تشخیص تقلب در بیمه درمان تکمیلی با استفاده از الگوریتم های شبکه عصبی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
تقلب در مطالبات بیمه درمان تکمیلی، چالشی بزرگ است که منجر به زیان های مالی قابل توجه و تضعیف اعتماد عمومی می گردد. در این پژوهش، یک چارچوب جامع برای شناسایی تقلب با استفاده از الگوریتم های شبکه عصبی ارائه شده است. این چارچوب از سه معماری شبکه عصبی بهره می برد: الف) پرسپترون چندلایه (MLP)، ب) شبکه عصبی عمیق (DNN) پیاده سازی شده با Keras، و ج) شبکه حافظه بلندمدت (LSTM). داده های خام از منابع مختلف شامل اطلاعات بیمه نامه ها، بیمه شدگان، پرونده های خسارت، فهرست بیماری ها و اطلاعات شعب جمع آوری و پس از آن با مراحل پاک سازی، تبدیل، نرمال سازی و حذف داده های پرت (با استفاده از روش فاصله بین چارکی یا IQR) پیش پردازش شدند. مدل ها با استفاده از روش اعتبارسنجی متقاطع K-تایی و معیارهایی نظیر دقت، ماتریس سردرگمی، دقت (Precision)، بازخوانی (Recall)، امتیاز F1 و ROC-AUC ارزیابی شدند. نتایج تجربی نشان دادند که همه مدل ها دقت بسیار بالایی (در حدود ۹۹.۹٪) دارند و این موضوع اثبات می کند که سیستم های مبتنی بر شبکه عصبی قادر به تفکیک قابل اعتماد میان ادعاهای مشروع و جعلی هستند. این سیستم پیشنهادی می تواند مسیر را برای نظارت لحظه ای مؤثرتر بر تقلب در صنعت بیمه هموار کند. این مدل ها دقت بسیار بالایی در شناسایی تقلب ها داشتند و می توانند در کاربردهای عملی و دنیای واقعی به طور مؤثر به کار گرفته شوند. نتایج این تحقیق نشان دهنده توانایی بالای این مدل ها در پردازش داده های پیچیده و غیرخطی است و این الگوریتم ها می توانند به عنوان راه حل های مؤثری برای تشخیص تقلب در بیمه های درمان تکمیلی و سایر سیستم های مشابه به کار روند. در نتیجه، این تحقیق گامی مهم در جهت توسعه مدل های هوشمند برای شناسایی تقلب در سیستم های بیمه ای است.Fraud Detection in Supplementary Health Insurance Using Neural Network Algorithms
Fraud in supplementary health insurance claims is a major challenge that leads to significant financial losses and undermines public trust. In this study, a comprehensive framework for fraud detection using neural network algorithms is presented. This framework utilizes three neural network architectures: a) Multilayer Perceptron (MLP), b) Deep Neural Network (DNN) implemented with Keras, and c) Long-Term Memory Network (LSTM). Raw data were collected from various sources including insurance policy information, insureds, claim files, disease lists, and branch information and then preprocessed with cleaning, transformation, normalization, and outlier removal (using the interquartile range or IQR method). The models were evaluated using the K-means cross-validation method and metrics such as accuracy, confusion matrix, precision, recall, F1 score, and ROC-AUC. Experimental results showed that all models have very high accuracy (about 99.9%), proving that neural network-based systems are capable of reliably distinguishing between legitimate and fraudulent claims. The proposed system can pave the way for more effective real-time fraud monitoring in the insurance industry. These models had very high accuracy in detecting fraud and can be effectively applied in practical and real-world applications. The results of this research indicate the high ability of these models to process complex and nonlinear data, and these algorithms can be used as effective solutions for fraud detection in complementary health insurance and other similar systems. Consequently, this research is an important step towards the development of intelligent models for fraud detection in insurance systems.
تبلیغات
