Modelo de aprendizaje automático para evaluar vulnerabilidad de ingeniería social en usuarios de internet del Tecnológico de Estudios Superiores Chalco

Autores/as

DOI:

https://doi.org/10.69639/arandu.v12i3.1542

Palabras clave:

aprendizaje automático, ingeniería social, vulnerabilidad, algoritmo, regresión lineal

Resumen

El desarrollo de un modelo auxiliar enfocado en el análisis de la ciberdelincuencia en el Tecnológico de Estudios Superiores de Chalco, busca delimitar los niveles de vulnerabilidad presentes, proponiendo un tema de relevancia para la población, particularmente en el análisis de riesgos y vulnerabilidades relacionados con técnicas de ingeniería social, las cuales exponen a los usuarios a situaciones desfavorables en la protección de sus datos personales, especialmente la Información Personal Identificable (PII). Una vez que las personas interactúan con el modelo, comienzan a generar conciencia acerca del nivel de riesgo y de la necesidad de fortalecer sus medidas de seguridad digital. El modelo diseñado para procesar esta información es impulsado por técnicas de Machine Learning y para su desarrollo se seleccionan características esenciales, como el aprendizaje supervisado, empleando algoritmos de regresión logística múltiple que permiten la clasificación del conjunto de datos suministrado, garantizando un análisis estructurado y confiable. El objetivo principal consiste en examinar un dataset específico para generar predicciones precisas y resultados interpretables. La metodología contempla la recolección, limpieza, tratamiento y preparación de datos, seguida de la implementación del algoritmo de regresión logística múltiple, lo que permite modelar relaciones complejas entre múltiples variables independientes y una variable dependiente categórica.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Borghello, A. C., & De abril del, E. M. de E. P. L. F. L. 13. (s.f.). El arma infalible: la Ingeniería Social. Eset-la.com. Recuperado el 25 de abril de 2024, de https://www.eset-la.com/pdf/prensa/informe/arma_infalible_ingenieria_social.pdf

Brownlee, J. (2020). Data preparation for machine learning: Data cleaning, feature selection, and data transforms in Python. [s.l.]: Machine Learning Mastery.

Data Science PM. (2025). CRISP-DM for Data Science. Recuperado el 31 de agosto de 2025, de https://www.datascience-pm.com/wp-content/uploads/2024/12/CRISP-DM-for-Data-Science-2025.pdf

Grande, C. E. L. (s.f.). Ingeniería Social: El Ataque Silencioso. Org.sv. Recuperado el 25 de abril de 2024, de http://www.redicces.org.sv/jspui/bitstream/10972/2910/1/Articulo6.pdf

Lima, C. A. F., Luz, B. M., Takemoto, S. T., Barisson, P. Jr., Tezzin, R. A. T., Peres, L. E. A., dos Santos, F. N. G. M., Anarelli, T. N., & da Silva, A. F. (2015). Strategic modeling for the characterization of the conditions that allow the anticipation of the consumer’s requests. Open Journal of Social Sciences, 3(10), 36–47. https://doi.org/10.4236/jss.2015.310005

Miranda, J. V. (2023). Cómo lidiar con el desbalanceo de datos. Alura Cursos. https://www.aluracursos.com/blog/como-lidiar-con-el-desbalanceo-de-datos

MyEducator. (s.f.). The Data Mining Process – CRISP-DM steps. Recuperado el 31 de agosto de 2025, de https://app.myeducator.com/reader/web/1539k/blah1/j83yi/

Oracle. (2021). Process overview: Machine learning for SQL use cases (CRISP-DM methodology). Recuperado el 12 de agosto de 2025, de https://docs.oracle.com/en/database/oracle/machine-learning/oml4sql/21/mlsql/process-overview.html

Pulso, C. (2023). México entre los 10 países con más ciberataques. Recuperado el 19 de abril de 2024, de https://pulsocapital.com/mexico-entre-los-10-paises-con-mas-ciberataques/

Rodrigo, J. A. (2016, agosto). Regresión logística simple y múltiple. Cienciadedatos.net. Recuperado el 30 de mayo de 2024, de https://cienciadedatos.net/documentos/27_regresion_logistica_simple_y_multiple

Sandoval, L. J. (2018, diciembre). Algoritmos de aprendizaje automático para análisis y predicción de datos. Repositorio Digital de Ciencia y Cultura de El Salvador (REDICCES). Recuperado el 30 de mayo de 2024, de http://redicces.org.sv/jspui/bitstream/10972/3626/1/Art6_RT2018.pdf

Schröer, C. (2021). A systematic literature review on applying CRISP-DM. Procedia Computer Science. Recuperado el 12 de junio de 2025 de ScienceDirect.

Shearer, C. (2000). El modelo CRISP-DM: el nuevo plan para la minería de datos. Journal of Data Warehousing, 5(5), 13–22. Recuperado de https://www.datascience-pm.com/crisp-dm-2/

Udacity. (2025, marzo). CRISP-DM explained: a proven data mining methodology. Recuperado el 28 de agosto de 2025 de UDacity Blog.

Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. DaimlerChrysler AG. Recuperado de https://cs.unibo.it/~danilo.montesi/CBD/Beatriz/10.1.1.198.5133.pdf

Descargas

Publicado

2025-10-07

Cómo citar

Romero Castro, R., Ruperto Villalpando, J. D., Córdoba Beltrán, D. A., Soberanes Martín, F., & Villanueva Valdivia , G. N. (2025). Modelo de aprendizaje automático para evaluar vulnerabilidad de ingeniería social en usuarios de internet del Tecnológico de Estudios Superiores Chalco. Arandu UTIC, 12(3), 3107–3122. https://doi.org/10.69639/arandu.v12i3.1542

Número

Sección

Ciencias de la Educación

Artículos similares

<< < 2 3 4 5 6 7 8 9 10 11 > >> 

También puede Iniciar una búsqueda de similitud avanzada para este artículo.