Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático
Muchas organizaciones se ven afectadas actualmente por fraudes financieros convirtiéndose en una preocupación para el área financiera de cualquier entidad, ya que al materializarse perjudica directamente el patrimonio de cualquier empresa pública o privada. Para ello se han implementado técnicas sup...
- Autores:
-
Hernández Aros, Ludivia
Gutierrez Portela, Fernando
Rodríguez Cárdenas, Stefania
Patiño Ospina, Laura Paola
- Tipo de recurso:
- Article of investigation
- Fecha de publicación:
- 2023
- Institución:
- Universidad Cooperativa de Colombia
- Repositorio:
- Repositorio UCC
- Idioma:
- OAI Identifier:
- oai:repository.ucc.edu.co:20.500.12494/52793
- Palabra clave:
- Fraude financiero
Inteligencia artificial
Técnicas supervisadas
Detección de fraudes
Minería de datos
Financial fraud
Artificial intelligence
Supervised techniques
Fraud detection
Data mining
- Rights
- closedAccess
- License
- http://purl.org/coar/access_right/c_14cb
id |
COOPER2_2916b2f57a452eb5831f0a1c44c00369 |
---|---|
oai_identifier_str |
oai:repository.ucc.edu.co:20.500.12494/52793 |
network_acronym_str |
COOPER2 |
network_name_str |
Repositorio UCC |
repository_id_str |
|
dc.title.none.fl_str_mv |
Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático |
title |
Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático |
spellingShingle |
Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático Fraude financiero Inteligencia artificial Técnicas supervisadas Detección de fraudes Minería de datos Financial fraud Artificial intelligence Supervised techniques Fraud detection Data mining |
title_short |
Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático |
title_full |
Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático |
title_fullStr |
Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático |
title_full_unstemmed |
Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático |
title_sort |
Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático |
dc.creator.fl_str_mv |
Hernández Aros, Ludivia Gutierrez Portela, Fernando Rodríguez Cárdenas, Stefania Patiño Ospina, Laura Paola |
dc.contributor.author.none.fl_str_mv |
Hernández Aros, Ludivia Gutierrez Portela, Fernando Rodríguez Cárdenas, Stefania Patiño Ospina, Laura Paola |
dc.subject.none.fl_str_mv |
Fraude financiero Inteligencia artificial Técnicas supervisadas Detección de fraudes Minería de datos |
topic |
Fraude financiero Inteligencia artificial Técnicas supervisadas Detección de fraudes Minería de datos Financial fraud Artificial intelligence Supervised techniques Fraud detection Data mining |
dc.subject.other.none.fl_str_mv |
Financial fraud Artificial intelligence Supervised techniques Fraud detection Data mining |
description |
Muchas organizaciones se ven afectadas actualmente por fraudes financieros convirtiéndose en una preocupación para el área financiera de cualquier entidad, ya que al materializarse perjudica directamente el patrimonio de cualquier empresa pública o privada. Para ello se han implementado técnicas supervisadas y no supervisadas que usan la inteligencia artificial para la prevención y detección temprana de estos fraudes y así minimizar riesgos en las operaciones financieras. Debido a lo anterior, el estudio analiza el uso de las técnicas supervisadas, su estado referencial por medio del análisis cienciométrico y bibliométrico, determinando la importancia de ellas para la prevención y detección de los fraudes financieros. A nivel metodológico es un estudio documental, exploratorio y analítico. Los resultados del estudio indican que las técnicas de aprendizaje automático supervisadas