MODELING OF POTENTIAL FRAUDSTER'S PORTRAIT AND BANKING FRAUD VICTIM’S PORTRAIT
Bibliographic record
Abstract
Статтю присвячено актуальній проблемі боротьби із шахрайствами у банках, яка набула глобального характеру за рахунок збільшення збитків банків та їх клієнтів у різних країнах. На це вплинула поява нових можливостей здійснення фінансових операцій за допомогою різних технологій – Інтернет, мобільних, безконтактних пристроїв, спеціальних програмних додатків, тощо. Для дослідження використано статистичні дані по шахрайствам в Великій Британії за 2015-2018 роки за різними видами фінансових продуктів, які було надано агентством звітності споживчого кредитування “Experian”. В статті запропоновано узагальнений підхід до моделювання портретів потенційного шахрая та жертви, який можна застосовувати для формування таких портретів в банківських установах різних країн. Авторами проаналізовано шахрайства, які здійснюються від першої сторони та від третьої. До шахраїв першої сторони відносяться клієнти банку, які цілеспрямовано здійснюють протизаконні дії з банківськими кредитними, ощадними, платіжними рахунками, картками, іпотекою. Шахраями від третьої сторони вважаються сторонні особи, жертвою яких становиться саме клієнт банку. За останні роки спостерігається збільшення випадків шахрайств, які здійснюють сторонні особи. Авторами було побудовано дві моделі у вигляді дерева рішень, які являють собою змодельовані портрети потенційного шахрая від першої сторони та потенційної жертви шахрайств з боку третіх сторін. Для побудови дерева було розподілено клієнтів з урахуванням ознак статі, віку та соціальної групи або становища та визначено ймовірності гілок. В результаті отримано дерево із 300 можливими варіантами розвитку подій, що дозволило виділити ймовірних шахраїв та жертв. При впровадженні даних моделей у практичну діяльність аналітичний відділ банку може самостійно відслідковувати різні групи та ознаки, за якими може виникати шахрайство. Це допоможе вирізнити тих клієнтів, для яких потрібно вжити додаткових заходів безпеки за всіма видами банківських продуктів, особливо поточних, кредитних, ощадних та карткових рахунків. Використання подібних портретів сприятиме більш ефективному прийняттю рішення з боку банківського персоналу та попередженню шахрайства у різних випадках.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.025 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".