Key points are not available for this paper at this time.
لقد أثبتت تقنيات التنقيب عن البيانات فعاليتها ليس فقط في اكتشاف الاحتيال في البيانات المالية ولكن أيضًا في كشف الجرائم المالية الأخرى، مثل احتيالات بطاقات الائتمان، احتيالات القروض والأوراق المالية، الاحتيالات الشركاتية، احتيالات البنوك والتأمينات، وما إلى ذلك. تم قبول تصنيف تقنيات التنقيب عن البيانات في السنوات الأخيرة كواحدة من أكثر المنهجيات موثوقية للكشف عن أعراض الاحتيال في البيانات المالية من خلال مسح البيانات المالية المنشورة للشركات. يمكن تصنيف الأدبيات المسترجعة التي استخدمت تقنيات تصنيف التنقيب عن البيانات على نطاق واسع بناءً على نوع التقنية المطبقة، مثل التقنيات الإحصائية وتقنيات التعلم الآلي. يتمثل التحدي الأكبر في تنفيذ عملية التصنيف باستخدام تقنيات التنقيب عن البيانات في جمع عينة البيانات الخاصة بالشركات الاحتيالية وتطابق عينة الشركات الاحتيالية مع الشركات غير الاحتيالية. في هذه المقالة، تم إجراء مراجعة أدبية منهجية (SLR) للدراسات في مجال الكشف عن الاحتيال في البيانات المالية. لقد أخذت المراجعة في الاعتبار المقالات البحثية المنشورة بين عامي 1995 و2020. علاوة على ذلك، تم إجراء تحليل تلوي لتحديد تأثير تطابق عينة البيانات للشركات الاحتيالية مقابل الشركات غير الاحتيالية على طرق التصنيف من خلال مقارنة دقة التصنيف العامة المبلغ عنها في الأدبيات. تشير الأدبيات المسترجعة إلى أن العينة الاحتيالية يمكن أن تتزاوج بالتساوي مع العينة غير الاحتيالية (تطابق بيانات 1:1) أو تتطابق بشكل غير متساوي باستخدام نسبة 1:كثير لزيادة حجم العينة بشكل متناسب. استنادًا إلى التحليل التلوي للمقالات البحثية، يمكن أن نستنتج أن approaches تعلم الآلة، بالمقارنة مع approaches الإحصائية، يمكن أن تحقق دقة تصنيف أفضل، خاصة عندما يكون توفر بيانات العينة منخفضًا. يمكن الحصول على دقة تصنيف عالية حتى مع مجموعة بيانات تطابق 1:1 باستخدام تقنيات تصنيف تعلم الآلة.
دراسة غوبتا وآخرون (الثلاثاء) هذا السؤال.