pág. 2593
MODELO DE MACHINE LEARNING PARA LA
IDENTIFICACIÓN DE LA PROBABILIDAD DE
RIESGO DE SUPLANTACIÓN DE IDENTIDAD
MACHINE LEARNING MODEL FOR IDENTIFYING
OF IDENTITY IMPERSONATION RISKS
Gabriela González-Vázquez
Tecnológico Nacional de México
Luis Alberto León-Bañuelos
Tecnológico Nacional de México
Demetrio Castelan Urquiza
Tecnológico Nacional de México
Araceli Guerrero Alonso
Tecnológico Nacional de México
Felipe de Jesús García López
Tecnológico Nacional de México
pág. 2594
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22410
Modelo de Machine Learning para la Identificación de la Probabilidad de
Riesgo de Suplantación de Identidad
Gabriela González-Vázquez1
gabriela.gv@vbravo.tecnm.mx
https://orcid.org/0000-0003-0780-6392
Tecnológico Nacional de México
TES Valle de Bravo, México
Luis Alberto León-Bañuelos
luis.lb@vbravo.tecnm.mx
https://orcid.org/0000-0003-0332-6228
Tecnológico Nacional de México
TES Valle de Bravo, México
Demetrio Castelan Urquiza
demetrio.cu@vbravo.tecnm.mx
https://orcid.org/0000-0003-0250-7908
Tecnológico Nacional de México
TES Valle de Bravo, México
Araceli Guerrero Alonso
araceli.ga@vbravo.tecnm.mx
https://orcid.org/0009-0006-8868-7442
Tecnológico Nacional de México
TES Valle de Bravo, México
Felipe de Jesús García López
felipefenix05@gmail.com
https://orcid.org/0009-0008-7764-7482
Tecnológico Nacional de México
TES Valle de Bravo, México
RESUMEN
La suplantación de identidad en línea es una amenaza creciente. En México, durante el 2023, ocho de
cada diez personas de seis años en adelante fueron usuarios de internet (IFT, 2024). Este aumento ha
originado un incremento de los ciberdelitos, afectando principalmente a jóvenes. A pesar de leyes como
el Código Penal Federal y la Ley General de Protección de Datos Personales, los delitos cibernéticos
siguen siendo un desafío para el sistema judicial (Diputado Monreal Ávila, 2025). Ante esto, surge la
necesidad de desarrollar herramientas de prevención más eficaces (UNICEF, 2024), basadas en
inteligencia artificial. Donde, los algoritmos de Machine Learning son una solución prometedora para
identificar y predecir el riesgo de suplantación de identidad (Rodriguez-Asto et al., 2024). El modelo
propuesto se apoya en datos obtenidos mediante encuestas con escala Likert, evaluando el nivel de
conocimiento y comportamiento de los usuarios frente al phishing y otras amenazas digitales. La
metodología utilizada para el desarrollo de la plataforma se estructura en cuatro fases: recolección de
datos, validación, integración y evaluación de resultados. Para la predicción de riesgos, se utilizó un
modelo de Naive Bayes (Ige et al., 2024). La plataforma no solo se limita a realizar
predicciones, presenta un enfoque educativo, brindando a los usuarios herramientas y recursos para
prevenir el phishing y otros tipos de fraudes digitales (Aredo-Vargas et al., 2024).
Palabras clave: suplantación, machine learning, riesgos de internet,algoritmo
1
Autor principal.
Correspondencia: gabriela.gv@vbravo.tecnm.mx
pág. 2595
Machine Learning Model for Identifying of Identity Impersonation Risks
ABSTRACT
Online identity theft is a growing threat. In Mexico, during 2023, eight out of ten people aged six and
older were internet users (IFT, 2024). This increase has led to a rise in cybercrime, primarily affecting
young people. Despite laws such as the Federal Penal Code and the General Law on the Protection of
Personal Data, cybercrimes continue to pose a challenge to the judicial system (Diputado Monreal
Ávila, 2025). Given this, there is a need to develop more effective prevention tools (UNICEF, 2024)
based on artificial intelligence. Machine learning algorithms are a promising solution for identifying
and predicting the risk of identity theft (Rodriguez-Asto et al., 2024). The proposed model is based on
data obtained through Likert-scale surveys, assessing users' level of knowledge and behavior regarding
phishing and other digital threats. The methodology used to develop the platform is structured in four
phases: data collection, validation, integration, and results evaluation. A Naive Bayes model was used
for risk prediction (Ige et al., 2024). The platform not only makes predictions but also has an educational
focus, providing users with tools and resources to prevent phishing and other types of digital fraud
(Aredo-Vargas et al., 2024).
