A Systematic Review of Artificial Intelligence Applied to Compliance: Fraud Detection in Cryptocurrency Transactions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rising financial fraud impacts industries, economies, and consumers, creating a need for advanced technological solutions. Compliance frameworks help detect and prevent illicit activities like money laundering, market manipulation, etc. However, with the rise of cryptocurrencies and blockchain, traditional detection methods are ineffective. As a result, Artificial Intelligence (AI) has emerged as a vital tool for combating fraud in the cryptocurrency sector. This systematic review examines the integration of AI in compliance for cryptocurrency fraud detection between 2014 and 2025, analyzing its evolution, methodologies, and emerging trends. Using RStudio (Biblioshiny) and VOSviewer, 353 peer-reviewed studies from leading databases including SciSpace, Elicit, Google Scholar, ScienceDirect, Scopus, and Web of Science were analyzed following the PRISMA methodology. Key trends include the adoption of machine learning, deep learning, natural language processing, and generative AI technologies to improve efficiency and innovation in fraud detection. However, challenges persist, including limited transparency in AI models, regulatory fragmentation, and limited access to quality data, all of which hinder effective fraud detection. The long-term real-world effectiveness of AI tools remains underexplored. This review highlights the trajectory of AI in compliance, identifies areas for further research, and emphasizes bridging theory and practice to strengthen fraud detection in cryptocurrency transactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle