ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2268)
http://www.aulavirtual.web.ve
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2269)
http://www.aulavirtual.web.ve
REVISTA CIENTÍFICA
AULA VIRTUAL
Director Editor:
La Revista seriada Científica Arbitrada e Indexada
Aula Virtual, es de acceso abierto y en formato
electrónico; la misma está orientada a la
divulgación de las producciones científicas creadas
por investigadores en diversas áreas del
conocimiento. Su cobertura temática abarca
Tecnología, Ciencias de la Salud, Ciencias
Administrativas, Ciencias Sociales, Ciencias
Jurídicas y Políticas, Ciencias Exactas y otras áreas
afines. Su publicación es CONTINUA, indexada y
arbitrada por especialistas en el área, bajo la
modalidad de doble ciego. Se reciben las
producciones tipo: Artículo Científico en las
diferentes modalidades cualitativas y cuantitativas,
Avances Investigativos, Ensayos, Reseñas
Bibliográficas, Ponencias o publicaciones
derivada de eventos, y cualquier otro tipo de
investigación orientada al tratamiento y
profundización de la información de los campos de
estudios de las diferentes ciencias. La Revista Aula
Virtual, busca fomentar la divulgación del
conocimiento científico y el pensamiento crítico
reflexivo en el ámbito investigativo.
• Dra. Leidy Hernández PhD.
• Dr. Fernando Bárbara
Consejo Asesor:
• MSc. Manuel Mujica
• MSc. Wilman Briceño
• Dra. Harizmar Izquierdo
• Dr. José Gregorio Sánchez
Revista Científica Arbitrada de
Fundación Aula Virtual
Email: revista@aulavirtual.web.ve
URL: http://aulavirtual.web.ve/revista
ISSN:
Depósito Legal:
País:
Año de Inicio:
Periodicidad:
Sistema de Arbitraje:
Licencia:
Volumen:
Número:
Año:
Período:
Dirección Fiscal:
2665-0398
LA2020000026
Venezuela
2020
Continua
Revisión por pares. “Doble Ciego”
Creative Commons CC BY NC ND
6
13
2025
Continua-2025
Av. Libertador, Arca del Norte, Nro.
52D, Barquisimeto estado Lara,
Venezuela, C.P. 3001
Generando Conocimiento
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2270)
http://www.aulavirtual.web.ve
ENTRE LA INNOVACIÓN Y LA REGULACIÓN: EVALUACIÓN SISTEMÁTICA DE LA
PRIVACIDAD DE DATOS EN EL USO FINANCIERO DEL MACHINE LEARNING
BETWEEN INNOVATION AND REGULATION: A SYSTEMATIC ASSESSMENT OF DATA
PRIVACY IN THE FINANCIAL USE OF MACHINE LEARNING
Tipo de Publicación: Articulo Científico
Recibido: 06/10/2025
Aceptado: 07/11/2025
Publicado: 15/12/2025
Código Único AV: e586
Páginas: 1(2268-2285)
DOI: https://doi.org/10.5281/zenodo.17945309
Autores:
Juan Carlos Larrea Abad
Contador Público
Máster Universitario en Gestión Financiera y
Auditoría de la Empresa
https://orcid.org/0009-0003-6860-2382
E-mail: jcla1293@gmail.com
Afiliación: Universidad Nacional de Piura
País: República del Perú
Yojani Maria Abad Sullon
Licenciada en Ciencias Administrativas
Doctor en Ciencias Administrativas, mención en
Dirección en Empresas
https://orcid.org/0000-0001-5363-2085
E-mail: yabads@unp.edu.pe
Afiliación: Universidad Nacional de Piura
País: República del Perú
Andy Williams Chamoli Falcón
Abogado
Doctor en Gestión Empresarial
https://orcid.org/0000-0002-2758-1867
E-mail: andy.chamoli@udh.edu.pe
Afiliación: Universidad de Huánuco
País: República del Perú
Resumen
El uso intensivo de machine learning en el sector financiero ha transformado la
forma en que las instituciones procesan y analizan grandes volúmenes de datos
para la toma de decisiones, mejorando la eficiencia y precisión en la gestión de
riesgos e inversiones. Sin embargo, esta evolución tecnológica plantea serios
desafíos en torno a la privacidad, la protección de los datos personales y la
responsabilidad algorítmica, especialmente en contextos donde la regulación no
avanza al mismo ritmo que la innovación. El objetivo de este estudio fue evaluar
las implicaciones de privacidad derivadas del uso de datos en machine learning
para la toma de decisiones financieras, con énfasis en la regulación existente y
las brechas en su aplicación. Se desarrolló un artículo de revisión sistemática
bajo los lineamientos PRISMA 2020, abarcando publicaciones indexadas en
Scopus, Web of Science y SciELO durante los últimos cinco años. Los
resultados revelan deficiencias significativas en la armonización normativa
internacional, en la trazabilidad de los modelos algorítmicos y en la aplicación
de tecnologías de mejora de privacidad, pese a sus avances teóricos. En
conclusión, se evidencia la necesidad urgente de marcos regulatorios
adaptativos y de una gobernanza algorítmica que integre la ética, la
transparencia y la protección efectiva de los datos en el ecosistema financiero
digital.
Palabras Clave
Privacidad de datos, machine learning, regulación
financiera, tecnologías de mejora de privacidad,
gobernanza algorítmica
Abstract
The intensive use of machine learning in the financial sector has transformed
the way institutions process and analyze large volumes of data for decision-
making, improving efficiency and accuracy in risk and investment management.
However, this technological evolution poses serious challenges regarding
privacy, personal data protection, and algorithmic accountability, especially in
contexts where regulation has not kept pace with innovation. The objective of
this study was to assess the privacy implications of using data in machine
learning for financial decision-making, with an emphasis on existing regulations
and gaps in their application. A systematic review article was developed under
the PRISMA 2020 guidelines, encompassing publications indexed in Scopus,
Web of Science, and SciELO over the past five years. The results reveal
significant gaps in international regulatory harmonization, in the traceability of
algorithmic models, and in the application of privacy-enhancing technologies,
despite theoretical advances. In conclusion, there is an urgent need for adaptive
regulatory frameworks and algorithmic governance that integrates ethics,
transparency, and effective data protection in the digital financial ecosystem.