Keywords: identity impersonation, machine learning, internet risks, algorithm
Artículo recibido 09 diciembre 2025
Aceptado para publicación: 12 enero 2026
pág. 2596
INTRODUCCIÓN
En el mundo, 62.5% de las personas se conectan a Internet, donde ocho de cada diez utilizan redes
sociales (Romero Mireles, 2023), el servicio se ha convertido en una herramienta indispensable en todos
los ámbitos (Moreano Guerra et al., 2024), tanto empresarial como educativo, lo cual ha permitido el
crecimiento y desarrollo de factores para mejora de variadas actividades. Desafortunadamente este
cambio ha provocado ciertas vulnerabilidades en la población. Flores Mayorga et al. (2023)
determinaron, a partir de una encuesta aplicada a 215 niños, niñas y adolescentes entre los 10 y 14 años
determinaron que 8.76% han sufrido de acoso sexual en línea. Aunado a todo esto, la suplantación de
identidad ha ido en incremento, donde los ciberdelincuentes usan estas debilidades para cometer delitos
en anonimato (Martínez Galindo, 2024).
En México se ha convertido en un problema significativo en el entorno digital, afectando tanto a
individuos como a organizaciones (Alcalá Casillas, 2024). Este delito plantea serias amenazas a la
privacidad y la seguridad personal, lo que ha llevado a la sociedad a demandar respuestas más efectivas
(Alcalá Casillas y Meléndez Ehrenzweig, 2023). El uso intensivo de la tecnología entre las nuevas
generaciones las hace más vulnerables a distintos riesgos digitales, siendo el phishing uno de los más
comunes. (García García, 2018), los jóvenes representan un objetivo muy tentador para los atacantes,
ya que pueden carecer de la capacidad o el entendimiento necesario para enfrentar estos riesgos
(Montemayor Garza y Tapia Cortes, 2022).
La manera más común de suplantación de identidad es utilizando la ingeniería social (López Grande y
Salvador Guadrón, 2016)
El Código Penal Federal establece la suplantación de identidad como un delito y sanciona a quienes lo
cometen para obtener un beneficio económico o causar daño a una persona (Código Penal, 2025). Por
otra parte, la ley General de Protección de Datos Personales en Posesión de los Particulares, establece
sanciones para quienes manejen datos de manera indebida (Protección de Datos, 2025). Asimismo la
Ley Olimpia, aunque originalmente se enfoca en la violencia digital, incluye disposiciones que abordan
la suplantación de identidad y el uso indebido de la imagen de una persona sin su consentimiento (Ley
Olimpia, 2025).
pág. 2597
Si bien se tienen las leyes y responsables del cumplimiento, los ciberdelitos suelen superar las
capacidades para dar seguimiento y por tanto es difícil solucionar estos problemas en un corto tiempo.
Es por ello que se han generado diversas estrategias que apoyan en la prevención e identificación
temprana (Olivares Romero et al., 2025).
El aumento de casos de suplantación de identidad en el entorno digital ha impactado gravemente a las
víctimas (González Véliz y Cuzcano Chavez, 2024), destacando la necesidad urgente de combatir esta
amenaza. Se desarrollaron sistemas avanzados de detección basados en inteligencia artificial y
campañas de concientización para capacitar a los usuarios sobre la protección de sus datos personales.
(Oseda Gago et al., 2024).
Los riesgos informáticos también afectan a grandes organizaciones, que frecuentemente son
extorsionadas (Peña Labrini, 2023). Estas entidades deben implementar planes de respuesta inmediata
ante amenazas, utilizando el ciclo de Deming (Montesinos González et al., 2020), para diseñar
estrategias efectivas y optimizar recursos en el uso de tecnologías de la información.
La Industria 4.0 ha promovido el uso de pagos digitales, lo que mejora la experiencia de consumo y
reduce el uso de efectivo. Sin embargo, este avance ha sido explotado por estafadores que utilizan
técnicas sofisticadas para engañar a los usuarios. Como respuesta, la industria ha implementado
medidas más estrictas para proteger a los consumidores, creando un entorno más seguro. Al mismo
tiempo, los usuarios deben adoptar buenas prácticas para evitar fraudes, lo que motiva a las instituciones
a seguir mejorando sus sistemas de seguridad (Ramirez-Asisi et al., 2022).
Desarrollar herramientas y estrategias enfocadas en la prevención de delitos en entornos digitales, con
un énfasis especial en la protección de datos personales son indispensables en la actualidad, por lo tanto,
es necesario complementar las medidas de identificación de vulnerabilidades ante la suplantación de
identidad.
Este proyecto tiene como objetivo principal determinar la probabilidad de sufrir suplantación de
identidad mediante la implementación de algoritmos de clasificación no supervisada, con la finalidad
de realizar análisis precisos y generar predicciones que contribuyan a la toma de decisiones preventivas.
pág. 2598
METODOLOGÍA
El proyecto se desarrolló utilizando como base la metodología ágil SCRUM, la cual permitió abordar
de manera estructurada y colaborativa cada etapa del trabajo. Este enfoque facilitó la organización del
proyecto en ciclos cortos (sprints), promoviendo la entrega de resultados parciales funcionales y
adaptándose a las necesidades y cambios durante el desarrollo. Esta metodología permite la
comunicación continua y la mejora iterativa, lo que facilita el cumplimiento de los objetivos del
proyecto de manera eficiente (Gillespie, 2023). También fomenta una rápida adaptación a los cambios
durante el desarrollo, asegurando que los productos finales sean relevantes y alineados con los requisitos
del usuario final (Figura 1).
Figura 1. Fases de la investigación
Fases del Proyecto
Recolección de datos: En esta fase se diseñaron y aplicaron encuestas dirigidas a los usuarios para
conocer su nivel de conocimiento y su comportamiento frente al phishing. Para ellos, se utilizó un
cuestionario estructurado, el cual fue integrado directamente a la plataforma, lo que permitió recopilar
información precisa y detallada de cómo interactúan los usuarios ante este tipo de amenazas (Duarte
Sánchez y Guerrero Barreto, 2024).
Los códigos QR se utilizan cada vez más para redirigir a los usuarios a sitios fraudulentos a través de
mensajes y correos electrónicos (Weinz et al., 2025). Esta práctica se aprovecha de la confianza que los
usuarios depositan en los códigos QR al escanearlos desde sus dispositivos móviles.
pág. 2599
Así mismo, las tiendas en línea falsas siguen siendo una táctica eficaz durante eventos de ventas como
el Black Friday. En estos casos, los ciberdelincuentes replican sitios web legítimos y ofrecer productos
a precios bajos con el objetivo de robar información financiera (Maldonado Ruiz, 2025), el 62% de las
personas que ingresan en estos sitios proporcionan sus datos, debido a la confianza generada por los
certificados SSL fraudulentos que imitan a las páginas legítimas.
El uso de inteligencia artificial en ataques de phishing está en auge, especialmente a través de técnicas
como los deepfakes (Tapia Sánchez, 2025). Los ciberdelincuentes emplean Inteligencia Artificial para
crear correos electrónicos altamente personalizados y fraudulentos que imitan a empleados o figuras de
confianza, lo que hace más difícil detectar el fraude. IBM Security (Kosinski y Carruthers, 2025), indica
que más del 43% de los correos maliciosos dirigen a sitios de phishing que simulan páginas de inicio
de sesión de empresas legítimas, aumentando la efectividad del ataque.
Construcción del modelo predictivo: Después de la recopilación de datos, se realizó el análisis y
preprocesamiento de la información para garantizar su calidad. Se utilizaron seis algoritmos de Machine
Learning: Regresión Lineal, KNN, Árbol de Decisión, Random Forest, Red Neuronal y Naive Bayes,
para predecir la probabilidad de que un usuario sea víctima de phishing. Naive Bayes fue seleccionado
como el óptimo debido a su balance entre simplicidad y rendimiento en datasets con distribuciones
probabilísticas (Veziroğlu et al., 2024), logrando resultados consistentes en precisión y recall que lo
hacen adecuado para este caso de estudio.
Desarrollo de la plataforma web: En esta fase se centró en el diseño y programación de una plataforma
web funcional y accesible, utilizando Laravel como framework principal (Avilés Matute et al., 2020).
Se integraron componentes visuales con Bootstrap para asegurar una interfaz intuitiva, responsiva y
amigable para los usuarios finales, mejorando así la experiencia del usuario (Martínez Ramírez et al.,
2024).
Integración del modelo predictivo y pruebas: El modelo de predicción fue integrado en la plataforma
como un módulo, que permite analizar los datos de las encuestas y generar predicciones en tiempo real.
Se realizaron pruebas exhaustivas para asegurar la precisión y la eficiencia del modelo en un entorno
real (Muñoz Torres, 2024).
pág. 2600
Herramientas Utilizadas
Figura 2 Análisis y Desarrollo del Modelo Predictivo:
Desarrollo de la Plataforma Web
Laravel: Framework PHP utilizado para la lógica del servidor y la integración del modelo MVC
(Modelo-Vista-Controlador), facilitando la interacción con la base de datos y la gestión de la plataforma
web.
Bootstrap: Herramienta de diseño web responsivo utilizada para crear interfaces accesibles y atractivas
para los usuarios.
Gestión del Proyecto
GitHub: Plataforma para el control de versiones y la colaboración en equipo, que permitió gestionar el
código y el progreso del proyecto de manera efectiva.
