Evaluación de Transformers para la clasificación multiclase de mensajes fraudulentos y extorsivos en español con control

[fbarrioss]

Autores:
- Franklin Barrios
- Kenin Ojeda
- Javier Rosado
- Wilson Ibarra

Resumen:
La detección de fraude en mensajería digital es un problema crítico en la industria de las telecomunicaciones y la ciberseguridad, puesto que se relaciona directamente con la protección financiera de los usuarios y la confianza en los canales de comunicación digital. Este estudio se centra en un enfoque multiclase para identificar con precisión la modalidad específica del engaño, superando la limitación de los modelos binarios tradicionales que solo distinguen entre mensaje legítimo y malicioso.

Se analizaron 26,506 mensajes en español, distribuidos en 11 categorías que cubren suplantación de identidad, extorsión y fraude, con un protocolo de partición por familias semánticas que evita fuga de información entre entrenamiento, validación y prueba. Mediante un análisis exhaustivo del corpus y arquitecturas Transformer (BETO cased, BETO uncased y XLM-RoBERTa), se desarrollaron modelos predictivos evaluados con F1-macro, AUC-ROC, robustez por clase y generalización en un benchmark sintético externo.

Los hallazgos de esta investigación ofrecen lineamientos operativos basados en datos para sistemas de apoyo a analistas de seguridad, facilitando una clasificación selectiva por umbral de confianza que prioriza la revisión humana en los casos de mayor ambigüedad semántica. Además, el enfoque comparativo entre modelos monolingües y multilingües, junto con el análisis detallado de la matriz de confusión, confirma la relevancia de integrar taxonomías lingüísticamente informadas y arquitecturas de lenguaje preentrenadas en la detección de fraude en español.

Impacto:
El trabajo aporta una taxonomía multiclase de 11 categorías en español que integra fraude, suplantación y extorsión —poco cubierta en la literatura, centrada mayormente en inglés o chino—, junto con un protocolo de partición por familias semánticas que evita fuga de información entre entrenamiento, validación y prueba. Los resultados permiten diseñar sistemas de apoyo a analistas con clasificación selectiva por umbral de confianza, priorizando revisión humana en los mensajes ubicados en las fronteras semánticas más ambiguas.

Palabras Clave:
fraude digital, smishing, phishing, clasificación multiclase, BETO, XLM-RoBERTa, mDeBERTa, procesamiento de lenguaje natural, Transformers, suplantación de identidad, extorsión, ingeniería social, F1-macro, matriz de confusión, taxonomía de fraude, mensajería móvil, español, aprendizaje profundo, clasificación selectiva, generalización de modelos