Explainable Machine Learning for Detecting Fraudulent Online Job Postings in Ghana: A SHAP-Based Approach

Resumen Técnico: Aprendizaje Automático Explicable para la Detección de Ofertas de Empleo Fraudulentas en línea en Ghana

Planteamiento del Problema
El fraude laboral, particularmente a través de ofertas de empleo en línea, es una preocupación creciente en Ghana, caracterizada por prácticas engañosas que explotan a los buscadores de empleo mediante anuncios falsos, solicitudes de pagos por adelantado y la recolección de datos. Los métodos de detección tradicionales, como la moderación manual y las auditorías periódicas, son reactivos, requieren mucha mano de obra y tienen dificultades para escalar frente al volumen de publicaciones diarias. Además, si bien la Inteligencia Artificial (IA) ofrece potentes capacidades de detección, la naturaleza de "caja negra" de los modelos complejos dificulta su adopción en dominios sensibles como el empleo. Las partes interesadas requieren no solo alta precisión, sino también razones transparentes e interpretables para marcar una publicación como fraudulenta para garantizar la confianza, la rendición de cuentas y el cumplimiento normativo.

Metodología
Este estudio propone un marco que combina la clasificación de aprendizaje automático supervisado con la Inteligencia Artificial Explicable (XAI) para detectar anuncios de empleo fraudulentos.

• Conjunto de Datos: La investigación utilizó un conjunto de datos de 499 ofertas de empleo extraídas de Jobweb Ghana, que comprendía 360 instancias legítimas y 139 fraudulentas. Los datos incluyeron características como el nombre de la empresa, la descripción del puesto, la divulgación de salario, los plazos de solicitud, el tipo de empleo y los requisitos educativos.
• Preprocesamiento: El conjunto de datos se dividió en un conjunto de entrenamiento del 80% (399 filas) y un conjunto de prueba del 20% (100 filas). Las variables categóricas se transformaron mediante codificación one-hot para preparar los datos para el modelado.
• Modelos Evaluados: Se desarrollaron y compararon cinco algoritmos de clasificación:
  1. Naive Bayes Multinomial
  2. Regresión Logística
  3. Bosque Aleatorio (Random Forest)
  4. K-Vecinos Más Cercanos (KNN)
  5. Árbol de Decisión
• Métricas de Evaluación: El rendimiento se evaluó utilizando Exactitud (Accuracy), Precisión, Sensibilidad (Recall), F1-score y ROC-AUC.
• Explicabilidad: Para abordar la brecha de interpretabilidad, se aplicaron las Explicaciones de Shapley Aditivas (SHAP) al mejor modelo para cuantificar la contribución de cada característica a las predicciones.

Resultos Clave

• Rendimiento del Modelo: Los cinco modelos demostraron sólidas capacidades predictivas, con puntuaciones de exactitud que oscilaron entre 0.88 y 0.92.
  • Naive Bayes Multinomial emergió como el mejor modelo, logrando la mayor Exactitud (0.92), ROC-AUC (0.9635) y F1-score (0.8621). Exhibió un fuerte equilibrio entre precisión (0.8333) y sensibilidad (0.8929).
  • Regresión Logística también funcionó bien con una exactitud de 0.91 y un robusto ROC-AUC de 0.9457.
  • Bosque Aleatorio alcanzó una exactitud de 0.92, pero un ROC-AUC ligeramente inferior (0.9303) en comparación con el Naive Bayes Multinomial.
  • Árbol de Decisión mostró el rendimiento más bajo (Exactitud: 0.88), lo que sugiere un posible sobreajuste o una capacidad de generalización limitada en comparación con los métodos probabilísticos y de ensamble.
• Perspectivas del Análisis SHAP: La aplicación de SHAP al modelo Naive Bayes Multinomial reveló los siguientes impulsores clave para la detección de fraude:
  • Requisitos Educativos: Las características relacionadas con los requisitos de grado (específicamente los requisitos "Bajos" y "Estándar") fueron los predictores más influyentes, contribuyendo significativamente a la clasificación de una publicación como fraudulenta.
  • Indicadores de Transparencia: La divulgación (o falta de ella) de los plazos de solicitud y la información salarial se identificaron como factores críticos. La mera presencia o ausencia de estos detalles influyó significativamente en la salida del modelo.
  • Categorización del Trabajo: El número de categorías asignadas a una oferta de trabajo fue un predictor moderado.
  • Impacto Limitado del Branding: Las características relacionadas con la imagen de marca de la empresa, como la presencia de un logotipo, el nombre de la empresa o los datos de contacto, tuvieron un impacto mínimo en las predicciones, lo que indica que las características basadas en el contenido son más indicativas de fraude que la presentación organizacional.

Contribuciones Clave

1. Aplicación Contextual: El estudio aplica el aprendizaje automático específicamente al contexto de Ghana respecto al fraude de reclutamiento en línea, abordando un vacío en la literatura sobre estafas de empleo locales.
2. Integración de XAI: A diferencia de muchos estudios que se centran únicamente en la precisión predictiva, este trabajo integra SHAP para proporcionar explicaciones transparentes de las decisiones del modelo, abordando el problema de la "caja negra".
3. Identificación de Características: La investigación identifica empíricamente indicadores específicos e interpretables de fraude (requisitos educativos, transparencia de plazos) que pueden utilizarse para el filtrado basado en reglas o la revisión humana.
4. Comparación de Modelos: Proporciona un análisis comparativo de modelos probabilísticos, de ensamble y basados en árboles, demostrando que los enfoques probabilísticos (Naive Bayes Multinomial) pueden ser particularmente efectivos para este conjunto de datos categóricos específico.

Significancia y Reivindicaciones
El artículo sostiene que los modelos de aprendizaje automático explicable pueden detectar eficazmente el fraude laboral proporcionando al mismo tiempo los conocimientos transparentes necesarios para la confianza de las partes interesadas. El estudio demuestra que:

• Las técnicas de aprendizaje automático son viables y efectivas para distinguir entre ofertas de empleo genuinas y fraudulentas en Ghana.
• Los modelos probabilísticos como el Naive Bayes Multinomial ofrecen un equilibrio óptimo entre sensibilidad y fiabilidad para esta tarea.
• La explicabilidad no es simplemente un complemento, sino un requisito previo para el despliegue práctico; el análisis SHAP tradujo con éxito las salidas complejas del modelo en conocimientos accionables sobre los requisitos educativos y las señales de transparencia.
• Las publicaciones fraudulentas se identifican más eficazmente a través de anomalías basadas en el contenido (por ejemplo, requisitos vagos, falta de plazos) en lugar de características organizacionales superficiales.

Los autores concluyen que la integración de estos modelos explicables en las plataformas de reclutamiento puede mejorar la toma de decisiones para administradores y reguladores, ofreciendo mecanismos de alerta temprana contra las estafas de empleo en línea.