RESULTADOS Y DISCUSIÓN
Recolección de Información
La primera etapa del proyecto se centró en el diseño e implementación de encuestas estructuradas para
recolectar datos relacionados con el comportamiento y conocimiento de los usuarios frente al phishing
(Figura 2). Estas encuestas tuvieron como propósito generar un conjunto de datos representativos que
permitieran entrenar modelos de Machine Learning enfocados en predecir el riesgo de sufrir un ataque
de phishing.
El cuestionario aplicado estuvo compuesto por reactivos con temas relacionados a:
• Frecuencia de interacción con correos electrónicos sospechosos.
• Conocimiento sobre técnicas de ingeniería social.
Python: Principal lenguaje
utilizado para el desarrollo
del modelo de aprendizaje
automático.
Pandas: Usado para la
manipulación y análisis de
datos tabulares, permitiendo
manejar grandes volúmenes
de datos de manera
eficiente.
NumPy: Biblioteca para
realizar operaciones
matemáticas y cálculos
numéricos eficientes en
Python.
Scikit-learn: Usada para
implementar el modelo
Naive Bayes y evaluar
métricas de clasificación en
el análisis predictivo.
pág. 2601
• Hábitos de navegación y uso de contraseñas.
Figura 2. Objeto de recolección de datos
Se utilizó la escala de Likert como formato de respuesta, dado que permite medir la intensidad de las
percepciones y actitudes de los usuarios mediante niveles de acuerdo o desacuerdo ante afirmaciones
específicas. La plataforma desarrollada ofrece una interfaz sencilla e intuitiva que facilita la asignación
y gestión de las respuestas, permitiendo al administrador definirlas de manera rápida y precisa (Figura
3).
Figura 3. Asignación de valores a escala de Likert
pág. 2602
La confiabilidad del instrumento fue evaluada mediante el coeficiente Alfa de Cronbach, obteniéndose
un valor de 0.883138, el cual indica una alta consistencia interna entre los ítems del cuestionario. De
acuerdo con la literatura especializada, valores de alfa comprendidos entre 0.70 y 0.90 son considerados
indicativos de una adecuada fiabilidad interna en escalas unidimensionales, lo que confirma que los
ítems se encuentran correctamente alineados y son coherentes en la medición del constructo evaluado
(Colorado Romero et al., 2024).
El público objetivo para la recolección de datos estuvo conformado por jóvenes, un grupo caracterizado
por su uso intensivo de redes sociales y plataformas digitales, lo que implica una mayor exposición a
entornos en línea y, en consecuencia, una mayor susceptibilidad a ataques de phishing.
El proposito de la recolección de datos fue evaluar no solo el grado de conocimiento que estos jóvenes
tienen sobre el phishing, sino también analizar comportamientos y actitudes que podrían incrementar
su vulnerabilidad frente a este tipo de amenazas cibernéticas.
Para lograrlo, las encuestas incluyeron las siguientes áreas clave de evaluación:
1. Experiencias previas con phishing: Preguntas que exploraron si los participantes habían recibido
correos electrónicos o mensajes sospechosos y cómo reaccionaron ante ellos.
2. Conocimiento sobre medidas de seguridad: Evaluación de la familiaridad de los jóvenes con
prácticas como el uso de contraseñas seguras, autenticación en dos pasos y reconocimiento de
señales comunes de phishing.
3. Capacidad para identificar amenazas: Ejercicios prácticos o preguntas diseñadas para medir su
habilidad para reconocer elementos sospechosos en correos electrónicos o mensajes, como enlaces
falsificados o dominios no confiables.
Esta etapa de recolección de datos permitió construir una base sólida y representativa, que sirvió como
insumo principal para las siguientes fases del proyecto (Figura 4). Gracias a la calidad y variedad de la
información recopilada, fue posible alimentar los modelos de Machine Learning y optimizar su
capacidad predictiva en la identificación de riesgos de phishing.
pág. 2603
Figura 4. Ejemplo de preguntas formuladas
Validación del Modelo
En la fase de validación del modelo, el primer paso fue el preprocesamiento de los datos, donde se
realizó una limpieza exhaustiva para eliminar respuestas incompletas, inconsistentes o irrelevantes. Este
proceso permitió asegurar que los datos fueran de alta calidad y estuvieran listos para el análisis.
Además, se transformaron las variables categóricas en formatos adecuados para los modelos de
Machine Learning (Figura 5).
Una vez preparados los datos, se procedió a entrenar diversos algoritmos de Machine Learning,
incluyendo Naive Bayes, Regresión Lineal, Árboles de Decisión, Bosques Aleatorios, Redes
Neuronales, y SVM.
