Fraud Detection and Data Analytics: A Review of the Research

This dissertation presents a systematic literature review of artificial intelligence (AI) applications in fraud detection within accounting and finance, focusing on studies published between 2018 and 2024. Financial fraud continues to threaten transparency, investor confidence, and market stability, while traditional detection methods, such as audits and statistical models, have proven increasingly insufficient. AI, particularly machine learning, natural language processing, and deep learning, offers enhanced capabilities for anomaly detection and forensic accounting. The review systematically examines forty peer-reviewed articles selected through a transparent search process, assessing methodological diversity across supervised, unsupervised, and hybrid approaches. Significant challenges remain, including class imbalance, model opacity, and ethical concerns around bias and privacy. Regulatory frameworks, notably GDPR Article 22 and the forthcoming EU AI Act, further underscore the need for explainable AI and human oversight.

Questa tesi presenta una revisione sistematica della letteratura sulle applicazioni dell'intelligenza artificiale (IA) nel rilevamento delle frodi in ambito contabile e finanziario, concentrandosi sugli studi pubblicati tra il 2018 e il 2024. Le frodi finanziarie continuano a minacciare la trasparenza, la fiducia degli investitori e la stabilità del mercato, mentre i metodi di rilevamento tradizionali, come audit e modelli statistici, si sono rivelati sempre più insufficienti. L'intelligenza artificiale, in particolare l'apprendimento automatico, l'elaborazione del linguaggio naturale e l'apprendimento profondo, offre funzionalità avanzate per il rilevamento delle anomalie e la contabilità forense. La revisione esamina sistematicamente quaranta articoli sottoposti a revisione paritaria selezionati attraverso un processo di ricerca trasparente, valutando la diversità metodologica tra approcci supervisionati, non supervisionati e ibridi. Attualmente permangono sfide significative, tra cui lo squilibrio di classe, l’opacità del modello e le preoccupazioni etiche relative ai pregiudizi e alla privacy. I quadri normativi, in particolare l’articolo 22 del GDPR e la prossima legge UE sull’intelligenza artificiale, sottolineano ulteriormente la necessità di un’intelligenza artificiale spiegabile e di una supervisione umana.