Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 1
Uso de análisis de datos avanzados para la detección
de fraudes financieros
Use of advanced data analytics for financial fraud detection
Casanova-Villalba, César Iván
1
Casanova-Villalba, Luis Alberto
2
https://orcid.org/0000-0001-6840-3891
https://orcid.org/0009-0009-5229-9378
cesar.casanova.villalba@utelvt.edu.ec
luis.alberto.casanova.villalba@utelvt.edu.ec
Universidad Técnica Luis Vargas Torres de
Esmeraldas, Ecuador, Santo Domingo.
Universidad Técnica Luis Vargas Torres de
Esmeraldas, Ecuador, Santo Domingo.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v2/n3/44
Resumen: El estudio analiza el uso de técnicas
avanzadas de análisis de datos como estrategia
central en la detección de fraudes financieros, en
un contexto marcado por la creciente complejidad
de las transacciones digitales y la sofisticación de
los mecanismos ilícitos. Mediante una revisión
exploratoria de literatura especializada publicada
en bases de datos de alto impacto, se identificaron
y compararon métodos de aprendizaje
supervisado, no supervisado y enfoques híbridos,
evaluando su eficacia, limitaciones y potencial de
implementación. Los resultados muestran que los
algoritmos supervisados, como las redes
neuronales y los bosques aleatorios, ofrecen alta
precisión cuando se dispone de datos etiquetados,
mientras que las técnicas no supervisadas
destacan por su capacidad de identificar fraudes
emergentes sin información previa. La
investigación concluye que la combinación de
ambos enfoques mediante modelos de ensamble
constituye una alternativa prometedora, aunque
implica desafíos técnicos, operativos y éticos. Se
resalta la importancia de articular estas
metodologías con infraestructuras robustas y
marcos normativos que garanticen transparencia
y explicabilidad.
Palabras clave: detección de fraudes; análisis de
datos avanzados; aprendizaje automático;
transacciones financieras.
Artículo Científico
Received: 15/Jun/2024
Accepted: 02/Jul/2024
Published: 31/Jul/2024
Cita: Casanova-Villalba, C. I., & Casanova-Villalba,
L. A. (2024). Uso de análisis de datos avanzados
para la detección de fraudes financieros. Revista
Científica Ciencia Y Método, 2(3), 1-
12. https://doi.org/10.55813/gaea/rcym/v2/n3/44
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2024. Este artículo es un documento de acceso
abierto distribuido bajo los términos y condiciones de
la Licencia Creative Commons, Atribución-
NoComercial 4.0 Internacional.
Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 2
Artículo Científico
Julio – Septiembre 2024
Abstract:
The study analyzes the use of advanced data analysis techniques as a central strategy
in the detection of financial fraud, in a context marked by the increasing complexity of
digital transactions and the sophistication of illicit mechanisms. Through an exploratory
review of specialized literature published in high-impact databases, supervised
learning methods, unsupervised learning methods and hybrid approaches were
identified and compared, evaluating their effectiveness, limitations and implementation
potential. The results show that supervised algorithms, such as neural networks and
random forests, offer high accuracy when labeled data is available, while unsupervised
techniques stand out for their ability to identify emerging frauds without prior
information. The research concludes that the combination of both approaches using
ensemble models constitutes a promising alternative, although it involves technical,
operational and ethical challenges. The importance of articulating these methodologies
with robust infrastructures and regulatory frameworks that guarantee transparency and
explainability is highlighted.
Keywords: fraud detection; advanced data analytics; machine learning; financial
transactions.
1. Introducción
La creciente complejidad de las transacciones financieras y el aumento exponencial
de los volúmenes de datos digitales han propiciado que el fraude financiero se
consolide como una de las principales amenazas que enfrentan tanto instituciones
bancarias como organismos reguladores a nivel mundial. El fraude financiero no solo
genera pérdidas económicas significativas, sino que también deteriora la confianza de
los inversionistas y del público en general en los sistemas financieros (West &
Bhattacharya, 2016). La dificultad inherente a la identificación de patrones
fraudulentos se deriva del carácter dinámico y adaptativo de estas prácticas ilícitas,
así como de la sofisticación de los mecanismos empleados por los perpetradores,
quienes constantemente adoptan tecnologías avanzadas para evadir los controles
tradicionales (Ngai et al., 2011). En este contexto, el análisis de datos avanzados se
ha convertido en una herramienta esencial para la detección temprana de actividades
anómalas que podrían derivar en fraude, permitiendo identificar correlaciones,
tendencias y señales que los métodos estadísticos convencionales no son capaces
de revelar con la misma precisión (Phua et al., 2010).
