在SACCO交易中以人工智能驱动的欺诈模式检测系统审查和未来的方向
Dalton Ampumuza1, Calorine Katushabe1, Micheal Tamale1
1Department of Computer Science, Faculty of Computing and Information Science, Kabale University, Kabale, Uganda.
Frontiers in artificial intelligence
|February 16, 2026
概括
储蓄和信贷合作社组织 (SACCOs) 的欺诈行为是一个重大问题. 本次审查强调了新出现的数字欺诈和机器学习用于检测的潜力,并建议混合模型以提高欺诈弹性.
科学领域:
- 金融犯罪学 金融犯罪学
- 信息系统安全 信息系统安全
- 应用机器学习应用机器学习
背景情况:
- 储蓄和信贷合作组织 (SACCOs) 的欺诈行为阻碍了发展中国家的金融包容性和可持续性.
- 传统和新的欺诈计划都对SACCO的诚信构成持续的威胁.
- 现有的欺诈检测方法在解决复杂的金融犯罪方面往往不足.
研究的目的:
- 系统地审查SACCO中传统和新兴的欺诈模式.
- 评估各种欺诈检测方法的有效性,重点关注人工智能和机器学习.
- 确定缺口,并为加强欺诈检测框架提出建议.
主要方法:
- 对28项同行评审研究 (2015-2025) 的系统文献综述.
- 在Web of Science,Scopus和谷歌学者中进行的搜索.
- 对所选的研究应用了质量和资格标准.
主要成果:
- 传统的欺诈 (勾结,贪污) 和数字欺诈 (移动支付,网络鱼,加密骗局) 是普遍存在的.
- 基于规则和基于审计的方法在很大程度上是无效的.
- 机器学习对实时检测有希望,但面临挑战 (类不平衡,可解释性,数据隐私).
- 他们发现ICT基础设施薄弱,缺乏SACCO特定的模型.
结论:
- 建议SACCO采用混合模型,将传统审计与机器学习相结合.
- 未来的研究应该专注于可解释的人工智能和保护隐私的分析.
- 提高SACCOs的欺诈弹性需要定制的,先进的检测策略.