El objetivo fue evaluar cómo cada modelo se ajustaba a los datos y cuál lograba mejores resultados en
términos de precisión y capacidad de generalización.
pág. 2604
Figura 5. Tabla de resultados
Los primeros resultados mostraron que la Regresión Lineal era el modelo más robusto y preciso,
destacándose en las pruebas con conjuntos de datos medianos a grandes (Tabla 1). Su rendimiento en
la clasificación de respuestas fue consistente y confiable. Sin embargo, al proyectarse el uso de grandes
volúmenes de datos, se determinó que, aunque es adecuada para datos medianos, no era el modelo
óptimo para la implementación final (Gráfica 1).
Tabla 1. Comparación de modelos con los datos obtenidos
Modelo
Precisión
Recall
AUC
Regresión Lineal
84.74
76.92
87.34
KNN
62.63
58.21
59.77
Árbol de Decisión
73.12
80.34
81.32
Random Forest
91.45
88.99
90.47
Red Neuronal
78.23
65.49
74.89
Naive Bayes
63.55
70.12
68.99
Tabla 2. Comparación de modelos con datos simulados
Modelo
Precisión
Recall
AUC
Regresión Lineal
84.95
84.95
92.02
KNN
83.62
81.94
90.63
Árbol de Decisión
65.92
68.56
66.67
Random Forest
80.33
80.60
88.63
Red Neuronal
83.51
81.27
88.67
Naive Bayes
83.50
84.62
91.95
pág. 2605
Para evaluar completamente el rendimiento de los modelos, se llevó a cabo una simulación masiva con
grandes volúmenes de datos generados (datagenerate), similares a los datos de un semestre completo
(Gráfica 2).
Los resultados mostraron que Naive Bayes se comportó de manera similar a los modelos anteriores,
logrando una precisión comparable en escenarios con grandes volúmenes de datos. A pesar de que
ambos modelos tuvieron un rendimiento similar, Naive Bayes destacó por su mayor eficiencia en estos
escenarios, consolidándose como la opción más adecuada para la implementación final (Tabla 2).
Gráfica 1.Comparación de modelos con los datos obtenidos
Integración
En esta fase, el objetivo fue integrar el modelo de Machine Learning Naive Bayes dentro de la
plataforma web, específicamente en los módulos de encuestas y resultados. Este modelo se utilizó para
predecir el riesgo de ser víctima de phishing. de los usuarios en función de sus respuestas a las encuestas,
y proporcionar recomendaciones personalizadas para fortalecer su seguridad.
pág. 2606
Gráfica 2. Comparación de modelos con datos simulados
La plataforma ya contaba con un módulo de encuestas funcional, que permitía a los usuarios completar
cuestionarios relacionados con su conocimiento y comportamiento frente al phishing. Para asegurar la
compatibilidad de este módulo con el modelo de Naive Bayes, se llevaron a cabo ajustes en el backend
de la plataforma web (Figura 6).
Figura 6. Módulo de encuestas de la plataforma web
pág. 2607
Las respuestas a las encuestas fueron estructuradas de manera que el modelo pudiera procesarlas
fácilmente, clasificando las respuestas en categorías relevantes.
Para entrenar el modelo, se utilizó un conjunto de datos histórico recopilado de las respuestas de los
usuarios anteriores en la plataforma. Dado que Naive Bayes es ideal para la clasificación de datos
categóricos, las respuestas de los usuarios se adaptaron a categorías como “Totalmente en desacuerdo”,”
En desacuerdo”, “Neutral”,” De acuerdo”, “Totalmente de acuerdo”, lo que permitió al modelo aprender
patrones relacionados con las vulnerabilidades ante el phishing.
El modelo fue entrenado directamente en el servidor, y no fue necesario ningún proceso de integración
externa. Una vez finalizado, el modelo estuvo listo para hacer predicciones en tiempo real basadas en
las respuestas de nuevas encuestas.
El modelo de Naive Bayes se integró dentro del módulo de resultados de la plataforma, que ya mostraba
las puntuaciones de los usuarios después de completar una encuesta. Con la integración del modelo, se
añadió una capa adicional para mostrar la predicción del riesgo de phishing en función de las respuestas
proporcionadas por el usuario (Figura 7).
Figura 7. Visualización de resultados de las encuestas
pág. 2608
Predicción del Riesgo de Phishing: Cuando el usuario finaliza la encuesta, las respuestas son procesadas
por el modelo de Naive Bayes directamente en el servidor. El modelo calcula la probabilidad de que el
usuario esté en riesgo de ser víctima de un ataque de phishing y genera una predicción.
Ejecución y Análisis
En la fase final, denominada Ejecución y Análisis, se aplicaron las encuestas integradas con el modelo
de Machine Learning en la plataforma web, alcanzando una muestra más amplia y variada de usuarios.