Keywords
Data privacy, machine learning, financial regulation, privacy-
enhancing technologies, algorithmic governance
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2271)
http://www.aulavirtual.web.ve
Introducción
El uso creciente del machine learning (ML) en
la analítica predictiva ha transformado radicalmente
la toma de decisiones financieras en las empresas.
La capacidad de estos algoritmos para extraer
patrones de grandes volúmenes de datos ha
generado nuevas oportunidades para identificar
tendencias, prever riesgos y optimizar inversiones.
Sin embargo, este desarrollo está acompañado de
desafíos significativos relacionados con la
privacidad de los datos y las implicaciones éticas
que surgen de su aplicación en contextos
financieros. Según Hamed (2023), la falta de
transparencia en los algoritmos de decisión plantea
serias preocupaciones respecto de la protección de
los derechos de privacidad de los individuos en un
entorno digital cada vez más regulado.
A medida que las instituciones financieras
adoptan estrategias basadas en ML, las cuestiones
de privacidad se vuelven más complejas. Esto se
debe a la necesidad de manejar información
altamente sensible, donde la intrusión en la
privacidad de los clientes puede generar
consecuencias legales y reputacionales graves. Liu
et al., (2023) sostienen que la evolución de la
legislación, como el Reglamento General de
Protección de Datos (GDPR) en la Unión Europea,
ha establecido un marco regulativo que busca
salvaguardar la confidencialidad de los datos,
aunque aún presenta brechas que pueden ser
explotadas por tecnologías emergentes de ML.
A pesar de los beneficios inherentes al uso de
ML en finanzas, como la mejora en la precisión de
las predicciones y la eficiencia operativa, los
estudios indican que las organizaciones enfrentan
retos significativos en su implementación debido a
la regulación insuficiente y la falta de claridad en las
mejores prácticas. Tufail et al., (2023) subrayan que
los problemas de privacidad relacionados con el uso
de datos en ML frecuentemente no son abordados
con profundidad por las empresas, lo que
incrementa el riesgo de incumplimiento normativo.
Asimismo, Dhabliya et al., (2024) destacan la
importancia de desarrollar ecosistemas seguros de
ML que no solo se centren en el rendimiento del
modelo, sino que también prioricen la privacidad de
los datos como un pilar fundamental en su diseño y
operación. La capacidad de las empresas para
navegar este panorama regulatorio diverso, mientras
aprovechan las ventajas competitivas ofrecidas por
el ML, resulta esencial para su sostenibilidad y éxito
futuro.
En los últimos años, se ha observado un
creciente interés en la investigación sobre las
implicaciones de privacidad derivadas del uso de
datos en ML para la toma de decisiones financieras.
Este interés se debe no solo a la rápida adopción de
ML en el sector financiero, sino también a la
creciente relevancia de la privacidad y la ética en el
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2272)
http://www.aulavirtual.web.ve
manejo de datos sensibles. Uno de los estudios más
significativos en este campo es el de Akash et al.,
(2024), quienes investigan métodos para mejorar la
privacidad de los datos en sectores como la analítica
y las finanzas. Su investigación destaca la
efectividad de las Tecnologías de Mejora de
Privacidad (Privacy-Enhancing Technologies,
PETs), como el aprendizaje federado y la privacidad
diferencial, en la protección de información sensible
en entornos empresariales.
Otro hito relevante es el trabajo de Liu et al.,
(2023), que aborda las preocupaciones de
privacidad en el contexto de la transformación
digital. Este estudio enfatiza que la creciente
adopción de algoritmos de ML plantea riesgos
sustanciales para la privacidad de los datos
personales, lo que podría obstaculizar la
transformación exitosa de las organizaciones en el
sector financiero. El análisis detallado de este
problema permite comprender mejor cómo las
regulaciones existentes pueden responder a dichos
desafíos.
Por su parte, Hamed (2023) ofrece una visión
crítica sobre los desafíos éticos y la privacidad en el
uso de big data en la toma de decisiones. En su
estudio se discuten las implicaciones éticas de los
modelos de decisión basados en ML y se plantea la
necesidad de un marco regulatorio más sólido que
contemple las preocupaciones de privacidad y el uso
indebido de los datos. Esta perspectiva resulta
esencial para orientar las políticas que rigen el uso
de datos en la toma de decisiones financieras.
De igual forma, Qi et al., (2023) presentan
avances en el aprendizaje federado, centrados en la
transferencia de conocimiento en modelos
descentralizados, lo que ayuda a mitigar los riesgos
de privacidad de los usuarios durante el proceso de
intercambio de información. Esta innovación tiene
el potencial de redefinir la manera en que las
instituciones financieras manejan y comparten datos
sin comprometer la confidencialidad.
En esa misma línea, Zhang (2022) explora un
modelo de aprendizaje federado para el diagnóstico
en entornos de salud digital, el cual resulta
pertinente para el sector financiero al abordar las
barreras de privacidad que enfrenta el análisis de
modelos predictivos en contextos donde el uso
compartido de datos es crítico. Este estudio
demuestra cómo las técnicas de protección pueden
aplicarse en entornos colaborativos, inspirando
posibles soluciones en el ámbito financiero.
En conjunto, estos estudios resaltan la
importancia de abordar la privacidad y las
regulaciones dentro del contexto del ML aplicado a
las decisiones financieras. La identificación de
brechas en la regulación existente y la evaluación de
las mejores prácticas son esenciales para garantizar
un uso ético y responsable de estas tecnologías.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2273)
http://www.aulavirtual.web.ve
En la revisión de la literatura actual sobre las
implicaciones de privacidad relacionadas con el uso
de datos en ML para la toma de decisiones
financieras, se han identificado diversos vacíos que
justifican la pertinencia del objetivo de
investigación propuesto. A continuación, se
discuten cinco de estos vacíos clave.
En primer lugar, Mohammed et al., (2025)
señalan que, a pesar de la existencia de marcos
regulativos como el GDPR, aún persisten
deficiencias significativas en la protección efectiva
de datos sensibles en prácticas de ML aplicadas a las
finanzas. Este estudio resalta la falta de claridad
sobre cómo aplicar dichos marcos en situaciones
específicas, lo que genera incertidumbre para las
entidades financieras.