son las más precisas en el momento de aplicar los experimentos para la detección y prevención, logrando así resultados de efectividad superiores al 90% utilizando algoritmos como árbol de decisión, redes neuronales, Naive Bayes, Maquina de vectores de soportes, Bosque aleatorio y regresión logística, siendo notable en los resultados que los fraudes financieros mayormente analizados en estos estudios fueron falsificación de estados financieros, fraude de tarjetas de crédito, informes financieros fraudulentos y fraude de servicios financieros. Por otra parte, se resalta que el tema de investigación está en crecimiento gracias a que la detección de fraudes se está volviendo necesaria para las organizaciones y con mayor relevancia para las instituciones financieras, por ser una de las mayores afectadas por este flagelo del fraude. |
publishDate |
2023 |
dc.date.accessioned.none.fl_str_mv |
2023-09-30T22:15:57Z |
dc.date.available.none.fl_str_mv |
2023-09-30T22:15:57Z |
dc.date.issued.none.fl_str_mv |
2023-04-01 |
dc.type.none.fl_str_mv |
Artículos Científicos |
dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
dc.type.coarversion.none.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
http://purl.org/coar/resource_type/c_2df8fbb1 |
status_str |
publishedVersion |
dc.identifier.issn.none.fl_str_mv |
2595-1750 |
dc.identifier.uri.none.fl_str_mv |
https://doi.org/10.23925/cafi.v6i1.58372 https://hdl.handle.net/20.500.12494/52793 |
dc.identifier.bibliographicCitation.none.fl_str_mv |
PORTELA, Gutierrez Portela; CÁRDENAS, Stefania Rodríguez; OSPINA, Laura Paola Patiño; AROS, Ludivia Hernandez. (2023) Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático. Cafi, v. 6 n. 1, p.77– 101. ISSN 2595-1750. |
identifier_str_mv |
2595-1750 PORTELA, Gutierrez Portela; CÁRDENAS, Stefania Rodríguez; OSPINA, Laura Paola Patiño; AROS, Ludivia Hernandez. (2023) Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático. Cafi, v. 6 n. 1, p.77– 101. ISSN 2595-1750. |
url |
https://doi.org/10.23925/cafi.v6i1.58372 https://hdl.handle.net/20.500.12494/52793 |
dc.relation.isversionof.none.fl_str_mv |
https://revistas.pucsp.br/index.php/CAFI/article/view/58372 |
dc.relation.ispartofjournal.none.fl_str_mv |
Revista CAFI – Contabilidade, Atuária, Finanças & Informação |
dc.relation.references.none.fl_str_mv |
Boden, M. (1996). Artificial Intelligence. Elsevier. Obtenido de books.google.es: https://books.google.es/books?id=_ixmRlL9jcIC&printsec=frontcover&hl=es#v=on epage&q&f=false Calvo, J., Guzmán, M., & Daniel, R. (2018). Machine learning, una pieza clave en la transformación de los modelos de negocio. Management solutions Making things happen. Obtenido de managementsolutions.com: https://www.managementsolutions.com/sites/default/files/publicaciones/esp/machin e-learning.pdf Chirinos, Y., Godínez López, R., & Ramírez García, A. (2021). Tendencias Investigación Universitaria Vol. IX.Cáp IV. Obtenido de researchgate.net: https://www.researchgate.net/publication/349607908_Tendencias_Investigacion_U niversitaria_Vol_IX Ciobanu, M. (2019). The rise of machine learning and artificial intelligence in fraud detection. Obtenido de thepaypers.com: https://thepaypers.com/expert-opinion/therise- of-machine-learning-and-artificial-intelligence-in-fraud-detection/779255 Cooper, D., Dacin, T., & Palmer, D. (2013). Fraud in accounting, organizations and society: Extending the boundaries of research. Accounting, Organizations and Society, 38, 440–457. Obtenido de webofscience.com: https://www.webofscience.com/wos/woscc/fullrecord/ WOS:000329013200003?SID=7F2IsIgNMPe7vfo858n Fetzer, J. H. (1990) Artificial Intelligence: Its Scope and Limits. Kluwer Academic