Este paso fue crucial para probar la eficacia del modelo en condiciones reales, verificando su capacidad
para identificar riesgos de phishing y proporcionar recomendaciones precisas y útiles para los usuarios.
Aplicación de Encuestas y Recolección de Datos
Las encuestas diseñadas, que incluían preguntas sobre comportamientos en línea, conocimientos sobre
seguridad, y medidas de protección, se implementaron directamente en la plataforma. Al ser
completadas por una gran cantidad de usuarios, se recolectaron datos diversos que cubrieron una amplia
gama de perfiles y comportamientos. Este proceso permitió observar de manera directa cómo el modelo
de Naive Bayes respondía a diferentes tipos de respuestas y la efectividad de sus predicciones en la
evaluación del riesgo de phishing.
Análisis de Resultados y Validación del Modelo
Una vez recopiladas las respuestas, se procedió a realizar un análisis detallado utilizando herramientas
estadísticas para identificar patrones y correlaciones significativas entre las respuestas de los usuarios
y su susceptibilidad a ataques de phishing. Se examinaron diversos factores, tales como:
• Nivel de Conocimiento sobre Seguridad en Línea: Cuánto sabían los usuarios sobre las amenazas
de phishing y cómo esto influía en su comportamiento en línea.
• Interacción con Correos y Mensajes Sospechosos: Frecuencia con la que los usuarios recibían y/o
interactuaban con mensajes o correos electrónicos sospechosos.
• Medidas de Protección Adoptadas: Cuánto estaban los usuarios protegiendo su información
personal con prácticas como la autenticación de dos pasos, el uso de antivirus, entre otros.
Este análisis permitió validar la precisión del modelo de Naive Bayes y explorar posibles mejoras en su
rendimiento.
pág. 2609
A través de las correlaciones encontradas, se pudo identificar en qué aspectos el modelo era más
efectivo, y en qué situaciones necesitaba ajustes adicionales para proporcionar una predicción más
precisa.
CONCLUSIONES
El modelo de Machine Learning Naive Bayes demostró ser una herramienta eficaz para predecir el
riesgo de sufrir ataques de phishing, al analizar patrones y comportamientos de los usuarios. Este
enfoque permitió identificar con precisión a aquellos más vulnerables a los ataques, destacando el
potencial del modelo para ser integrado en sistemas de detección de amenazas en tiempo real, lo que
ofrece una capa adicional de protección para los usuarios. Sin embargo, la investigación también reveló
una falta de comprensión generalizada sobre los riesgos del phishing entre los usuarios, lo que subraya
la necesidad de programas educativos más efectivos que complementen las soluciones tecnológicas.
Los resultados sugieren que los usuarios que participaron en las actividades educativas demostraron
una atención más enfocada y objetiva sobre los riesgos del phishing, lo que permitió mejorar su
conciencia y prácticas de seguridad en línea. Esto resalta la importancia de combinar la prevención
tecnológica con la educación continua.
Una estrategia integral que combine la inteligencia artificial con la capacitación constante puede ser
clave para mitigar los riesgos. Además, la plataforma desarrollada tiene el potencial de adaptarse y
escalar para abordar otras ciberamenazas, ofreciendo una protección más sólida en el entorno digital.
REFERENCIAS BIBLIOGRAFICAS
Alcalá Casillas, M. G. (2024). Desafíos en México sobre la regulación de los ciberdelitos. DERECOM
(Revista Internacional de Derecho de la Comunicación y las Nuevas Tecnologías)(35), 1-15.
https://dialnet.unirioja.es/servlet/articulo?codigo=9352234
Alcalá Casillas, M., y Meléndez Ehrenzweig, M. (2023). Delitos informáticos en México.
Reconocimiento en los ordenamientos penales de las entidades mexicanas. PAAKAT: revista
de tecnología y sociedad(24), 1-37. https://doi.org/https://dx.doi.org/10.32870/Pk.a13n24.759
Aredo-Vargas, G. K., Mlori-Ugarte, C. E., Cieza-Mostacero, S. E., Carbajal-Sanchez, H. A., y Bravo-
Huivin, E. K. (2024). Papel de la Educación en Ciudadanía Digital en la Prevención de
Ciberdelitos en el Perú. risti (Revista Ibérica de Sistemas e Tecnologías de Informação(E75),
pág. 2610
299-313.