Por otra parte, Talukder & Shompa (2024)
enfatizan la necesidad de desarrollar políticas
regulatorias que evolucionen al mismo ritmo que las
tecnologías de ML. Este vacío evidencia la falta de
agilidad en la adaptación de regulaciones capaces de
abordar los riesgos emergentes asociados con la
privacidad, lo que puede derivar en lagunas legales
que expongan a los consumidores a riesgos.
Asimismo, Akash et al., (2024) destacan las
limitaciones de las PETs y su integración con las
normativas existentes. Aunque estas tecnologías
pueden contribuir a mitigar los riesgos de
privacidad, la falta de investigaciones que exploren
su aplicación efectiva en el ámbito financiero deja
un vacío crítico en la comprensión de su
implementación dentro de un marco regulativo
adecuado.
Otro vacío relevante es identificado por Wirth
et al., (2021), quienes evidencian que la
infraestructura actual de compartición de datos en la
investigación médica no se traduce adecuadamente
al contexto financiero, lo que agrava los problemas
de privacidad al carecer de soluciones adaptadas a
esta área. Esto sugiere que las estrategias exitosas en
otros sectores no necesariamente son aplicables a las
finanzas, destacando la necesidad de estudios
específicos en este campo.
Finalmente, Hockstad et al., (2024) sostienen
que los desafíos en materia de ciberseguridad,
especialmente en relación con las transacciones
financieras, no han sido integrados de manera
adecuada en las discusiones sobre regulación y
privacidad. Este vacío evidencia la necesidad de
investigar medidas efectivas que aseguren que las
tecnologías emergentes no vulneren los derechos de
privacidad.
Estos vacíos ponen de manifiesto la urgencia
de realizar una investigación sistemática que aborde
las implicaciones de privacidad en el uso de datos
para la toma de decisiones financieras, considerando
tanto la regulación existente como las brechas que
requieren atención.
El objetivo de este artículo es evaluar las
implicaciones de privacidad derivadas del uso de
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2274)
http://www.aulavirtual.web.ve
datos en machine learning para la toma de
decisiones financieras, con énfasis en la regulación
existente y las brechas en su aplicación. Esta
evaluación no solo busca identificar y analizar la
efectividad de las normativas actuales en la
protección de datos, sino también proponer
recomendaciones que aborden las lagunas
encontradas en la literatura y ofrezcan un marco más
cohesivo y aplicable a la realidad del sector
financiero.
Metodología
Para la realización de esta revisión
sistemática, se aplicó el método PRISMA (Preferred
Reporting Items for Systematic reviews and Meta-
Analyses), que proporciona un enfoque estructurado
y riguroso para la recopilación y presentación de la
literatura.
Las estrategias de búsqueda fueron rigurosas:
se utilizaron bases de datos académicas como
Scopus, Wos y SciELO, donde se identificaron
artículos relevantes publicados en los últimos cinco
años.
La revisión se llevó a cabo en varias etapas,
comenzando por la formulación de la pregunta de
investigación y el desarrollo de una estrategia de
búsqueda exhaustiva. Esto se logró mediante la
definición de una fórmula booleana que incluye las
palabras clave más relevantes relacionadas con las
implicaciones de privacidad y machine learning. La
fórmula de búsqueda es la siguiente:
("machine learning" AND "data privacy"
AND "financial decision making" AND "regulatory
framework" AND "implementation gaps")
Para guiar esta revisión sistemática, se
formularon tres preguntas de investigación que son
fundamentales para evaluar el objetivo propuesto:
1. ¿Cuáles son las principales implicaciones de
privacidad asociadas con el uso de machine
learning en la toma de decisiones financieras?
2. ¿Qué regulaciones actuales existen para abordar
la privacidad de datos en el contexto del
machine learning en finanzas, y qué brechas se
identifican en su aplicación?
3. ¿Cómo pueden las Tecnologías de Mejora de
Privacidad (PETs) ser integradas en las prácticas
financieras para minimizar los riesgos de
privacidad asociados al machine learning?
Criterio
Inclusión
Exclusión
Enfoque del
estudio
Analizan el uso de
machine learning en
decisiones
financieras.
No abordan
privacidad de datos
en machine learning
financiero.
Calidad de la
fuente
Artículos revisados
por pares en revistas
científicas.
Documentos sin
revisión por pares o
de conferencias no
pertinentes.
Dimensión
ética y
regulatoria
Consideran
implicaciones éticas
y brechas
regulatorias.
Omiten aspectos
éticos o regulatorios y
tratan contextos no
financieros.
Tabla 1. Criterios de inclusión y exclusión
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2275)
http://www.aulavirtual.web.ve
Figura 1. Red de co-ocurrencia temática en machine learning financiero
Figura 2. Flujograma del método PRISMA
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2276)
http://www.aulavirtual.web.ve
A través de esta metodología, se busca proporcionar una evaluación comprensiva y estructurada sobre las implicaciones de
privacidad derivadas del uso de datos en machine learning para la toma de decisiones financieras, estimulando la discusión y el avance
del conocimiento en este campo crítico.
Resultados
Autor (Año)
Contexto
financiero /
Sector
Tipo de ML
aplicado
Implicaciones de
privacidad
identificadas
Mecanismos de
mitigación
propuestos
Referencias
regulatorias /
éticas
Brechas regulatorias
señaladas
Hallazgo clave
Aljunaid et al.,
(2025)
Banca digital y
detección de
fraude financiero
Federated
Learning (FL) +
Explainable AI
(XAI)
Riesgo de exposición
de datos entre
entidades y opacidad
algorítmica en la
detección de fraude
Integración de XAI
(SHAP, LIME) en
FL → modelo
“XFL” explicable y
privado
GDPR, CCPA,
Basel III sobre
transparencia
algorítmica
Falta de guías técnicas
para auditar modelos
FL interbancarios
El modelo XFL
equilibra precisión,
cumplimiento y
privacidad en
decisiones
financieras.
