María Carolina Jiménez

ETA y el IRA, las dos organizaciones terroristas más antiguas de Europa, llegaron a las cotas más elevadas de su actividad armada durante los «años de plomo», entre 1968 y 1981. El presente artículo pretende, por un lado, aportar una radiografía de las víctimas y de los responsables de los crímenes de este período, analizando estudios previos y revisando documentación que arroja luz sobre las dinámicas de selección de las víctimas practicadas por ambos grupos, siguiendo el modelo teórico de de la Calle y Sánchez-Cuenca. Por otro lado, ahonda en la deficiente atención institucional a los damnificados y analiza las políticas de reparación, que en ambos casos llegaron con más de tres décadas de retraso. Por último, se abordan las principales reivindicaciones pendientes, entre las que destaca el elevado nivel de impunidad de los crímenes cometidos, lo que condena a las víctimas a una victimización secundaria.

El objetivo de esta contribución es detallar el proceso para realizar un estudio sobre la población de un municipio que permita la elaboración de un diagnóstico sociológico. Para ello, se identificarán variables demográficas, económicas, sociales y de participación pública. El proceso permite alcanzar la información mínima y necesaria para el desarrollo de la primera fase de un proyecto enfocado hacia la planificación de políticas públicas: la fase de diagnóstico sociológico. El estudio de dichos elementos estructurales permite obtener resultados detallados de la población y confeccionar las tesis fundamentales sobre las necesidades y problemáticas sociales que se presentan.

The paper explores some normative challenges concerning the integration of Machine Learning (ML) algorithms into anticorruption in public institutions. The challenges emerge from the tensions between an approach treating ML algorithms as allies to an exclusively legalistic conception of anticorruption and an approach seeing them within an institutional ethics of office accountability. We explore two main challenges. One concerns the variable opacity of some ML algorithms, which may affect public officeholders’ capacity to account for institutional processes relying upon ML techniques. The other pinpoints the risk that automating certain institutional processes may weaken officeholders’ direct engagement to take forward-looking responsibility for the working of their institution. We discuss why both challenges matter to see how ML algorithms may enhance (and not hinder) institutional answerability practices.