Este artículo realiza un análisis bibliométrico de las aplicaciones de machine learning (ML) en la detección de fraude en plataformas de crowdfunding, un sector clave para startups y empresas emergentes. Las plataformas de crowdfunding son una fuente de financiamiento accesible y diversa, pero también son vulnerables a fraudes que afectan la confianza del inversionista. Utilizando técnicas de ML como Random Forest, Support Vector Machine, y Redes Neuronales Artificiales, se evalúa la precisión en la detección de patrones fraudulentos y comportamientos anómalos. La revisión sistemática emplea la metodología PRISMA para analizar estudios publicados entre 2018 y 2023, destacando los efectos del COVID-19 en el fraude y las innovaciones en seguridad.
Los resultados señalan que los métodos de ML mejoran significativamente la precisión en la detección de fraudes en campañas de crowdfunding, y que los países con mayor producción académica en esta área incluyen Estados Unidos, Alemania y Canadá. Además, se identifica que las universidades líderes en el tema, como Florida Atlantic y Cornell, así como editoriales destacadas como Springer, contribuyen al avance de esta línea de investigación. Los estudios revisados sugieren que el ML ofrece ventajas para el análisis y prevención de fraude en tiempo real, pero enfrentan desafíos en cuanto a la calidad de datos y la explicación de decisiones complejas.
En conclusión, este trabajo aporta un marco para comprender el impacto del ML en la detección de fraude en plataformas de crowdfunding. Las tendencias futuras incluyen mejorar la interoperabilidad de los datos y la integración de modelos explicables para aumentar la transparencia y confianza en estas plataformas.