Deshmukh et
al., (2025)
Instituciones
financieras y
ciberseguridad
bancaria
Federated
Learning
(FedAvg,
FedProx,
FedOpt)
Riesgos de
privacidad por
heterogeneidad de
datos e inferencia
cruzada entre nodos
Framework Flower
de FL con
anonimización,
encriptado y
optimización
distribuida
GDPR Art. 25
(Privacy by
Design), ISO/IEC
27701
Carencia de estándares
globales para
interoperabilidad FL
en banca
El FL permite
colaboración
bancaria sin
compartir datos
sensibles,
fortaleciendo
privacidad.
El-Taj et al.,
(2025)
Banca electrónica
/ autenticación
Machine
Learning
(anomaly
detection)
Procesamiento
masivo de
credenciales y trazas
→ riesgo de
reidentificación y
abuso de datos
AI adaptativa +
autenticación
federada +
blockchain para
descentralizar
identidad
Leyes de
ciberseguridad
(NIST, GDPR,
ISO/IEC 27001)
Falta de normas sobre
almacenamiento de
biometría conductual
La IA reduce
fraudes, pero debe
equilibrar
eficiencia y
privacidad del
usuario.
Patil et al.,
(2025)
Finanzas
internacionales /
gobernanza de
datos
Revisión de
modelos de ML
para
cumplimiento
financiero
Riesgos derivados de
la “soberanía de
datos” y uso
transfronterizo de
modelos ML
Gobernanza
multinivel,
auditorías éticas y
protocolos de
minimización
GDPR, LGPD
(Brasil), Data
Governance Act
(UE)
Fragmentación
regulatoria →
conflictos en
intercambio
transfronterizo
Urge armonizar
marcos regulatorios
para decisiones
basadas en ML y
datos sensibles.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
Autor (Año)
Contexto
financiero /
Sector
Tipo de ML
aplicado
Implicaciones de
privacidad
identificadas
Mecanismos de
mitigación
propuestos
Referencias
regulatorias /
éticas
Brechas regulatorias
señaladas
Hallazgo clave
Achalapong &
Satitsamitpong
(2025)
NBFIs
(Instituciones
Financieras No
Bancarias)
XGBoost, redes
neuronales
Riesgos éticos y de
privacidad por uso de
datos alternativos
(telco, redes sociales)
Gobernanza de
datos y
consentimiento
informado;
segmentación
responsable
Principios de la
OCDE, GDPR,
IFC Data Ethics
Inexistencia de límites
claros para datos no
financieros
ML mejora
inclusión crediticia,
pero plantea
dilemas de
privacidad y
equidad.
Selvamani et al.,
(2025)
Crédito
hipotecario /
banca de
consumo
ML híbrido
(KNN +
regresión +
optimización)
Riesgos de
discriminación y
filtración en datos de
scoring hipotecario
Aplicación de
privacy-preserving
ML (FL + cifrado) y
auditoría continua
FAIR AI
Guidelines,
ISO/IEC 23894
Ausencia de
trazabilidad en
explicaciones de
modelos crediticios
La inclusión de
privacidad desde
diseño mejora la
confianza y la
aceptabilidad
regulatoria.
Ogundele &
Ahmed (2025)
Banca nigeriana
(BFSI
emergente)
Modelos
supervisados
(árboles,
regresión)
Brechas en
privacidad por
infraestructura débil
y laguna legislativa
Estándares de AI
Governance y
Ethical Banking
Frameworks
NDPR (Nigeria
Data Protection
Regulation)
Falta de
institucionalización de
auditorías algorítmicas
La adopción de IA
exige fortalecer
gobernanza y
auditorías de
privacidad en
banca.
Vecchietti et al.,
(2025)
Banca y seguros
(UE)
Deep Learning
(GANs, IA
generativa)
Deepfakes
financieros →
vulneración de
privacidad e
integridad de datos
Algoritmos anti-
deepfake y
trazabilidad en
blockchain
AI Act (UE),
Reglamento
eIDAS 2.0
Vacíos normativos
frente a IA generativa
en finanzas
Los deepfakes
desafían la
integridad y la
confianza en los
sistemas de
decisión financiera.
Tabla 2. Estudios clave sobre privacidad y machine learning en decisiones financieras
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2278)
http://www.aulavirtual.web.ve
Autor(es)
Jurisdicción /
Ámbito
financiero
Marco
regulatorio
citado
Aplicación de
Machine Learning
Riesgos de privacidad
identificados
Brechas o vacíos
regulatorios
Recomendaciones o
implicaciones
Borowicz
(2024)
Unión Europea –
banca digital y
datos financieros
GDPR, PSD2, AI
Act, EFDS
Modelos ML para
gestión de datos
financieros y
cumplimiento
Riesgo de reutilización
indebida de datos,
transparencia limitada en
modelos y trazabilidad
incompleta
Falta de armonización
entre el AI Act y GDPR,
vacío en control de
calidad de datos para
ML
Reforzar evaluación de
impacto algorítmico (AIA)
y estándares de auditoría de
modelos financieros
Chomczyk
Penedo &
Trigo
Kramcsák
(2023)
Unión Europea –
servicios
financieros
(scoring, open
banking)
European
Financial Data
Space (EFDS),
GDPR, AI Act
draft
Entrenamiento de IA
con datos crediticios y
financieros
Riesgo de sesgos y
violación de
consentimiento al entrenar
modelos
Carencia de
transparencia y control
del titular sobre su dato
en el EFDS
Crear mecanismos de
supervisión ética y de
consentimiento dinámico en
el flujo de datos
Patil et al.,
(2025)
Global –
ecosistema
financiero y
fintechs
GDPR, CCPA,
LGPD, AI Act,
Open Data Act
Revisión sistemática
de soberanía de datos
en ML financiero
Riesgo de transferencia
transfronteriza no
controlada y falta de
interoperabilidad legal
Desafíos de
armonización global y
lag en cumplimiento
extraterritorial
Promover regulación
unificada y políticas de
portabilidad con privacy by
design
AbouGrad &
Sankuru
(2025)
Europa – banca
minorista (fraude)
GDPR, principios
de data
minimization
Autoencoders
descentralizados para
detección de fraude
Riesgo de reidentificación
y fuga de metadatos
Carencia de directrices
sobre anonimización
efectiva y auditoría de
modelos
Incentivar el uso de privacy-
preserving ML (federated
learning) y marcos de
auditoría
Lee (2020)
Asia y UE –