Avilés Matute, S., Avila-Pesantez, D., y Avila, L. (2020). Desarrollo de sistema Web basado en los
frameworks de Laravel y VueJs, para la gestión por procesos: Un estudio de caso. Revista
Peruana de Computación y Sistemas, 3(2), 3-10.
https://doi.org/http://dx.doi.org/10.15381/rpcs.v3i2.19256
Código Penal, F. (28 de 11 de 2025). Cámara de Diputados del H. Congreso de la Unión.
https://www.diputados.gob.mx/LeyesBiblio/ref/cpf.htm
Colorado Romero, J. R., Romero Montoya, M., Salazar Medina, M., Cabrera Zepeda, G., y Castillo
Intriago, V. R. (2024). Análisis comparativo de los coeficientes Alfa de Cronbach, Omega de
McDonald y Alfa Ordinal en la validación de cuestionarios. Estudios y Perspectivas Revista
Científica y Académica, 4(4), 2738-2755. https://doi.org/https://doi.org/10.61384/r.c.a.v4i4
Diputado Monreal Ávila, R. (05 de 03 de 2025). Sistema de Información Legislativa. Iniciativa que
reforma el título vigésimo del Código Penal Federal, en materia de Violencia Digital y los
delitos derivados del uso de las Tecnologías de la Comunicación, la Información y los Sistemas
de Inteligencia Artificial.:
https://sil.gobernacion.gob.mx/Archivos/Documentos/2025/03/asun_4852026_20250311_174
1201591.pdf#:~:text=En%20efecto%2C%20el%20C%C3%B3digo%20Penal%20Federal%20
vigente,la%20persecuci%C3%B3n%20y%20sanci%C3%B3n%20de%20estos%20delitos.&te
xt=%2D%20Se%20sanciona
Duarte Sánchez, D. D., y Guerrero Barreto, R. (2024). La encuesta como instrumento de recolección de
datos, confiabilidad y validez en investigación científica. Revista de Ciencias Empresariales,
Tributarias, Comerciales y Administrativa, 3(2).
https://educaciontributaria.com.py/revista/index.php/rcetca/issue/view/5
García García, D. E. (2018). El phishing como delito de estafa informática. Comentario a la SAP
Devalencia. Revista Boliviana de Derecho(25), 650-659.
https://dialnet.unirioja.es/servlet/articulo?codigo=6263417
Gillespie, J. (31 de 05 de 2023). Scrum: Un enfoque de gestión basado en la evidencia. https://www-
scrum-org.translate.goog/resources/blog/scrum-evidence-based-management-
pág. 2611
approach?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc
González Véliz, C., y Cuzcano Chavez, X. (2024). Desafíos y dimensiones de la desinformación en
ALAC: deepfakes y la urgencia de proteger los derechos de las mujeres. Revista Digital de la
Universidad Autónoma de Chiapas, 13(36), 162-175.
https://doi.org/https://doi.org/10.31644/IMASD.36.2024.a19
IFT. (13 de 06 de 2024). Instituto Federal de Telecomunicaciones. Encuesta Nacional sobre
Disponibilidad y Uso de Tecnologías de la Información en los Hogares (ENDUTIH) 2023.:
https://www.ift.org.mx/comunicacion-y-medios/comunicados-ift/es/encuesta-nacional-sobre-
disponibilidad-y-uso-de-tecnologias-de-la-informacion-en-los-hogares-endutih-
1#:~:text=Durante%202023%2C%20las%20entidades%20federativas%20con%20los,y%20C
hiapas%20(59.
Ige, T., Kiekintveld, C., Piplai, A., Wagler, A., Kolade, O., y Matti, B. H. (2024). An investigation into
the performances of the. arXiv preprint arXiv, 1.
https://doi.org/https://doi.org/10.48550/arXiv.2411.16751
Kosinski, M., y Carruthers, S. (19 de 05 de 2025). With generative AI, social engineering gets more
dangerous—and harder to spot. IBM: https://www.ibm.com/think/insights/generative-ai-
social-engineering
Ley Olimpia. (2025). Orden Jurídico Nacional.
https://ordenjuridico.gob.mx/violenciagenero/LEY%20OLIMPIA.pdf
López Grande, C. E., y Salvador Guadrón, R. (2016). Ingeniería Social: El ataque silencioso. Revista
Tecnológica(8), 38-45.
Maldonado Ruiz, L. M. (2025). Elementos criminógenos de las tecnologías de la información y
proliferación de la delincuencia informática. Ivestigación, Tecnología e Innovación, 17(23), 41-
51. https://doi.org/https://doi.org/10.53591/iti.v17i23.1945
Martínez Galindo, G. (2024). Suplantación de identidad digital: hacia una necesaria tutela penal.
Revista de Derecho Público, 72(1), 199-228.
https://doi.org/https://doi.org/10.18543/ed7212024
pág. 2612
Martínez Ramírez, V., Luciano Machorro, T., Martínez Rabanles, S., Osorio Ramírez, E. A., y Reyes
Ramos, J. J. (2024). Optimización web móvil: El poder de bootstrap en el desarrollo adaptativo.
