KidSec Analytics: reportes del comportamiento digital y riesgo en el dispositivo

Abstract

El acceso temprano de los niños y adolescentes a dispositivos móviles ha incrementado significativamente la exposición a riesgos en entornos digitales, tales como malware, robo de información, ciberacoso, interacciones de alto riesgo en video juegos y redes sociales, así como la exposición a contenidos sensibles y maliciosos. En Colombia esta problemática se ve agravada por la falta de capacidad de los menores para identificar amenazas en línea y por las restricciones de los sistemas actuales de control parental, los cuales suelen ser reactivos, invasivos y poco eficaces al no ofrecer un monitoreo en tiempo real de comportamientos anómalos dentro de las aplicaciones. Ante este escenario, el proyecto propone el análisis y diseño de un aplicativo de seguridad basada en Machine Learning orientada a la identificación automática de patrones de comportamiento digital sospechoso. La metodología implementada corresponde a un enfoque cuantitativo de tipo descriptivo – correlacional apoyado en una revisión bajo la metodología PRISMA y en el desarrollo de un prototipo funcional. Dicho prototipo integra un modelo de Machine Learning entrenado con datos simulados de comportamiento digital, permitiendo clasificar patrones de uso como seguros o riesgosos y generar alertas preventivas. El sistema se implementa bajo una arquitectura cliente – servidor, utilizando backend en Python para el procesamiento de datos y la inferencia del modelo, operando en segundo plano de forma continua sin interferir directamente en la experiencia del usuario, se espera que el enfoque propuesto permita una detección proactiva de comportamientos digitales de riesgo, fortaleciendo la supervisión adulta y contribuyendo a la creación de entornos digitales más seguros para los menores, bajo principios de ética, privacidad y acompañamiento humano.

Early access to mobile devices for children and adolescents has significantly increased their exposure to risks in digital environments, such as malware, data theft, cyberbullying, high-risk interactions in video games and social media, as well as exposure to sensitive and malicious content. In Colombia, this problem is exacerbated by children's lack of ability to identify online threats and by the limitations of current parental control systems, which tend to be reactive, invasive, and ineffective because they do not offer real-time monitoring of anomalous behavior within applications. Given this scenario, the project proposes the analysis and design of a machine learning-based security application aimed at automatically identifying patterns of suspicious digital behavior. The implemented methodology corresponds to a quantitative, descriptive-correlational approach supported by a review using the PRISMA methodology and the development of a functional prototype. This prototype integrates a machine learning model trained with simulated digital behavior data, allowing the classification of usage patterns as safe or risky and the generation of preventive alerts. The system will be implemented using a client-server architecture, with a Python backend for data processing and model inference. Operating continuously in the background without directly interfering with the user experience, the proposed approach is expected to enable proactive detection of risky digital behaviors, strengthening adult supervision and contributing to the creation of safer digital environments for minors, based on principles of ethics, privacy, and human guidance.