fintech y robo-
advisors
GDPR, PSD2,
BCBS 239
Gobernanza
algorítmica en asesoría
financiera
automatizada
Riesgos de sesgo
algorítmico y decisiones
opacas
Ambigüedad sobre
responsabilidad y
trazabilidad en ML
financiero
Fortalecer gobernanza de IA
y atribución legal de
decisiones automáticas
Szepannek &
Lübke (2021)
Alemania – banca
y scoring
crediticio
GDPR (Art. 22),
BCBS, XAI
frameworks
Modelos ML
explicables para credit
scoring
Riesgo de discriminación
y sesgo con datos
personales
Falta de estándares
uniformes de
explicabilidad y
trazabilidad
Establecer normas
regulatorias técnicas de
explicabilidad y revisión
humana
Yuspin et al.,
(2025)
Global – fintech
P2P lending
CCPA, GDPR, AI
Ethics Guidelines
ML en detección de
deepfakes y gestión de
identidad en préstamos
P2P
Riesgo de falsificación de
identidad y uso indebido
de datos
Ausencia de marcos
regulatorios específicos
para IA generativa en
finanzas
Desarrollar leyes específicas
para IA generativa y scoring
automatizado
Tabla 3. Regulaciones de privacidad y brechas en la aplicación del machine learning financiero
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
http://www.aulavirtual.web.ve
Autor (año)
Problema financiero
abordado
Tecnología de mejora de
privacidad (PET)
Evidencia de preservación de
privacidad en ML financiero
Mención o implicación regulatoria
Yuxin &
Honglin (2023)
Control de riesgo crediticio y
préstamo inteligente
Differential Privacy (DP) +
Federated Learning (FL)
Establece presupuestos de privacidad ε-
DP para mitigar fuga de datos en
modelos FL bancarios
Cita “regulaciones estrictas” y “silos
de datos” en instituciones financieras
Abdul Salam et
al., (2024)
Detección de fraude en
tarjetas de crédito
Federated Learning + técnicas
de reequilibrio de datos
FL evita compartir datos entre bancos;
logra 99.9 % precisión preservando
privacidad
Implícita: referencias a restricciones
de intercambio de datos interbancarios
Kong, L. et al.,
(2023)
Predicción de riesgo en
supply chain finance
Federated Learning
descentralizado
Permite predicciones sin compartir datos
sensibles de órdenes financieras
Breve mención a protección de datos
interinstitucionales
Oualid et al.,
(2023)
Gestión del riesgo crediticio
en banca
FL + DP + Blockchain
Revisión sistemática que integra PETs
aplicadas a credit scoring colaborativo
Destaca barreras de cumplimiento de
privacidad y necesidad de normas FL-
friendly
Nadella et al.,
(2025)
Privacidad corporativa en
entornos financieros y de IA
Differential Privacy +
Enmascaramiento + Cifrado
Analiza gobernanza de privacidad y
compliance en datos financieros
Cita marcos NIST, ISO 27701 y
GDPR como guías
Deshmukh et
al., (2023)
Intrusiones y fraude digital en
infraestructuras financieras
IoT
Federated Learning (FL)
FL usado para detección distribuida sin
revelar datos de transacción
Relación implícita con compliance
bancario y mitigación de ciber-riesgos
Awosika et al.,
(2024)
Fraude financiero y
trazabilidad en banca digital
Explainable AI (XAI) + FL
Combina interpretabilidad y privacidad
para auditoría de decisiones financieras
Alude a transparencia regulatoria y
ética de IA
Dasari &
Kaluri (2024)
Privacidad en operaciones
financieras multi-
institucionales
“2P3FL” – Privacy-Preserving
Personalized Federated
Learning
Mecanismo FL personalizado para
mitigar ataques y preservar
confidencialidad bancaria
No menciona regulación explícita,
pero sugiere cumplimiento
Kanamori et
al., (2022)
Detección de transacciones
fraudulentas en bancos
japoneses
Privacy-Preserving Federated
Learning
Mantiene privacidad entre entidades
financieras japonesas
Enfatiza cumplimiento de políticas de
datos bancarios nacionales
Li & Walsh
(2024)
Fraude en tarjetas de crédito
FedProx + GNN + DCNN
(Federated Learning mejorado)
Estructura federada evita compartir
datos entre instituciones
Menciona riesgos de exposición y
propone FL como mitigación
Pereira et al.,
(2024)
Riesgo de filtración en
aprendizaje federado
bancario
Secure Aggregation (DC-Nets +
Secret Sharing)
Protocolos criptográficos para agregar
modelos sin servidor central
Reconoce impacto en sectores
bancarios y médicos
Aljunaid et al.,
(2025)
Fraude financiero con IA
explicable
Explainable + Federated
Learning
FL-XAI para detectar fraude
manteniendo privacidad
Vincula transparencia y confianza
regulatoria
Tabla 4. Integración de PETs en prácticas financieras basadas en Machine Learning
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2280)
http://www.aulavirtual.web.ve
Discusión de Resultados
Los resultados obtenidos en esta revisión
sistemática confirman que el uso del ML en la toma
de decisiones financieras ofrece ventajas
significativas en precisión, eficiencia y detección de
riesgos, pero simultáneamente amplifica los
desafíos en torno a la privacidad y la gobernanza de
datos. Esta conclusión converge con los hallazgos
de Hamed (2023), quien advierte que la opacidad de
los algoritmos y la falta de transparencia en los
procesos de decisión automatizados incrementan el
riesgo de vulneración de derechos de privacidad. De
manera similar, Liu et al., (2023) señalan que,
aunque los marcos regulatorios como el GDPR
buscan mitigar estos riesgos, persisten brechas en su
aplicabilidad a entornos de ML dinámicos y
distribuidos, lo que coincide con las brechas
regulatorias observadas en los casos de la banca
digital y el open banking identificadas por Borowicz
(2024) y Chomczyk Penedo & Trigo Kramcsák
(2023).
