• Validación Externa: Las series temporales reconstruidas coinciden estrechamente con los puntos de referencia independientes del FBI y la literatura académica (ej. Ge et al., Wickenheiser, Greenwald & Phiri), confirmando la fidelidad de la trayectoria nacional reconstruida.
• Disparidad Estatal: Solo 29 de los 50 estados reportaron totales brutos de ADN de detenidos en sus informes públicos más recientes, destacando la falta de transparencia en la mayoría de las jurisdicciones.

5. Significado e Impacto

Estos recursos establecen una base fundamental para la investigación sobre el desarrollo histórico, la gobernanza y la escala de las infraestructuras de ADN forense en EE. UU.

• Análisis Longitudinal: Permiten modelar el crecimiento de las bases de datos y evaluar el impacto de cambios operativos o políticos, como la expansión del conjunto de loci STR del CODIS a 20 en 2017.
• Comparación Transversal: Facilitan la comparación de políticas y prácticas de reporte entre diferentes jurisdicciones estatales.
• Estudios Demográficos: Aunque limitados a siete estados para datos detallados, proporcionan la primera estructura estandarizada para analizar la composición demográfica de las bases de datos, permitiendo investigaciones sobre sesgos raciales y de género en la recolección de ADN.
• Transparencia: Al hacer que los datos históricos y las metodologías de procesamiento sean accesibles, se fomenta la reproducibilidad científica y el escrutinio público de los sistemas de justicia penal basados en ADN.