Diversos factores contribuyen a la magnitud y persistencia de este problema. Entre
los más relevantes se encuentran el volumen y la variedad de datos financieros, que
pueden dificultar la distinción entre operaciones legítimas y fraudulentas, y la
presencia de datos desbalanceados, dado que los registros fraudulentos suelen
representar un porcentaje muy reducido respecto al total de transacciones (Bahnsen
Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 3
Artículo Científico
Julio – Septiembre 2024
et al., 2016). Asimismo, la alta velocidad con que se procesan los pagos electrónicos
exige métodos de análisis que operen en tiempo real, incrementando la complejidad
técnica y computacional de los sistemas antifraude (Dal Pozzolo et al., 2018). Otro
factor relevante es la evolución constante de los modus operandi de los
defraudadores, quienes emplean técnicas de ingeniería social, suplantación de
identidad y manipulación de datos para perpetrar sus delitos (Jurgovsky et al., 2018).
Esta convergencia de desafíos técnicos y organizacionales ha motivado un interés
creciente en la aplicación de algoritmos de aprendizaje automático, minería de datos
y técnicas de inteligencia artificial como alternativas innovadoras para fortalecer las
capacidades de detección.
La justificación de esta investigación radica en la necesidad de comprender en
profundidad el papel que desempeñan los enfoques de análisis de datos avanzados
en el contexto de la prevención y detección de fraudes financieros. Mientras que los
métodos tradicionales se han centrado principalmente en reglas predefinidas y
métricas contables, los enfoques basados en aprendizaje supervisado y no
supervisado permiten identificar patrones complejos y dinámicos en grandes
volúmenes de datos, superando limitaciones históricas asociadas a la rigidez de los
sistemas basados en reglas (Zareapoor & Seeja, 2015). La pertinencia de este tema
se refuerza por la disponibilidad creciente de datos transaccionales y la madurez
tecnológica de las soluciones de procesamiento masivo de información, lo que hace
viable implementar modelos predictivos a escala organizacional (Roy et al., 2018).
Además, la integración de técnicas como redes neuronales profundas, máquinas de
soporte vectorial y algoritmos de ensamble ha demostrado una alta precisión en la
clasificación de eventos fraudulentos, incrementando la capacidad de respuesta de
las entidades financieras ante amenazas emergentes (Whitrow et al., 2009).
La viabilidad de la aplicación de estos métodos se fundamenta en dos elementos
centrales: el avance de la infraestructura tecnológica, que permite procesar grandes
cantidades de datos en tiempos reducidos, y la disponibilidad de marcos normativos
que incentivan a las instituciones a fortalecer sus sistemas de monitoreo y control de
riesgos (Bolton & Hand, 2002). Esta combinación crea un escenario propicio para la
investigación y la implementación de soluciones basadas en análisis de datos
avanzados, contribuyendo a una mayor transparencia, seguridad y eficiencia en los
procesos financieros. Asimismo, la adopción de estos enfoques puede derivar en
beneficios económicos sustantivos al reducir las pérdidas por fraude y optimizar el uso
de recursos en la investigación de alertas (Carcillo et al., 2021).
El presente artículo tiene como objetivo principal examinar críticamente la literatura
académica existente sobre el uso de técnicas avanzadas de análisis de datos para la
detección de fraudes financieros, identificando los principales métodos empleados,
sus ventajas comparativas, limitaciones y oportunidades de investigación futura. Al
realizar esta revisión bibliográfica, se busca consolidar un marco comprensivo que
permita a investigadores y profesionales del sector financiero comprender el estado
del arte en este campo, así como valorar la pertinencia de distintas aproximaciones
Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 4
Artículo Científico
Julio – Septiembre 2024
metodológicas en función de las características de sus entornos operativos. De esta
forma, se pretende aportar al conocimiento científico y a la práctica profesional,
orientando el desarrollo de estrategias innovadoras que contribuyan de manera
efectiva a la mitigación del riesgo de fraude financiero en escenarios cada vez más
complejos y dinámicos (Erazo-Luzuriaga, 2023).