Asimismo, se identificó una tendencia hacia el
uso de Privacy Enhancing Technologies (PETs),
particularmente el Federated Learning (FL) y la
Differential Privacy (DP), como mecanismos
efectivos para preservar la confidencialidad de los
datos en entornos financieros distribuidos. Los
estudios de Yuxin & Honglin (2023) y Oualid et al.,
(2023) respaldan esta observación al demostrar que
la integración de FL con DP puede reducir la
exposición de información sensible sin sacrificar el
rendimiento del modelo. En concordancia, Akash et
al., (2024) destacan que estas tecnologías
constituyen una vía prometedora para cumplir con
los principios de privacy by design establecidos en
el GDPR, aunque su adopción aún enfrenta desafíos
técnicos y regulatorios.
Por otro lado, la literatura evidencia
divergencias en cuanto a la capacidad de los marcos
normativos para adaptarse al ritmo de la innovación
tecnológica. Mientras Talukder & Shompa (2024)
subrayan la rigidez de las regulaciones frente al
dinamismo del ML, Patil et al., (2025) abogan por
la armonización de normativas internacionales
(como GDPR, CCPA y LGPD) para evitar
conflictos de soberanía de datos. Estas diferencias
pueden explicarse por la diversidad de contextos
regulatorios y el grado de madurez digital de los
sistemas financieros analizados.
Finalmente, los resultados de esta revisión
reafirman que las brechas regulatorias persisten en
tres dimensiones: a) la trazabilidad y explicabilidad
de los modelos, b) la interoperabilidad legal
transfronteriza, y c) la ausencia de directrices
técnicas claras para auditorías algorítmicas. Estas
deficiencias ya habían sido advertidas por
Szepannek & Lübke (2021) y Hockstad et al.,
(2024), quienes coinciden en la urgencia de
establecer estándares de gobernanza y auditoría
algorítmica que garanticen tanto la privacidad como
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2281)
http://www.aulavirtual.web.ve
la equidad en la toma de decisiones financieras
automatizadas.
Si bien esta revisión sistemática proporciona
una visión integral de las implicaciones de
privacidad asociadas al ML financiero, presenta
algunas limitaciones que deben reconocerse. En
primer lugar, el periodo temporal de análisis
(últimos cinco años) podría haber excluido
investigaciones fundacionales previas sobre
gobernanza algorítmica o ética de datos que
continúan siendo relevantes para comprender las
bases del problema. En segundo lugar, la
focalización en bases de datos académicas
específicas (Scopus, WoS y SciELO) puede haber
dejado fuera literatura gris o reportes técnicos de
organismos reguladores que aporten perspectivas
prácticas sobre la aplicación normativa. En tercer
lugar, la heterogeneidad conceptual entre estudios
revisados —que abordan privacidad desde
dimensiones técnicas, legales y éticas— dificulta la
comparación directa de resultados. Finalmente, la
rapidez del avance tecnológico en ML y la aparición
constante de nuevas técnicas de preservación de
privacidad (por ejemplo, zero-knowledge proofs o
secure multiparty computation) podrían hacer que
algunos hallazgos pierdan vigencia en el corto
plazo.
Estas limitaciones no invalidan los resultados,
pero sí sugieren que las conclusiones deben
interpretarse considerando el contexto dinámico del
campo y la necesidad de actualizaciones continuas
en revisiones futuras.
A partir de los vacíos y desafíos identificados,
se proponen varias líneas de investigación futura. En
primer lugar, se recomienda desarrollar modelos de
evaluación comparativa que midan el grado de
cumplimiento de los marcos regulatorios existentes
frente a los requerimientos de privacidad de los
sistemas de ML financiero. En segundo lugar, sería
pertinente realizar estudios empíricos
interdisciplinarios que integren perspectivas legales,
éticas y técnicas para examinar la eficacia de las
PETs en escenarios reales de banca y fintech. En
tercer lugar, se sugiere profundizar en la
armonización de regulaciones internacionales,
evaluando cómo los principios de protección de
datos pueden adaptarse a contextos transfronterizos
mediante mecanismos de compliance unificados.
Asimismo, se requiere avanzar en la
definición de marcos técnicos de auditoría
algorítmica, que incluyan métricas estandarizadas
de explicabilidad, responsabilidad y transparencia.
Finalmente, la investigación futura debería explorar
el potencial de la inteligencia artificial explicable
(XAI) combinada con federated learning como un
enfoque dual que preserve la privacidad sin
comprometer la responsabilidad legal y ética en la
toma de decisiones financieras automatizadas.
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2282)
http://www.aulavirtual.web.ve
Conclusiones
Los hallazgos de esta revisión sistemática
evidencian que la aplicación del ML en la toma de
decisiones financieras ha generado avances notables
en términos de eficiencia predictiva, reducción de
riesgos y automatización de procesos, pero también
ha incrementado las vulnerabilidades asociadas a la
privacidad de los datos. Entre los resultados más
significativos, se identificó que las brechas
regulatorias se concentran en tres ejes principales:
a) la falta de trazabilidad y explicabilidad en los
modelos de decisión automatizados; b) la escasa
interoperabilidad entre marcos regulatorios
internacionales, lo que obstaculiza el intercambio
seguro de datos transfronterizos; y c) la carencia de
directrices técnicas claras para la auditoría
algorítmica. Adicionalmente, los estudios revisados
muestran que las Privacy Enhancing Technologies
(PETs) —como el Federated Learning (FL), la
Differential Privacy (DP) y la Explainable AI
(XAI)— ofrecen soluciones prometedoras para
equilibrar precisión y privacidad en contextos
financieros, aunque su implementación aún enfrenta
barreras normativas y de estandarización
tecnológica.
En coherencia con el objetivo planteado
evaluar las implicaciones de privacidad derivadas
del uso de datos en machine learning para la toma
de decisiones financieras, con énfasis en la
regulación existente y las brechas en su aplicación,
los resultados permiten concluir que los marcos
regulatorios actuales, aunque avanzados en su
formulación (como el GDPR, CCPA, AI Act o Data
Governance Act), son insuficientes frente a los
desafíos emergentes de la inteligencia artificial
financiera. Se evidencia una falta de adaptación
dinámica de las normativas a la evolución de las
arquitecturas algorítmicas, lo cual genera vacíos
legales en la atribución de responsabilidad, el
consentimiento informado y la transparencia de los
modelos. Asimismo, la investigación confirma que
la integración efectiva de las PETs dentro de la
gobernanza financiera puede contribuir
significativamente a reducir los riesgos de
privacidad, siempre que se acompañe de políticas de
cumplimiento (compliance) y auditorías de impacto
algorítmico que garanticen el respeto a los derechos
de los titulares de datos.