Publishers. Recuperado de: https://books.google.com.co/books?id=77SLBQAAQBAJ&printsec=frontcover&hl =es#v=onepage&q&f=false González, L. (18 de agosto de 2020). Aprendizaje no Supervisado. Obtenido de aprendeia.com: https://aprendeia.com/aprendizaje-no-supervisado-machinelearning Hernández Sampieri, R., & Torres, C. (2018). Metodología de la investigación (Vol. 4). México DF: McGraw-Hill Interamericana Hurtado de Barrera, J. (2012). El Proyecto de Investigación. Qué es investigar. El “quiénes” de la investigación (Séptima Edición). Caracas, Venezuela: Ediciones: Quirón (SYPAL). James, R. (2014). Report to the Nations on Occupational Fraud and Abuse: 2014 Global Fraud Study, 79: 1-79. Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data mining techniques for the detection of fraudulent financial statements. Expert systems with applications, 32(4), 995-1003 KPMG. (2013). Encuesta de fraude en Colombia. (KPMG, Ed.) Bogotá: KPMG Colombia Langwagen Fripp, L. (octubre de 2019). Aplicación de aprendizaje automático a la detección de fraude en tarjetas de crédito. Obtenido de colibri.udelar.edu.uy (Universidad de la república Uruguay): https://www.colibri.udelar.edu.uy/jspui/bitstream/20.500.12008/23163/1/Lan19.pdf Larranaga, P., Calvo, B., Santana, R., Bielza, C., Galdiano, J., Inza, I., ... & Robles, V. (2006). Machine learning in bioinformatics. Briefings in bioinformatics, 7(1), 86-112. León Sánchez, D. P. (2015). Modelo predictivo para riesgo de liquidez de una entidad fiduciaria usando minería de datos (Doctoral dissertation). Linares Galán, J. E. (2022). Control interno en la prevención y detección de fraude corporativo [Diapositivas]. Obtenido de jabrveriana.edu.co: https://www.jabrveriana.edu.co/personales/hbermude/Audire/jelg2.pdf McCarthy, J., Minsky, M., Rochester, N. y Shannon, C. (1955). Una propuesta para el proyecto de investigación de verano de Dartmouth sobre inteligencia artificial. Consultado el 15 de octubre de 2022. Archivado desde el original en http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html Mitchell, T. (1997). Machine Learning. McGraw-Hill Molina, R. (2017). ¿Formación para la investigación o investigación formativa? La investigación y la formación como pilar común de desarrollo. Revista Boletín Redipe, 6(1), 84-89. Rosenblum, H. (01 de enero de 2005). Corporate Scandals: The Many Faces of Greed. Obtenido de go.gale.com (Gale Academic OneFile): https://go.gale.com/ps/i.do?p=AONE&u=anon%7Eb6c97118&id=GALE|A1298139 45&v=2.1&it=r&sid=googleScholar&asid=2ea8b338Mart%EDnez Rozen, C. (2014). Fraude corporativo en aumento. Revista Management 2: 1-2. |
dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/closedAccess |
dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_14cb |
eu_rights_str_mv |
closedAccess |
rights_invalid_str_mv |
http://purl.org/coar/access_right/c_14cb |
dc.format.extent.none.fl_str_mv |
77– 101 |
dc.coverage.temporal.none.fl_str_mv |
v. 6 n. 1 |
dc.publisher.none.fl_str_mv |
Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, Ibagué |
dc.publisher.program.none.fl_str_mv |
Contaduría Pública |
dc.publisher.place.none.fl_str_mv |
Ibagué |
publisher.none.fl_str_mv |
Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, Ibagué |
institution |
Universidad Cooperativa de Colombia |
bitstream.url.fl_str_mv |
https://repository.ucc.edu.co/bitstreams/4af72e20-c85f-4919-b4f4-0c038107f79a/download https://repository.ucc.edu.co/bitstreams/dcfbeddd-dfb3-4970-83d6-2abff482ffe1/download https://repository.ucc.edu.co/bitstreams/bf0c0243-a282-4886-aee1-b2969a51ecac/download https://repository.ucc.edu.co/bitstreams/b1abf092-fd0d-4bbf-b7ce-4e8475c290f4/download https://repository.ucc.edu.co/bitstreams/2c4b081d-013c-48ce-9cc4-6b390817624e/download https://repository.ucc.edu.co/bitstreams/2f474785-7d1c-4d54-8e24-704621f88657/download |