2. Materiales y métodos
La metodología empleada en el presente artículo corresponde a un enfoque
explorativo de revisión bibliográfica, orientado a recopilar, sistematizar y analizar de
manera crítica la producción científica más relevante relacionada con el uso de
técnicas avanzadas de análisis de datos para la detección de fraudes financieros. El
proceso inició con la definición clara de los criterios de inclusión y exclusión de fuentes,
priorizando estudios publicados en revistas académicas indexadas en bases de datos
de alto impacto, tales como Scopus y Web of Science, con el propósito de garantizar
la calidad, pertinencia y confiabilidad de la información recopilada.
Se realizó una búsqueda exhaustiva de literatura en dichas bases de datos, utilizando
combinaciones de términos clave en inglés y español que incluyeron “financial fraud
detection”, “advanced data analytics”, “machine learning”, “data mining” y “artificial
intelligence”, entre otros. Para delimitar el corpus documental, se seleccionaron
trabajos publicados principalmente en los últimos quince años, con la finalidad de
reflejar los avances metodológicos más recientes, sin descartar contribuciones
seminales que hayan establecido marcos conceptuales o modelos de referencia
relevantes.
La recopilación inicial de publicaciones produjo un conjunto amplio de artículos, los
cuales fueron sometidos a un proceso de depuración basado en la lectura de títulos,
resúmenes y palabras clave, descartando aquellos que no abordaran directamente la
aplicación de técnicas analíticas avanzadas en el contexto de fraudes financieros o
que presentaran un enfoque exclusivamente técnico sin relación con escenarios de
aplicación práctica. Posteriormente, se efectuó una lectura detallada de los textos
completos seleccionados, extrayendo información pertinente sobre los enfoques
metodológicos empleados, los algoritmos propuestos, los indicadores de desempeño
reportados, los desafíos identificados y las recomendaciones formuladas por los
autores.
Para organizar y sintetizar la información recopilada, se elaboraron matrices de
análisis que permitieron clasificar los artículos según criterios temáticos y
metodológicos, identificando patrones recurrentes y vacíos de conocimiento en la
literatura revisada. La integración de esta información facilitó la construcción de una
perspectiva crítica y comparativa que orienta la discusión de resultados y la
identificación de tendencias emergentes en la investigación del campo.
Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 5
Artículo Científico
Julio – Septiembre 2024
Finalmente, se cuidó que todo el proceso de búsqueda, selección y análisis de fuentes
se realizara con rigor académico y transparencia, procurando la trazabilidad de las
decisiones metodológicas y el resguardo de la integridad intelectual de los autores
consultados. Esta metodología permite ofrecer una visión estructurada y
fundamentada del estado actual del conocimiento sobre el uso de análisis de datos
avanzados en la detección de fraudes financieros, y proporciona un punto de partida
sólido para investigaciones futuras que profundicen en el desarrollo, validación y
aplicación de modelos innovadores en este ámbito.
3. Resultados
3.1. Principales enfoques de análisis de datos avanzados en la detección de
fraudes financieros
3.1.1. Aplicación de algoritmos de aprendizaje supervisado
La aplicación de algoritmos de aprendizaje supervisado constituye una de las
aproximaciones más ampliamente difundidas en la detección de fraudes financieros,
debido a su potencial para modelar relaciones complejas entre variables predictoras
y etiquetas de clase predefinidas (Almeida-Blacio, 2024). Estos algoritmos utilizan
conjuntos de datos históricos etiquetados, en los que se clasifica cada transacción
como legítima o fraudulenta. Modelos como las máquinas de soporte vectorial, los
árboles de decisión, los bosques aleatorios, las redes neuronales artificiales y los
métodos basados en regresión logística han mostrado resultados destacados en
términos de precisión y sensibilidad (West & Bhattacharya, 2016). Cada uno de estos
modelos presenta ventajas particulares en aspectos como interpretabilidad, capacidad
de manejo de datos no estructurados y eficiencia computacional. Por ejemplo, los
árboles de decisión y los bosques aleatorios se utilizan frecuentemente por su
robustez frente a valores atípicos y su capacidad para manejar atributos mixtos
(Bahnsen et al., 2016).
En estudios recientes, las redes neuronales profundas han cobrado relevancia gracias
a su eficacia en la detección de patrones no lineales de alta complejidad (Roy et al.,
2018). Estas arquitecturas, basadas en capas jerárquicas de procesamiento, permiten
modelar interacciones de gran volumen y complejidad que suelen pasar
desapercibidas para los clasificadores tradicionales. Además, Dal Pozzolo et al.