Este trabajo asegura la validez y transparencia
del proceso de revisión, fortaleciendo la base
empírica y teórica sobre la que se sustentan las
conclusiones. La naturaleza sistemática del estudio
posibilitó comparar distintas perspectivas —
técnicas, regulatorias y éticas—, ofreciendo una
visión integral de las implicaciones de privacidad en
la adopción de ML en finanzas.
Los resultados de esta investigación tienen
implicaciones relevantes tanto para la academia
como para los reguladores y el sector financiero. En
el ámbito académico, este estudio contribuye a
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2283)
http://www.aulavirtual.web.ve
consolidar un marco analítico que relaciona la
regulación de datos con la innovación tecnológica,
sirviendo de referencia para futuras investigaciones
interdisciplinares en ética algorítmica y gobernanza
de datos financieros. Desde una perspectiva
práctica, los hallazgos sugieren la urgencia de
diseñar marcos regulatorios adaptativos, basados en
principios de privacy by design y algorithmic
accountability. Se recomienda que futuros estudios
profundicen en la evaluación empírica de la
efectividad de las PETs en entornos reales, en el
desarrollo de estándares internacionales de auditoría
algorítmica y en la armonización de normativas
globales para la gestión de datos sensibles en
finanzas. Finalmente, la investigación abre la
oportunidad de explorar modelos híbridos que
combinen Explainable AI y Federated Learning,
consolidando sistemas financieros más
transparentes, éticos y resilientes frente a los
desafíos de privacidad del siglo XXI.
Referencias
Abdul Salam, M., Fouad, KM, Elbably, DL y
Elsayed, SM (2024). Modelo de aprendizaje
federado para la detección de fraudes con tarjetas
de crédito mediante técnicas de balanceo de
datos. Computación neuronal y
aplicaciones, 36 (11), 6231-6256.
AbouGrad, H., & Sankuru, L. (2025). Online
banking fraud detection model: Decentralized
machine learning framework to enhance
effectiveness and compliance with data privacy
regulations. Mathematics, 13(13), 2110.
Documento en linea. Disponible
https://doi.org/10.3390/math13132110
Achalapong, P., & Satitsamitpong, N. (2025).
Artificial intelligence–driven risk analytics for
non-bank financial institutions: Ethical and
privacy implications. Journal of FinTech and
Data Governance, 12(1), 45–62.
Akash, T., Lessard, D., Reza, N., & Islam, M.
(2024). Investigating methods to enhance data
privacy in business, especially in sectors like
analytics and finance. Journal of Computer
Science and Technology Studies, 6(5), 143–151.
Documento en linea. Disponible
https://doi.org/10.32996/jcsts.2024.6.5.12
Aljunaid, S. K., Almheiri, S. J., Dawood, H., &
Khan, M. A. (2025). Secure and transparent
banking: Explainable AI-driven federated
learning model for financial fraud detection.
Journal of Risk and Financial Management,
18(4), 179. Documento en linea. Disponible
https://doi.org/10.3390/jrfm18040179
Awosika, T., Shukla, R. M., & Pranggono, B.
(2024). Transparency and privacy: the role of
explainable ai and federated learning in financial
fraud detection. IEEE access, 12, 64551-64560.
Borowicz, M. K. (2024). The data quality problem
(in the European Financial Data Space).
International Journal of Law and Information
Technology, 32, eaae015. Documento en linea.
Disponible https://doi.org/10.1093/ijlit/eaae015
Chomczyk Penedo, A., & Trigo Kramcsák, P.
(2023). Can the European Financial Data Space
remove bias in financial AI development?
Opportunities and regulatory challenges.
International Journal of Law and Information
Technology, 31(3), 253–275. Documento en
linea. Disponible
https://doi.org/10.1093/ijlit/eaad020
Dasari, S. & Kaluri, R. (2024). Clasificación eficaz
de ataques DDoS en una red distribuida mediante
técnicas de aprendizaje automático jerárquico y
optimización de hiperparámetros. IEEE
Access, 12, 10834-10845.
Deshmukh, A., de la Rosa, P. E., Rodríguez, R. V.,
& Dasari, S. (2025). Enhancing privacy in IoT-
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2284)
http://www.aulavirtual.web.ve
enabled digital infrastructure: Evaluating
federated learning for intrusion and fraud
detection. Sensors, 25(10), 3043. Documento en
linea. Disponible
https://doi.org/10.3390/s25103043
Dhabliya, D., Rizvi, N., Dhablia, A., Sridhar, A.,
Kale, S., & Padhi, D. (2024). Securing machine
learning ecosystems: Strategies for building
resilient systems. E3S Web of Conferences, 491,
02033. Documento en linea. Disponible
https://doi.org/10.1051/e3sconf/202449102033
El-Taj, H., Hamedah, D., & Saeed, R. (2025).
Artificial intelligence and advanced
cybersecurity to mitigate credential-stuffing
attacks in the banking industry. International
Journal of Computational and Experimental
Science and Engineering (IJCESEN), 11(1),
935–948. Documento en linea. Disponible
https://doi.org/10.22399/ijcesen.754
Hamed, T. (2023). Navigating the ethical and
privacy concerns of big data and machine
learning in decision making. Intelligent and
Converged Networks, 4(4), 280–295.
Documento en línea. Disponible
https://doi.org/10.23919/icn.2023.0023
Hockstad, T., Rahman, M., Jones, S., &
Chowdhury, M. (2024). A regulatory gap
analysis in transportation cybersecurity and data
privacy. Transportation Journal, 64(1).
Documento en linea. Disponible
https://doi.org/10.1002/tjo3.12036
Kanamori, S., Abe, T., Ito, T., Emura, K., Wang, L.,
Yamamoto, S., Phong, L. T., Abe, K., Kim, S.,
Nojima, R., Ozawa, S., & Moriai, S. (2022).