7(2), 284-294. https://doi.org/https://doi.org/10.61117/ipsumtec.v7i2.337
Montemayor Garza, M., y Tapia Cortes, C. (2022). Impacto y modos de uso de las redes sociales: Una
revisión sistemática de literatura 2017-2021. New Trends in Qualitative Research, 12, 1-13.
https://doi.org/https://doi.org/10.36367/ntqr.12.2022.e660
Montesinos González, S., Vázquez Cid de León, C., Maya Espinoza, I., y Gracida Gracida, E. B. (2020).
Mejora Continua en una empresa en México: estudio desde el ciclo Deming. Revista
Venezolana de Gerencia, 25(92), 1863-1883.
https://www.redalyc.org/journal/290/29065286036/html/
Moreano Guerra, C. B., Escobar Erazo, T. E., Haro Haro, E. R., y Villagomez Valencia, P. A. (2024).
Redes Sociales y su Impacto en el Entorno Digital de las Empresas. Ciencia Latina, Revista
Multidisciplinar, 8(2), 831-857. https://doi.org/https://doi.org/10.37811/cl_rcm.v8i2.10531
Muñoz Torres, P. S. (2024). Modelo predictivo basado en algoritmos de machine learning para la
estimación del peso de racimos de banano en una hacienda. Revista Latinoamericana de
Ciencias Sociales y humanidades, 5(6), 986-1015.
https://doi.org/https://doi.org/10.56712/latam.v5i6.3061
Olivares Romero, S., Rangel León, M. R., Chino Francisco, B., y Corte Cortés, M. (2025). El uso
responsable de las redes sociales como herramienta de aprendizaje en la Educación Media
Superior. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 6(2), 3309-
3323. https://doi.org/https://doi.org/10.56712/latam.v6i2.3907
Oseda Gago, D., Durán Carhuamaca, A., Larico Uchamaco, G. R., Ramos Toledo, M. C., Palomino
Quispe, H. A., Huarancca Contreras, P. P., y Medina Aliaga, J. L. (2024). Importancia de la
ciberseguridad en la era digital. En J. A. Romero Palmera, y V. M. Calzolaio Cristofano,
Ciberseguridad: Un enfoque interdisciplinario para la protección del mundo digital (pp. 3-8).
Sello Editorial CITSA.
Peña Labrini, D. E. (2023). Ciberdelitos y criminalidad informática. Rol de la prevención en la
expansión de la ciberdelincuencia. Informática y Derecho: Revista Iberoamericana de Derecho
pág. 2613
Informático (segunda época)(13), 57-72.
https://dialnet.unirioja.es/servlet/articulo?codigo=9265276
Protección de Datos, P. e. (14 de 11 de 2025). Cámara de Diputados del H. Congreso de la Unión.
https://www.diputados.gob.mx/LeyesBiblio/pdf/LFPDPPP.pdf
Ramirez-Asisi, E. H., Norabuena-Figueroa, R. P., Toledo-Quiñones, R. E., y Henostroza-Márquez-
Mázmela, P. (2022). Validación de una escala de conciencia sobre ciberdelito en estudiantes
universitarios de Perú. Revista Científica General José María Córdova, 20(37), 209-224.
https://doi.org/https://dx.doi.org/10.21830/19006586.791
Romero Mireles, L. L. (07 de 12 de 2023). Gaceta UNAM. Los mexicanos usan más internet que el
promedio mundial: https://www.gaceta.unam.mx/uso-patologico-de-las-redes-sociales-es-un-
fenomeno-en-crecimiento/
Tapia Sánchez, L. S. (2025). Cibercrimen:Un breve análisis doctrinal de los ciberdelitos y su relación
con la inteligencia artificial. Revista Internacional de Desarrollo Humano y Sostenibilidad, 2(2),
183-208. https://doi.org/https://doi.org/10.51660/ridhs22316
UNICEF. (17 de 04 de 2024). UNICEF Comité Español. Ciberacoso: qué es, impacto y cómo detenerlo.:
https://www.unicef.es/blog/educacion/ciberacoso-que-es-impacto-y-como-detenerlo
Veziroğlu, M., Eziroğlu, E., y Bucak, İ. Ö. (2024). Performance Comparison between Naive Bayes and
Machine Learning Algorithms for News Classification. En İ. Ö. Bucak, Bayesian Inference -
Recent Trends. IntechOpen. https://doi.org/10.5772/intechopen.1002778
Weinz, M., Zannone, N., Allodi, L., y Apruzzese, G. (2025). The Impact of Emerging Phishing Threats:
Assessing Quishing and LLM-generated Phishing Emails against Organizations. ASIA CCS
'25: Proceedings of the 20th ACM Asia Conference on Computer and Communications
Security, 1550-1566. https://doi.org/https://doi.org/10.1145/3708821.373619