Ontology for Policing: Conceptual Knowledge Learning for Semantic Understanding and Reasoning in Law Enforcement Reports
Dieser Beitrag stellt einen symbolischen Rahmen vor, der unstrukturierte Narrative der Strafverfolgungsbehörden durch die Integration semantischer Parsing-Verfahren, Ontologie-Mapping und logischer Schlussfolgerung in evidenzverknüpfte Fakten und zeitliche Graphen überführt und dabei eine hohe Genauigkeit beim Extrahieren wesentlicher Vorfallsdetails aus Sachdiebstahlberichten demonstriert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich einen Polizeibericht als eine Geschichte in zwei Teilen vor. Der erste Teil ist wie eine Checkliste: Er enthält Felder für das Datum, die Art des Verbrechens (wie „Einbruch") und die Aktennummer. Dies ist für Computer leicht zu lesen, da es ordentlich und strukturiert ist.
Der zweite Teil ist die Erzählung: ein Absatz, der vom Beamten verfasst wurde und genau beschreibt, was passiert ist. Hier lebt die eigentliche Geschichte – Details darüber, wie ein Fenster zerbrochen wurde, wer beteiligt war und in welcher Reihenfolge die Ereignisse abliefen. Da dieser Teil jedoch in einfachem Englisch verfasst ist, gleicht er einem unordentlichen Haufen Puzzleteilen, den ein Computer ohne Hilfe nur schwer sortieren kann.
Dieser Artikel stellt eine neue Methode vor, um diese unordentlichen Puzzleteile mit einem „symbolischen" System zu organisieren (denken Sie daran als an einen sehr strengen, regelbasierten Übersetzer) und nicht mit einem „ratenden" System (wie moderne KI, die das nächste Wort vorhersagt).
So funktioniert ihr System, aufgeschlüsselt in einfache Schritte:
1. Der Datenschutzfilter (Schwärzung)
Bevor der Computer die Geschichte liest, setzt er eine Art „Datenschutzbrille" auf. Er scannt den Text und verdeckt sensible Namen, Adressen und Telefonnummern, indem er sie durch generische Bezeichnungen wie [PERSON_1] oder [VERDÄCHTIGER] ersetzt. Dies stellt sicher, dass das System aus den Ereignissen lernt und nicht aus den spezifischen Identitäten der beteiligten Personen.
2. Der Übersetzer (Semantische Analyse)
Sobald der Text sicher ist, fungiert das System wie ein Übersetzer, der nicht nur Wörter liest, sondern die Struktur der Handlung versteht. Es zerlegt Sätze in ein „Wer hat Was wem angetan"-Format.
- Die Metapher: Stellen Sie sich vor, der Satz „Der Verdächtige zerbrach das Fenster" wäre ein Satz in einer fremden Sprache. Das System übersetzt ihn in einen universellen Code:
Handlung: Brechen,Ausführender: Verdächtiger,Objekt: Fenster. - Es verwendet ein riesiges Wörterbuch (genannt WordNet) und ein Grammatikbuch (VerbNet), um sicherzustellen, dass es versteht, dass „stehlen" eine Art von „nehmen" ist und ein „Fenster" ein Teil eines „Gebäudes" ist.
3. Das Regelwerk (Die Ontologie)
Das System nimmt diese übersetzten Fakten und versucht, sie in ein vorgefertigtes Regelwerk (eine sogenannte Ontologie) einzuordnen. Denken Sie an dieses Regelwerk als an einen strengen Aktenschrank mit spezifischen Fächern, die mit „Diebstahl", „Zwangseintritt" oder „Fahrzeugschaden" beschriftet sind.
- Wenn das System eine „Nahme"-Handlung ohne Erlaubnis sieht, versucht es, sie unter „Diebstahl" abzulegen.
- Wenn es eine „Brech"-Handlung sieht, versucht es, sie unter „Zwangseintritt" abzulegen.
- Das System überprüft seine eigene Arbeit: „Passt dies zu den Regeln für einen Diebstahl? Ja. Gibt es ein gestohlenes Objekt? Ja. Okay, ich bin zuversichtlich, dass dies ein Diebstahl ist."
4. Der Zeitlinien-Ersteller (Temporales Schließen)
Schließlich sucht das System nach Zeit-Hinweisen wie „dann", „bevor" oder „nach", um eine Zeitlinie zu erstellen.
- Die Metapher: Es ist wie das Aufstellen einer Reihe von Dominosteinen. Wenn der Text sagt: „Der Verdächtige brach das Fenster bevor er einstieg", platziert das System den „Brech"-Dominostein vor den „Einsteig"-Dominostein. Es verwendet auch Regeln des gesunden Menschenverstands (Axiome), wie die Erkenntnis, dass „Einbrechen" normalerweise vor dem „Stehlen" stattfindet.
Was haben sie herausgefunden?
Die Forscher testeten dieses System an 450 echten Polizeiberichten über Eigentumsdelikte (wie Einbrüche und gestohlene Autos).
- Erfolgsquote: Etwa 54 % der vom System identifizierten Ereignisse wurden mit sehr hoher Zuversicht bewertet (ein Score von 0,80 oder höher von 1,0).
- Genauigkeit: Als menschliche Prüfer die Arbeit des Systems überprüften, stimmten sie in drei Schlüsselpunkten zu 100 % überein:
- Wie der Vorfall begann.
- Welche Gegenstände gestohlen wurden.
- Die spezifischen Zeit-Hinweise, die im Text verwendet wurden.
- Die Schwierigkeit: Das System hatte größere Schwierigkeiten, mit Menschen darin übereinzustimmen, ob ein Eintritt „erzwungen" war (wie das Zerbrechen eines Fensters im Vergleich zu einer offenen Tür). Dies war der verwirrendste Teil, mit nur 40 % Übereinstimmung.
Das Fazit
Der Artikel argumentiert, dass dieses System durch die Verwendung strenger Regeln und Wörterbücher anstelle von „Raten" unordentliche Polizeigeschichten in klare, organisierte Fakten verwandeln kann, die auf den ursprünglichen Satz zurückverfolgt werden können. Es ist wie die Umwandlung eines handschriftlichen, unordentlichen Tagebuchs in eine strukturierte Datenbank, die Ermittlern hilft, Muster und Zeitlinien zu erkennen, ohne jedes einzelne Wort manuell lesen zu müssen.
Wichtiger Hinweis: Die Autoren machen deutlich, dass dieses Werkzeug für die Analyse und Organisation gedacht ist. Es ist nicht dafür ausgelegt, endgültige Entscheidungen über Ermittlungen zu treffen oder Personen zu beurteilen; es hilft lediglich, die Beweise so zu organisieren, dass Menschen sie besser überprüfen können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.