bitstream.checksum.fl_str_mv |
0da70633a6113322f1a25034f19b3641 0ac92d2d7782e3532dc08dbc3d204fbd 3bce4f7ab09dfc588f126e1e36e98a45 516d38ad453e36c4c27925a5161ef463 6c2574d4d3cc61617f9f6a9c6e51b7ea 33ef826a705d8b3d72f72f124977290c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional Universidad Cooperativa de Colombia |
repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
_version_ |
1811565114204094464 |
spelling |
Hernández Aros, LudiviaGutierrez Portela, FernandoRodríguez Cárdenas, StefaniaPatiño Ospina, Laura Paolav. 6 n. 12023-09-30T22:15:57Z2023-09-30T22:15:57Z2023-04-012595-1750https://doi.org/10.23925/cafi.v6i1.58372https://hdl.handle.net/20.500.12494/52793PORTELA, Gutierrez Portela; CÁRDENAS, Stefania Rodríguez; OSPINA, Laura Paola Patiño; AROS, Ludivia Hernandez. (2023) Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático. Cafi, v. 6 n. 1, p.77– 101. ISSN 2595-1750.Muchas organizaciones se ven afectadas actualmente por fraudes financieros convirtiéndose en una preocupación para el área financiera de cualquier entidad, ya que al materializarse perjudica directamente el patrimonio de cualquier empresa pública o privada. Para ello se han implementado técnicas supervisadas y no supervisadas que usan la inteligencia artificial para la prevención y detección temprana de estos fraudes y así minimizar riesgos en las operaciones financieras. Debido a lo anterior, el estudio analiza el uso de las técnicas supervisadas, su estado referencial por medio del análisis cienciométrico y bibliométrico, determinando la importancia de ellas para la prevención y detección de los fraudes financieros. A nivel metodológico es un estudio documental, exploratorio y analítico. Los resultados del estudio indican que las técnicas de aprendizaje automático supervisadas son las más precisas en el momento de aplicar los experimentos para la detección y prevención, logrando así resultados de efectividad superiores al 90% utilizando algoritmos como árbol de decisión, redes neuronales, Naive Bayes, Maquina de vectores de soportes, Bosque aleatorio y regresión logística, siendo notable en los resultados que los fraudes financieros mayormente analizados en estos estudios fueron falsificación de estados financieros, fraude de tarjetas de crédito, informes financieros fraudulentos y fraude de servicios financieros. Por otra parte, se resalta que el tema de investigación está en crecimiento gracias a que la detección de fraudes se está volviendo necesaria para las organizaciones y con mayor relevancia para las instituciones financieras, por ser una de las mayores afectadas por este flagelo del fraude.Many organizations are currently affected by financial fraud, becoming a current concern for the financial area of any entity, since when it materializes, it directly harms the assets of any public or private company. To do this, and in response to this problem, supervised and unsupervised techniques have been implemented that use artificial intelligence for the prevention and early detection of these frauds and, thus, minimize risks in financial operations. Due to the above, the study analyzes the use of supervised techniques, their referential status through scientometric and bibliometric analysis, determining their importance for the prevention and detection of financial fraud. At the methodological level, it is a documentary, exploratory and analytical study. The results of the study indicate that supervised machine learning techniques are the most accurate when applying experiments