(2018) destacaron que la calibración de probabilidades combinada con submuestreo
de clases mayoritarias mejora notablemente el rendimiento de los modelos
supervisados en entornos con alta desproporción de clases. No obstante, uno de los
retos recurrentes radica en la necesidad de contar con datos etiquetados de calidad,
cuya obtención puede ser costosa y limitar la aplicabilidad de estos enfoques en
contextos donde la información disponible es incompleta o sesgada (Whitrow et al.,
2009).
Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 6
Artículo Científico
Julio – Septiembre 2024
3.1.2. Uso de técnicas de aprendizaje no supervisado y detección de anomalías
El uso de técnicas de aprendizaje no supervisado y métodos de detección de
anomalías se ha consolidado como una alternativa complementaria y, en muchos
casos, imprescindible cuando no se dispone de etiquetas confiables. Estas técnicas
parten del supuesto de que las transacciones fraudulentas suelen manifestarse como
desviaciones significativas respecto a los patrones de comportamiento normal (Bolton
& Hand, 2002). Entre los métodos más representativos se encuentran el clustering (k-
means, DBSCAN), la estimación de densidad, los algoritmos de aislamiento de
bosques y las máquinas de soporte vectorial de una clase (One-Class SVM).
Carcillo et al. (2021) evidenciaron que estos métodos son eficaces para identificar
patrones atípicos asociados a modalidades de fraude emergente, es decir, esquemas
no contemplados en los registros históricos. Un atributo distintivo de estos enfoques
es su flexibilidad para adaptarse a cambios conceptuales en la naturaleza del fraude,
contribuyendo a reducir los riesgos derivados de la dependencia de datos etiquetados
(Ngai et al., 2011). En particular, los métodos de aislamiento forestal han mostrado un
desempeño competitivo por su capacidad para detectar outliers en entornos de alta
dimensionalidad y con datos ruidosos. Sin embargo, su implementación conlleva retos
relacionados con la determinación de umbrales de decisión y la calibración de la
sensibilidad de los modelos, dado que la ausencia de etiquetas puede conducir a
elevadas tasas de falsos positivos si no se acompaña de procesos rigurosos de
validación y supervisión humana (Phua et al., 2010).
3.1.3. Integración de enfoques híbridos y modelos de ensamble
La integración de enfoques híbridos y modelos de ensamble se ha posicionado como
una de las tendencias más prometedoras en la investigación aplicada a la detección
de fraudes financieros. Estos enfoques combinan de manera estratégica los métodos
supervisados y no supervisados, aprovechando las fortalezas de ambos paradigmas
en esquemas de procesamiento que pueden ser secuenciales, donde la detección
preliminar de anomalías antecede a la clasificación supervisada, o paralelos, en los
que las transacciones se evalúan de manera simultánea en múltiples modelos
(Jurgovsky et al., 2018).
Whitrow et al. (2009) introdujeron un enfoque que integra la agregación de
transacciones con aprendizaje supervisado, logrando mejoras sustanciales en la
sensibilidad y especificidad de los modelos. De igual forma, los modelos de ensamble,
como el bagging, boosting y stacking, combinan las predicciones de varios
clasificadores base con el fin de incrementar la estabilidad y reducir la varianza del
sistema (West & Bhattacharya, 2016). La literatura especializada señala que la
adopción de modelos de ensamble mitiga los sesgos inherentes a los clasificadores
individuales y contribuye a una mejor capacidad de generalización en escenarios con
alta variabilidad (Bahnsen et al., 2016).
Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 7
Artículo Científico
Julio – Septiembre 2024
Además, la convergencia de estos enfoques con tecnologías emergentes como el
aprendizaje profundo y la computación distribuida en la nube facilita el desarrollo de
sistemas de detección en tiempo real, capaces de procesar grandes volúmenes de
transacciones con latencia mínima (Roy et al., 2018). Si bien la aplicación de modelos
híbridos y de ensamble implica desafíos considerables, como el incremento en la
complejidad computacional y la necesidad de infraestructuras robustas, su potencial
para elevar los niveles de precisión y resiliencia frente a fraudes sofisticados los
convierte en una alternativa estratégica de creciente adopción (Guitérrez-Portela et
al., 2019).