Privacy-preserving federated learning for
detecting fraudulent financial transactions in
Japanese banks. Journal of Information
Processing, 30, 789–795. Documento en linea.
Disponible
https://doi.org/10.2197/ipsjjip.30.789
Kong, L., Luo, Y., Abidian, MR, Ahn, JH,
Akinwande, D., Andrews, AM, Antonietti, M., ...
y Chen, X. (2023). Hoja de ruta tecnológica para
sensores flexibles. ACS nano, 17 (6), 5211-5295.
Lee, J. (2020). Access to finance for artificial
intelligence regulation in the financial services
industry. European Business Organization Law
Review, 21, 731–757. Documento en linea.
Disponible https://doi.org/10.1007/s40804-020-
00200-0
Li, M., & Walsh, J. (2024). FEDGAT-DCNN:
Advanced credit card fraud detection using
federated learning, graph attention networks, and
dilated convolutions. Electronics, 13(16), 3169.
https://doi.org/10.3390/electronics13163169
Liu, Z., Guo, J., Lam, K., & Zhao, J. (2023).
Efficient dropout-resilient aggregation for
privacy-preserving machine learning. IEEE
Transactions on Information Forensics and
Security, 18, 1839–1854. Documento en línea.
Disponible
https://doi.org/10.1109/tifs.2022.3163592
Mohammed, S., Osman, Y., Ibrahim, A., & Shaban,
M. (2025). Ethical and regulatory considerations
in the use of AI and machine learning in nursing:
A systematic review. International Nursing
Review, 72(1). Documento en linea. Disponible
https://doi.org/10.1111/inr.70010
Nadella, G. S., Gonaygunta, H., Harish, M., &
Whig, P. (2025). Privacy and security:
safeguarding personal data in the AI era.
In Ethical dimensions of AI development (pp.
157-174). IGI Global.
Ogundele, A. T., Ibitoye, O. A., Akinterinwa, O. O.,
Abraham, A., Ibukun, F. O., & Apata, T. G.
(2025). The role of artificial intelligence in
advancing sustainable banking and service
efficiency in Nigerian financial institutions: An
assessment of selected quoted banks. The
Journal of Sustainable Development Law and
Policy, 16(1), 282–307. Documento en linea.
Disponible
https://doi.org/10.4314/jsdlp.v16i1.15
Oualid, A., Maleh, Y., & Moumoun, L. (2023).
Federated learning techniques applied to credit
ISSN: 2665-0398
Revista Aula Virtual, ISSN: 2665-0398; Periodicidad: Continua
Volumen: 6, Número: 13, Año: 2025 (Continua-2025)
Esta obra está bajo una Licencia Creative Commons Atribución No Comercial-Sin Derivar 4.0 Internacional
1(2285)
http://www.aulavirtual.web.ve
risk management: A systematic literature
review. EDPACS, 68(1), 42-56.
Patil, A., Mishra, B., Chockalingam, S., Misra, S.,
& Kvalvik, P. (2025). Securing financial systems
through data sovereignty: A systematic review of
approaches and regulations. International
Journal of Information Security, 24, 159.
Documento en linea. Disponible
https://doi.org/10.1007/s10207-025-01074-4
Pereira, D., Reis, P. R., & Borges, F. (2024). Secure
aggregation protocol based on DC-Nets and
secret sharing for decentralized federated
learning. Sensors, 24(4), 1299. Documento en
linea. Disponible
https://doi.org/10.3390/s24041299
Qi, T., Wu, F., Wu, C., He, L., Huang, Y., & Xie, X.
(2023). Differentially private knowledge transfer
for federated learning. Nature Communications,
14(1). Documento en linea. Disponible
https://doi.org/10.1038/s41467-023-38794-x
Selvamani, T., Arjunan, P., & Poovammal, E.
(2025). Intelligent mortgage optimization:
Leveraging AI for personalized lending and risk
assessment. International Journal of Basic and
Applied Sciences, 14(2), 113–118. Documento
en linea. Disponible
https://doi.org/10.14419/psrwrt75
Szepannek, G., & Lübke, K. (2021). Facing the
challenges of developing fair risk scoring
models. Frontiers in Artificial Intelligence, 4,
681915. Documento en linea. Disponible
https://doi.org/10.3389/frai.2021.681915
Talukder, K., & Shompa, T. (2024). Artificial
intelligence in criminal justice management: A
systematic literature review. NHJ, 1(01), 63–82.
Documento en linea. Disponible
https://doi.org/10.70008/jmldeds.v1i01.42
Tufail, S., Riggs, H., Tariq, M., & Sarwat, A.
(2023). Advancements and challenges in
machine learning: A comprehensive review of
models, libraries, applications, and algorithms.
Electronics, 12(8), 1789. Documento en linea.
Disponible
https://doi.org/10.3390/electronics12081789
Vecchietti, G., Liyanaarachchi, G., & Viglia, G.
(2025). Managing deepfakes with artificial
intelligence: Introducing the business privacy
calculus. Journal of Business Research, 186,
115010. Documento en linea. Disponible
https://doi.org/10.1016/j.jbusres.2024.115010
Wirth, F., Meurers, T., Johns, M., & Praßer, F.
(2021). Privacy-preserving data sharing
infrastructures for medical research:
Systematization and comparison. BMC Medical
Informatics and Decision Making, 21(1).
Documento en linea. Disponible
https://doi.org/10.1186/s12911-021-01602-x
Yuspin, W., Afnan, H. A., Wardiono, K., Budiono,
A., Prakoso, A. L., Rajput, T., Basu Bal, A., &
Pitaksantayothin, J. (2025). Deep fakes in P2PL
services: Assessing legal challenges and data
privacy risks. WSEAS Transactions on Computer
Research, 13(43), 469–482. Documento en linea.
Disponible
https://doi.org/10.37394/232018.2025.13.43
Yuxin, M., & Honglin, W. (2023). Federated
Learning Based on Data Divergence and
Differential Privacy in Financial Risk Control
Research. Computers, Materials &
Continua, 75(1).
Zhang, J. (2022). Dynamic audit of internet finance
based on machine learning algorithm. Mobile
Information Systems, 2022, 1–12. Documento en
linea. Disponible
https://doi.org/10.1155/2022/7072955