for detection and prevention, thus achieving effectiveness results greater than 90% using algorithms such as decision trees, neural networks, Naive Bayes, Support Vector Machine, Random Forest and logistic regression, being notable in the results that the financial frauds, mostly analyzed in these studies, were falsification of financial statements, credit card fraud, fraudulent financial reports and service financial fraud. On the other hand, it is highlighted that the subject of research is growing thanks to the fact that fraud detection is becoming necessary for organizations and, with greater relevance, for financial institutions, as they are one of the most affected by this scourge of fraud.https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001438723https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000476030https://orcid.org/0000-0002-1571-3439https://orcid.org/0000-0003-3722-3809PLANAUDIAQUAludivia.hernandez@campusucc.edu.cofernando.gutierrez@campusucc.edu.costefania.rodriguezc@campusucc.edu.colaura.patinoo@campusucc.edu.cohttps://scholar.google.com/citations?hl=es&user=i48G4IMAAAAJhttps://scholar.google.com/citations?hl=es&user=9gw2ob4AAAAJ77– 101Universidad Cooperativa de Colombia, Facultad de Ciencias Económicas, Administrativas y Contables, Contaduría Pública, IbaguéContaduría PúblicaIbaguéhttps://revistas.pucsp.br/index.php/CAFI/article/view/58372Revista CAFI – Contabilidade, Atuária, Finanças & InformaçãoBoden, M. (1996). Artificial Intelligence. Elsevier. Obtenido de books.google.es: https://books.google.es/books?id=_ixmRlL9jcIC&printsec=frontcover&hl=es#v=on epage&q&f=falseCalvo, J., Guzmán, M., & Daniel, R. (2018). Machine learning, una pieza clave en la transformación de los modelos de negocio. Management solutions Making things happen. Obtenido de managementsolutions.com: https://www.managementsolutions.com/sites/default/files/publicaciones/esp/machin e-learning.pdfChirinos, Y., Godínez López, R., & Ramírez García, A. (2021). Tendencias Investigación Universitaria Vol. IX.Cáp IV. Obtenido de researchgate.net: https://www.researchgate.net/publication/349607908_Tendencias_Investigacion_U niversitaria_Vol_IXCiobanu, M. (2019). The rise of machine learning and artificial intelligence in fraud detection. Obtenido de thepaypers.com: https://thepaypers.com/expert-opinion/therise- of-machine-learning-and-artificial-intelligence-in-fraud-detection/779255Cooper, D., Dacin, T., & Palmer, D. (2013). Fraud in accounting, organizations and society: Extending the boundaries of research. Accounting, Organizations and Society, 38, 440–457. Obtenido de webofscience.com: https://www.webofscience.com/wos/woscc/fullrecord/ WOS:000329013200003?SID=7F2IsIgNMPe7vfo858nFetzer, J. H. (1990) Artificial Intelligence: Its Scope and Limits. Kluwer Academic Publishers. Recuperado de: https://books.google.com.co/books?id=77SLBQAAQBAJ&printsec=frontcover&hl =es#v=onepage&q&f=falseGonzález, L. (18 de agosto de 2020). Aprendizaje no Supervisado. Obtenido de aprendeia.com: https://aprendeia.com/aprendizaje-no-supervisado-machinelearningHernández Sampieri, R., & Torres, C. (2018). Metodología de la investigación (Vol. 4). México DF: McGraw-Hill InteramericanaHurtado de Barrera, J. (2012). El Proyecto de Investigación. Qué es investigar. El “quiénes” de la investigación (Séptima Edición). Caracas, Venezuela: Ediciones: Quirón (SYPAL).James, R. (2014). Report to the Nations on Occupational Fraud and Abuse: 2014 Global Fraud Study, 79: 1-79.Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data mining techniques for the detection of fraudulent financial statements. Expert systems with applications, 32(4), 995-1003KPMG. (2013). Encuesta de fraude en Colombia. (KPMG, Ed.) Bogotá: KPMG ColombiaLangwagen Fripp, L. (octubre de 2019). Aplicación de aprendizaje automático a la detección de fraude en tarjetas de crédito. Obtenido de colibri.udelar.edu.uy (Universidad de la república Uruguay): https://www.colibri.udelar.edu.uy/jspui/bitstream/20.500.12008/23163/1/Lan19.pdfLarranaga, P., Calvo, B., Santana, R., Bielza, C., Galdiano, J., Inza, I., ... & Robles, V. (2006). Machine learning in bioinformatics. Briefings in bioinformatics, 7(1), 86-112.León Sánchez, D. P. (2015). Modelo predictivo para riesgo de liquidez de una entidad fiduciaria usando minería de datos (Doctoral dissertation).Linares Galán, J. E. (2022). Control interno en la prevención y detección de fraude corporativo [Diapositivas]. Obtenido de jabrveriana.edu.co: https://www.jabrveriana.edu.co/personales/hbermude/Audire/jelg2.pdfMcCarthy, J., Minsky, M., Rochester, N. y Shannon, C. (1955). Una propuesta para el proyecto de investigación de verano de Dartmouth sobre inteligencia artificial. Consultado el 15 de octubre de 2022. Archivado desde el original en http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.htmlMitchell, T. (1997). Machine Learning. McGraw-HillMolina, R. (2017). ¿Formación para la investigación o investigación formativa? La investigación y la formación como pilar común de desarrollo. Revista Boletín Redipe, 6(1), 84-89.Rosenblum, H. (01 de enero de 2005). Corporate Scandals: The Many Faces of Greed. Obtenido de go.gale.com (Gale Academic OneFile): https://go.gale.com/ps/i.do?p=AONE&u=anon%7Eb6c97118&id=GALE|A1298139 45&v=2.1&it=r&sid=googleScholar&asid=2ea8b338Mart%EDnezRozen, C. (2014). Fraude corporativo en aumento. Revista Management 2: 1-2.Fraude financieroInteligencia artificialTécnicas supervisadasDetección de fraudesMinería de datosFinancial fraudArtificial intelligenceSupervised techniquesFraud detectionData miningEstudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automáticoArtículos Científicoshttp://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/closedAccesshttp://purl.org/coar/access_right/c_14cbPublicationORIGINALEstudioDeLaPrevencion.pdfEstudioDeLaPrevencion.pdfapplication/pdf1625415https://repository.ucc.edu.co/bitstreams/4af72e20-c85f-4919-b4f4-0c038107f79a/download0da70633a6113322f1a25034f19b3641MD51Licencia EstudioPrevencion.docxLicencia EstudioPrevencion.docxapplication/vnd.openxmlformats-officedocument.wordprocessingml.document283356https://repository.ucc.edu.co/bitstreams/dcfbeddd-dfb3-4970-83d6-2abff482ffe1/download0ac92d2d7782e3532dc08dbc3d204fbdMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-84334https://repository.ucc.edu.co/bitstreams/bf0c0243-a282-4886-aee1-b2969a51ecac/download3bce4f7ab09dfc588f126e1e36e98a45MD52TEXTEstudioDeLaPrevencion.pdf.txtEstudioDeLaPrevencion.pdf.txtExtracted texttext/plain60447https://repository.ucc.edu.co/bitstreams/b1abf092-fd0d-4bbf-b7ce-4e8475c290f4/download516d38ad453e36c4c27925a5161ef463MD54Licencia EstudioPrevencion.docx.txtLicencia EstudioPrevencion.docx.txtExtracted texttext/plain5989https://repository.ucc.edu.co/bitstreams/2c4b081d-013c-48ce-9cc4-6b390817624e/download6c2574d4d3cc61617f9f6a9c6e51b7eaMD56THUMBNAILEstudioDeLaPrevencion.pdf.jpgEstudioDeLaPrevencion.pdf.jpgGenerated Thumbnailimage/jpeg15207https://repository.ucc.edu.co/bitstreams/2f474785-7d1c-4d54-8e24-704621f88657/download33ef826a705d8b3d72f72f124977290cMD5520.500.12494/52793oai:repository.ucc.edu.co:20.500.12494/527932024-08-10 17:58:40.989restrictedhttps://repository.ucc.edu.coRepositorio Institucional Universidad Cooperativa de Colombiabdigital@metabiblioteca.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 |