4. Discusión
La evidencia analizada en el presente estudio confirma que la evolución de los
métodos de análisis de datos avanzados en la detección de fraudes financieros ha
seguido un itinerario caracterizado por la creciente sofisticación técnica y la necesidad
de responder a entornos cada vez más complejos y dinámicos. El aprendizaje
supervisado se ha consolidado como el punto de partida más recurrente en los
sistemas antifraude, principalmente por su capacidad para asimilar patrones históricos
de transacciones etiquetadas y su potencial para alcanzar métricas de precisión que
superan ampliamente los umbrales obtenidos mediante reglas estáticas o auditorías
tradicionales (Ngai et al., 2011). Este enfoque, materializado en algoritmos como los
árboles de decisión, los bosques aleatorios, las máquinas de soporte vectorial y las
redes neuronales profundas, ha permitido incrementar la sensibilidad y especificidad
en la identificación de operaciones fraudulentas, como se evidencia en los
experimentos reportados por Roy et al. (2018), donde las arquitecturas neuronales
profundas alcanzaron niveles de rendimiento superiores a los obtenidos con modelos
lineales.
No obstante, la dependencia de datos etiquetados de alta calidad supone una
limitación estructural que compromete la sostenibilidad de estos modelos a largo
plazo. En contextos reales, la obtención de etiquetas precisas implica costos
significativos de supervisión humana y puede verse afectada por errores de
clasificación y sesgos cognitivos de los analistas (Whitrow et al., 2009). Asimismo, Dal
Pozzolo et al. (2018) demostraron que el desequilibrio de clases es un reto persistente
que conduce al sobreajuste del modelo en la clase mayoritaria y a la degradación
progresiva de la capacidad predictiva. Este fenómeno, conocido como el problema de
la clase minoritaria, requiere la aplicación de estrategias específicas, tales como la
calibración de probabilidades y el submuestreo controlado, con el fin de restituir el
balance y optimizar los umbrales de decisión. Estas prácticas, aunque eficaces,
pueden derivar en la pérdida de información relevante y en la reducción de la
capacidad generalizadora del modelo (Bahnsen et al., 2016).
Por otro lado, la revisión corrobora que el aprendizaje no supervisado y los métodos
de detección de anomalías representan una respuesta metodológica idónea frente a
Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 8
Artículo Científico
Julio – Septiembre 2024
la escasez de etiquetas. El principio subyacente en este enfoque radica en la
identificación de patrones atípicos que divergen de los comportamientos normales,
asumiendo que las transacciones fraudulentas constituyen desviaciones significativas
en el espacio de características (Bolton & Hand, 2002). En esta línea, Carcillo et al.
(2021) pusieron de manifiesto la eficacia de técnicas como el aislamiento forestal y las
máquinas de vectores de soporte de una clase para descubrir fraudes emergentes
que no habían sido previamente caracterizados. Esta capacidad para adaptarse a
dinámicas nuevas es especialmente pertinente ante la evolución continua de los
modus operandi de los defraudadores, quienes implementan estrategias de
disimulación y manipulación de datos para evadir los sistemas de control (West &
Bhattacharya, 2016).
Sin embargo, el aprendizaje no supervisado conlleva desafíos críticos relacionados
con la interpretación de las salidas del modelo y la determinación de umbrales que
permitan diferenciar con fiabilidad entre una anomalía legítima y un fraude consumado
(Ngai et al., 2011). La sensibilidad excesiva puede conducir a un volumen elevado de
falsos positivos, lo que incrementa los costos de investigación y puede erosionar la
confianza en los sistemas de monitoreo (Phua et al., 2010). Este dilema resalta la
necesidad de diseñar procesos de validación rigurosos que combinen la
automatización con la supervisión experta, a fin de refinar la calidad de las
predicciones y reducir el impacto de alertas incorrectas.
El enfoque híbrido y la integración de modelos de ensamble representan un punto de
inflexión metodológico que conjuga lo mejor de ambos paradigmas, articulando la
capacidad de aprendizaje supervisado con la flexibilidad adaptativa del no
supervisado. La investigación contemporánea evidencia que estos modelos permiten
disminuir la varianza y mitigar los sesgos propios de los clasificadores individuales,
ofreciendo soluciones más robustas en escenarios de alta incertidumbre y variabilidad
(Jurgovsky et al., 2018). Whitrow et al. (2009) proporcionaron evidencia empírica del
impacto positivo de la agregación transaccional combinada con aprendizaje
supervisado en la mejora de la sensibilidad y la reducción de las tasas de error.
Asimismo, los ensambles basados en técnicas de boosting y bagging han demostrado
capacidad para elevar métricas como el área bajo la curva ROC y el F1-score,
optimizando la eficacia del sistema de detección (West & Bhattacharya, 2016).
