Datos Alternativos a la Justicia Algorítmica en Riesgo de Crédito: Evidencia Bibliométrica Global con Enfoque en Tecnologías Disruptivas

Resumen

Este artículo tiene como propósito caracterizar, desde una perspectiva bibliométrica global, el estado y la evolución del campo “datos alternativos y justicia algorítmica en riesgo de crédito” en el contexto de tecnologías disruptivas; los objetivos son mapear productividad e influencia, describir la colaboración científica, delinear la estructura temática y la dinámica de términos emergentes, y examinar el tono discursivo. Se analizan 1.619 documentos recuperados de Scopus mediante indicadores de productividad y citación, redes de coautoría por autores y países, co-ocurrencia de palabras clave, mapa temático y curvas TF-IDF, complementados con análisis de polaridad y subjetividad; el procesamiento se realiza con pharos natural. El hallazgo más consistente indica una producción concentrada en pocos autores e instituciones con liderazgo asiático especialmente India y una red de coautoría fragmentada con puentes limitados; la estructura cognitiva evidencia cuatro clústeres diferenciados que convergen en tópicos motores vinculados con datos alternativos, explicabilidad y mitigación de sesgo; los términos fintech, digital y data muestran trayectoria ascendente sostenida; el tono del campo es predominantemente positivo (polaridad media ≈0,77; subjetividad ≈0,36). Se concluye que el potencial de los datos alternativos para mejorar la evaluación del riesgo de crédito se materializa cuando se densifica la colaboración internacional, se institucionalizan auditorías reproducibles con métricas de equidad y se validan modelos en poblaciones y marcos regulatorios diversos, equilibrando desempeño predictivo y justicia algorítmica.

Palabras Clave: datos alternativos, justicia algorítmica, riesgo de crédito, bibliometría, FinTech.

Abstract

The purpose of this article is to characterize, from a global bibliometric perspective, the state and evolution of the field of “alternative data and algorithmic justice in credit risk” in the context of disruptive technologies. The objectives are to map productivity and influence, describe scientific collaboration, outline the thematic structure and dynamics of emerging terms, and examine the discursive tone. A total of 1,619 documents retrieved from Scopus are analyzed using productivity and citation indicators, co-authorship networks by authors and countries, keyword co-occurrence, thematic map, and TF-IDF curves, complemented by polarity and subjectivity analysis; processing is performed with Pharos Natural. The most consistent finding indicates that production is concentrated among a few authors and institutions with Asian leadership, especial y India, and a fragmented co-authorship network with limited bridges. The cognitive structure shows four distinct clusters that converge on key topics related to alternative data, explainability, and bias mitigation. The terms fintech, digital, and data show a sustained upward trend. The tone of the field is predominantly positive (average polarity ≈0.77; subjectivity ≈0.36). It is concluded that the potential of alternative data to improve credit risk assessment is realized when international collaboration is intensified, reproducible audits with equity metrics are institutionalized, and models are validated in diverse populations and regulatory frameworks, balancing predictive performance and algorithmic fairness.

Keywords: alternative data, algorithmic fairness, credit risk, bibliometrics, FinTech.