Modelo de Machine Learning para la Identificación de la Probabilidad de Riesgo de Suplantación de Identidad

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).