Sin embargo, el despliegue de estos modelos exige infraestructuras tecnológicas
avanzadas que garanticen la disponibilidad de potencia de cómputo suficiente y una
arquitectura de almacenamiento capaz de gestionar grandes volúmenes de datos en
tiempo real (Roy et al., 2018). A ello se suman los desafíos relativos a la
interpretabilidad, dado que la combinación de múltiples algoritmos opaca la
comprensión intuitiva de las decisiones y puede dificultar la trazabilidad exigida por
los marcos regulatorios (Ngai et al., 2011). La literatura revisada enfatiza que la
explicabilidad de los sistemas de detección es un requisito creciente en el ámbito
financiero, en virtud de la necesidad de demostrar la legitimidad y equidad de los
procesos decisionales ante auditorías y organismos supervisores.
Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 9
Artículo Científico
Julio – Septiembre 2024
Un aspecto emergente que adquiere protagonismo en la discusión contemporánea es
la convergencia entre estos enfoques analíticos y las capacidades del aprendizaje
profundo, las arquitecturas en la nube y los sistemas distribuidos. Esta sinergia
tecnológica facilita la creación de sistemas antifraude escalables, con capacidad de
procesamiento masivo y latencia mínima, configurando un ecosistema de prevención
proactiva que supera las limitaciones de los sistemas reactivos tradicionales (Carcillo
et al., 2021). No obstante, este paradigma también genera retos éticos y operativos
vinculados a la privacidad de los datos, la protección frente a ataques adversariales y
el diseño de políticas de gobernanza que garanticen el uso responsable de la
inteligencia artificial (Roy et al., 2018).
La integración de estos hallazgos permite inferir que el futuro de la detección de
fraudes financieros no descansa exclusivamente en la sofisticación técnica de los
algoritmos, sino en su articulación con prácticas organizacionales maduras y marcos
regulatorios que promuevan la transparencia, la auditabilidad y la equidad. La
adopción de estrategias híbridas y de ensamble se configura como la vía más
prometedora para incrementar la eficacia predictiva y adaptativa de los sistemas
antifraude, siempre que se acompañe de inversiones sostenidas en infraestructura
tecnológica, formación de talento especializado y desarrollo de protocolos éticos que
aseguren la integridad y la protección de los datos procesados (Almeida Blacio, 2024).
En síntesis, la presente revisión bibliográfica evidencia que el progreso en este campo
es el resultado de una intersección entre avances algorítmicos, innovación tecnológica
y un enfoque estratégico orientado a consolidar entornos financieros más seguros,
resilientes y confiables. Este proceso demanda la superación de retos metodológicos
persistentes, así como la apertura de líneas de investigación que profundicen en la
interpretabilidad, la escalabilidad y la sostenibilidad de las soluciones analíticas
aplicadas a la detección de fraudes financieros.
5. Conclusiones
A partir del análisis exhaustivo realizado en este estudio, se puede sostener que la
educación ambiental en el nivel secundario constituye un eje fundamental para la
consolidación de una ciudadanía crítica, consciente de las implicaciones sociales,
éticas y ecológicas de sus decisiones. Las estrategias pedagógicas activas, tales
como los proyectos vinculados con problemáticas ambientales locales, las
experiencias al aire libre y el uso de recursos digitales interactivos, han demostrado
un potencial considerable para estimular la comprensión profunda de los fenómenos
ambientales y la adopción de conductas responsables que trasciendan el ámbito
escolar.
La evidencia revisada pone de manifiesto que la participación activa de los estudiantes
es un factor insoslayable en el proceso educativo, pues propicia no solo la apropiación
significativa de los contenidos, sino también la internalización de valores y actitudes
Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 10
Artículo Científico
Julio – Septiembre 2024
que favorecen el compromiso con la protección del entorno. Esta participación activa
permite que el estudiantado experimente un rol protagónico en la identificación de
problemas, la toma de decisiones y la implementación de soluciones, consolidando
así un sentido de autoeficacia ambiental que resulta esencial para la sostenibilidad de
los aprendizajes.
Por otra parte, la formación especializada del profesorado emerge como un requisito
esencial para garantizar la pertinencia, coherencia y efectividad de las propuestas
educativas. La complejidad de los desafíos ambientales contemporáneos exige
docentes que, además de poseer un conocimiento disciplinar riguroso, cuenten con
habilidades pedagógicas para diseñar experiencias participativas, contextualizadas y
culturalmente sensibles. La capacitación continua y el acceso a redes de intercambio
profesional se perfilan, por tanto, como condiciones imprescindibles para el
fortalecimiento de la educación ambiental.
