في عالم تناول الاحتيال المالي ومعقداته، يبرز دور الدلالات السلوكية بشكل متزايد كعامل حاسم في تحقيق نجاح الكشف عن الأنشطة الاحتيالية. إن توفير سياق دلالي غني يمكن أن يساهم بشدة في نمذجة سلوك المعاملات والاستدلال حول الاحتيال.

لكن الواقع هو أن قواعد البيانات المالية العامة تعاني غالبًا من نقص في الدلالات الغنية بسبب قيود الخصوصية. لذلك، تُستخدم مجموعات البيانات الصناعية غالبًا، مما يؤثر سلبًا على واقعية السلوك. ومع ندرة الأوصاف النصية التي تستخدم للاستدلال السياقي، تظهر الحاجة الملحة لإطار عمل يمكنه معالجة هذا الفجوة.

للإجابة على هذه الحاجة، تم تطوير إطار تعزيز الدلالات السلوكية (Behavior-Grounded Semantic Enrichment Framework) والذي يعتمد على سلوك المعاملات الأصلية لتوليد بيانات مالية متعددة الأبعاد. يتكون هذا الإطار من:
1. **إطار تعزيز دلالات متعدد الوكلاء**: حيث يتم توليد دلالات مالية يمكن تفسيرها بناءً على سلوك المعاملات من خلال وكلاء متخصصين في الأدوار وتقنيات تحسين الاتساق.
2. **مجموعة بيانات جديدة لمكافحة الاحتيال المالي**: تُعرف باسم MS-FFSD، تم تعزيزها بالدلالات الهيكلية والنصية، بينما تُحافظ على سلوك المعاملات المستند إلى بيانات حقيقية.

بالإضافة إلى ذلك، تم إجراء تحليل منهجي لجودة وفائدة تعزيز الدلالات. لقد أظهرت النتائج تميزًا إحصائيًا وقابلية تعميم الإطار، حيث تبين أن السياقات الغنية تعزز نمذجة الاحتيال وتسهل التفكير باستخدام نماذج لغات كبيرة (Large Language Models).

بشكل عام، يعزز هذا العمل بحث الاحتيال المالي متعدد الأبعاد ويجمع بين قدرات نماذج اللغة الضخمة وتطبيقات مكافحة الاحتيال في الحياة العملية. للمزيد من المعلومات، يمكنكم زيارة [GitHub] للحصول على مجموعة البيانات والإطار المطور.