Asimismo, la vinculación de los contenidos con la vida cotidiana y el entorno cercano
del estudiantado constituye un criterio decisivo de eficacia, al facilitar la comprensión
de la relación directa entre las prácticas individuales y los procesos globales de
degradación ambiental. Este anclaje en experiencias personales incrementa la
motivación intrínseca y contribuye a reducir la percepción de distancia que
frecuentemente limita la disposición a actuar. Al contextualizar los aprendizajes, se
estimula la reflexión crítica y se promueve la construcción de hábitos sostenibles que
pueden consolidarse a largo plazo.
El estudio permite afirmar que la eficacia de la educación ambiental no radica en la
implementación aislada de actividades innovadoras, sino en la integración sistemática
y planificada de múltiples dimensiones pedagógicas. La combinación de metodologías
activas, formación docente especializada y contextualización de los contenidos
permite generar entornos educativos en los que el conocimiento, la afectividad y la
acción se articulan de manera coherente. Este enfoque integral resulta indispensable
para atender la complejidad de los problemas ambientales y fomentar un compromiso
genuino con su resolución.
Finalmente, es posible concluir que la consolidación de la educación ambiental como
una herramienta transformadora requiere el respaldo de políticas públicas orientadas
a la innovación curricular, la dotación de recursos materiales y la promoción de
alianzas entre las instituciones educativas, las comunidades locales y los diferentes
actores sociales. Solo a través de un compromiso colectivo que trascienda las
fronteras de la escuela será posible avanzar en la construcción de sociedades más
justas, equitativas y ambientalmente sostenibles. La educación ambiental, en este
sentido, no debe concebirse como un complemento marginal del currículo, sino como
un componente estratégico que aporte a la formación integral de los estudiantes y a
la respuesta colectiva frente a los desafíos que configuran la crisis ecológica
contemporánea.
Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 11
Artículo Científico
Julio – Septiembre 2024
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Albán-Molina, F. E., Salguero-Salguero, M. M., & Aimacaña-Chancusig, E. F. (2024).
Modelo de finanzas personales para el manejo adecuado de ahorros de
emprendimientos del GADP de Cotopaxi. Journal of Economic and Social
Science Research, 4(1), 19–32. https://doi.org/10.55813/gaea/jessr/v4/n1/83
Almeida Blacio, J. H. (2024). El Rol de la Auditoría Forense en la Detección de Fraudes
Corporativos. Revista Científica Zambos, 3(2), 74-
96. https://doi.org/10.69484/rcz/v3/n2/18
Almeida-Blacio, J. H. (2024). Aplicación de Big Data y Técnicas Avanzadas en el Uso
de Tecnología dentro de la Auditoría. Horizon Nexus Journal, 3(1), 55-
68. https://doi.org/10.70881/hnj/v3/n1/49
Almenaba-Guerrero, Y. F., & Herrera-Sánchez, M. J. (2022). Diversidad e Inclusión en
el Lugar de Trabajo: Prácticas en Ecuador Liderazgo y Cultura
Organizacional. Revista Científica Zambos, 1(1), 69-85.
https://doi.org/10.69484/rcz/v1/n1/22
Bahnsen, A. C., Aouada, D., Stojanovic, A., & Ottersten, B. (2016). Feature
engineering strategies for credit card fraud detection. Expert Systems with
Applications, 51, 134–142. https://doi.org/10.1016/j.eswa.2015.12.030
Bolton, R. J., & Hand, D. J. (2002). Statistical fraud detection: A review. Statistical
Science, 17(3), 235–255. https://doi.org/10.1214/ss/1042727940
Caicedo-Aldaz, J. C., Urgiles-Solorzano, A. S., & Moreira-Santamaria, M. J. (2022).
Análisis del impacto económico de la reducción de precios del sector cacaotero,
La Concordia 2019-2021. Journal of Economic and Social Science
Research, 2(1), 1–17. https://doi.org/10.55813/gaea/jessr/v2/n1/43
Carcillo, F., Le Borgne, Y.-A., Caelen, O., Bontempi, G., & Sebban, M. (2021).
Combining unsupervised and supervised learning in credit card fraud detection.
Information Sciences, 557, 317–331.
Dal Pozzolo, A., Caelen, O., Johnson, R. A., & Bontempi, G. (2018). Calibrating
probability with undersampling for unbalanced classification. 2015 IEEE
Symposium Series on Computational Intelligence, 159–166.
https://doi.org/10.1109/SSCI.2015.33
Erazo-Luzuriaga, A. F. (2023). Uso de la minería de datos para la prevención de
fraudes en el sector financiero. Horizon Nexus Journal, 1(1), 63-
76. https://doi.org/10.70881/hnj/v1/n1/13
Guitérrez-Portela, F., Moreno-Hernández, J., Echeverry, B., & Jaramillo, A. (2019).
USO DE LOS SISTEMAS INTELIGENTES PARA LA DETECCIÓN DE
FRAUDES FINANCIEROS. Revista Sinergia, (6), 6-30. Recuperado a partir de
http://sinergia.colmayor.edu.co/ojs/index.php/Revistasinergia/article/view/83
Revista Científica Ciencia y Método | Vol.02 | Núm.03 | Jul – Sep | 2024 | www.revistacym.com pág. 12
Artículo Científico
Julio – Septiembre 2024
Herrera-Sánche, M. J., Casanova-Villalba, C. I., & Ruiz-López, S. E. (2023).
Adaptación de las normativas de auditoría frente a los avances tecnológicos
emergentes. Revista Científica Ciencia Y Método, 1(3), 1-15.
https://doi.org/10.55813/gaea/rcym/v1/n3/16
Herrera-Sánchez, M. J., Navarrete-Zambrano, C. M., Núñez-Liberio, R. V., & López-
Pérez, P. J. (2023). Elementos de un sistema de costeo para la producción de
Sacha Inchi. Journal of Economic and Social Science Research, 3(1), 1–16.
https://doi.org/10.55813/gaea/jessr/v3/n1/58
Hurtado-Guevara, R. F., & Casanova-Villalba, C. I. (2022). La Auditoría Forense como
Herramienta para la Detección de Fraudes Financieros en Ecuador. Revista
Científica Zambos, 1(1), 33-50. https://doi.org/10.69484/rcz/v1/n1/52
Jurgovsky, J., Granitzer, M., Ziegler, K., Calabretto, S., Portier, P.-E., He-Guelton, L.,
& Caelen, O. (2018). Sequence classification for credit-card fraud detection.
Expert Systems with Applications, 100, 234–245.
https://doi.org/10.1016/j.eswa.2018.01.037
López-Pérez, P. J., Casanova-Villalba, C. I., & Muñoz-Intriago, K. R. . (2022). La
Evolución de la Contabilidad Ambiental en Empresas Ecuatorianas. Revista
Científica Zambos, 1(3), 44-59. https://doi.org/10.69484/rcz/v1/n3/32
Navarrete Zambrano, C. M., & Herrera-Sánchez, M. J. (2023). Impacto de la
Contabilidad Ambiental en las Empresas del Sector Minero en Ecuador. Revista
Científica Zambos, 2(2), 37-49. https://doi.org/10.69484/rcz/v2/n2/42
Ngai, E. W. T., Hu, Y., Wong, Y. H., Chen, Y., & Sun, X. (2011). The application of
data mining techniques in financial fraud detection: A classification framework
and an academic review of literature. Decision Support Systems, 50(3), 559–
569. https://doi.org/10.1016/j.dss.2010.08.006
Phua, C., Lee, V., Smith, K., & Gayler, R. (2010). A comprehensive survey of data
mining-based fraud detection research. arXiv preprint arXiv:1009.6119.
https://doi.org/10.48550/arXiv.1009.6119
Preciado Ramírez, J. D., & Bravo Bravo, I. F. (2021). Keynes y la crisis financiera de
1929, panorama de la Gran Depresión. Journal of Economic and Social Science
Research, 1(1), 38–48. https://doi.org/10.55813/gaea/jessr/v1/n1/19
Roy, A., Sun, J., Mahoney, W., AlZain, M. A., & Kantardzic, M. (2018). Deep learning
detecting fraud in credit card transactions. Proceedings of the 2018 IEEE
International Conference on Big Data, 1846–1855.
West, J., & Bhattacharya, M. (2016). Intelligent financial fraud detection: A
comprehensive review. Computers & Security, 57, 47–66.
https://doi.org/10.1016/j.cose.2015.09.005
Whitrow, C., Hand, D. J., Juszczak, P., Weston, D., & Adams, N. M. (2009).
Transaction aggregation as a strategy for credit card fraud detection. Data
Mining and Knowledge Discovery, 18(1), 30–55.
https://doi.org/10.1007/s10618-008-0116-z
