💻 computer science

Forensic Schema for Psychological Manipulation in Cyber Fraud: LLM-Driven Victim Reports Analysis

Este artículo presenta un esquema forense diseñado para capturar técnicas de manipulación psicológica en el fraude cibernético, demostrando que el análisis mediante modelos de lenguaje extenso (LLM) de los informes de las víctimas puede identificar de manera fiable perfiles de manipulación distintos a través de diversos tipos de fraude, al tiempo que destaca la necesidad crítica de procesos de recepción asistidos por IA para recopilar detalles de evidencia más accionables.

Autores originales: Zikai Alex Wen, Corrazon Ogot, Juan Li, Yan Bai

Publicado 2026-07-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zikai Alex Wen, Corrazon Ogot, Juan Li, Yan Bai

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el fraude cibernético como una fábrica masiva e industrializada donde los estafadores no solo llaman a las puertas; construyen elaborados trampilletes psicológicos. Durante mucho tiempo, los investigadores tuvieron una lista de verificación para estos delitos que era como un informe policial de una ventana rota: anotaba qué fue robado, cuándo sucedió y cómo se movió el dinero. Pero ignoraba por completo el cómo del juego mental: los trucos específicos que los estafadores usaban para engañar a la víctima y lograr que entregara las llaves.

Este artículo presenta un nuevo "esquema forense", que es básicamente un cuaderno de notas de un detective superdetallado diseñado para atrapar esos juegos mentales. Los investigadores construyeron una herramienta con 35 preguntas divididas en cuatro secciones. Las dos primeras secciones son lo de siempre (quién, cuándo, dónde). La tercera sección es la nueva magia: 11 preguntas diseñadas específicamente para detectar tácticas de manipulación psicológica, como pretender ser un oficial de policía, crear una falsa urgencia o usar el "bombardeo de amor" (love bombing) para generar confianza. La cuarta sección es una nueva adición para la era cripto, que solicita detalles específicos de la cadena de bloques (blockchain) como las direcciones de las carteras (wallets).

Para probar este nuevo cuaderno, el equipo alimentó la herramienta con 10,994 informes de víctimas de toda la internet. No leyeron cada uno de ellos a mano; en su lugar, utilizaron una IA poderosa (un Modelo de Lenguaje Grande o LLM) para actuar como un incansable detective junior, escaneando las historias y marcando las casillas. Para asegurarse de que la IA no estuviera simplemente adivinando, dos expertos humanos verificaron dos veces una muestra del trabajo. ¿El resultado? La IA y los humanos coincidieron en las respuestas aproximadamente el 69% de las veces, lo cual es tan bueno como si dos humanos coincidieran entre sí. Esto sugiere que la IA es lo suficientemente confiable como para ayudar a clasificar miles de casos.

El Gran Descubrimiento: Los Estafadores Tienen "Firmas"
El hallazgo más emocionante es que los diferentes tipos de estafas tienen "huellas dactilares psicológicas" distintas. No es una mezcla aleatoria de trucos; cada tipo de estafa utiliza una receta específica.

Las estafas de suplantación de identidad (spoofing scams, pretender ser un banco o gobierno) casi siempre utilizan la Autoridad (reclamar ser un oficial) y rara vez usan el Miedo por sí solo.
Las estafas de sextorsión son lo opuesto: dependen fuertemente del Miedo (amenazas de exposición), pero casi nunca afirman ser un oficial.
Las estafas de inversión en criptomonedas son las más complejas, utilizando un promedio de 3.6 diferentes tácticas de manipulación por caso. Les encanta usar el Pretexto (sitios web o documentos falsos) y la Consistencia (pedir más dinero después de que ya has pagado).

Los datos muestran que estos patrones son reales y estadísticamente sólidos. Por ejemplo, el vínculo entre el "Pretexto" (documentos falsos) y las estafas de criptomonedas es tan fuerte que actúa como una firma única, ayudando a los investigadores a distinguir una estafa de criptomonedas de una estafa de inversión regular, incluso si el rastro del dinero parece similar.

Las Piezas Faltantes del Rompecabezas
Sin embargo, el artículo también encontró una brecha frustrante. Si bien la IA era excelente para detectar que se usó un truco, las historias de las víctimas a menudo carecían de los detalles necesarios para realmente atrapar a los delincuentes.

La evidencia "delgada": Cuando la IA señalaba que un estafador usó el "Miedo" o creó "Urgencia", la historia de la víctima a menudo solo decía: "Me amenazaron", sin decir exactamente qué dijeron o qué plazo fijaron. Es como saber que una puerta fue pateada, pero no saber qué bota hizo el agujero.
El apagón cripto: Este fue el mayor vacío. Aunque 1,172 de los informes involucraban criptomonedas, las víctimas rara vez proporcionaban las "llaves" necesarias para rastrear el dinero en la cadena de bloques. Solo el 6.2% de esos casos incluía un hash de transacción (el ID único para una transferencia de cripto), y solo el 21.5% proporcionó la dirección de la billetera (wallet address). Sin estos, las herramientas de "rastreo de blockchain" que usan los investigadores son como intentar encontrar un coche específico en un estacionamiento sin el número de la placa.

Lo Que Esto Significa (Y Lo Que No)
El artículo sugiere que la mejor manera de solucionar esto no es solo analizar mejor los informes antiguos, sino cambiar la forma en que recopilamos las historias en primer lugar. Imagina un formulario de admisión impulsado por IA que escuche la historia de la víctima y, basándose en los patrones que conoce, haga preguntas de seguimiento inteligentes en tiempo real. Si la IA escucha hablar de una "falsa inversión", podría preguntar instantáneamente: "¿Tiene la URL del sitio web?" o "¿Cuál fue el plazo exacto que le dieron?".

Los autores advierten que esto es un sugerencia para un mejor sistema, no un producto terminado. Demostraron que los patrones existen y que la IA puede encontrarlos, pero también demostraron que los "datos brutos" actuales de las víctimas suelen ser demasiado vagos para ser plenamente útiles. La solución no es una varita mágica que resuelva el fraude hoy; es un plano para una forma más inteligente de hablar con las víctimas mañana, convirtiendo historias vagas en evidencia accionable.

Resumen Técnico: Esquema Forense para la Manipulación Psicológica en el Fraude Cibernético

Planteamiento del Problema
Los esquemas de clasificación de delitos cibernéticos y los marcos forenses existentes capturan principalmente metadatos de contacto y detalles de transacciones financieras, pero no categorizan sistemáticamente las técnicas de manipulación psicológica empleadas por los perpetradores. En consecuencia, elementos críticos del modus operandi permanecen ocultos en narrativas no estructuradas de las víctimas, lo que dificulta la vinculación de denuncias independientes con sindicatos organizados (vinculación de casos cruzados). Además, aunque existen taxonomías de persuasión (por ejemplo, los principios de Cialdini) en la literatura académica, estas permanecen desconectadas de las aplicaciones forenses, careciendo de un mapeo hacia dimensiones de evidencia, flujos de trabajo de investigación o necesidades de procesamiento judicial. Un segundo vacío involucra la creciente dependencia de las criptomonedas por parte de los sindicatos organizados; los marcos actuales carecen de campos estructurados para la evidencia específica de blockchain (por ejemplo, direcciones de billeteras, hashes de transacciones), lo que crea un cuello de botella para la investigación.

Metodología
Los autores proponen un nuevo esquema forense compuesto por cuatro categorías y 35 preguntas, diseñado para cerrar la brecha entre la teoría de la persuasión y la investigación forense. El esquema utiliza un formato de respuesta ternaria (Sí/No/Desconocido):

Categoría 1 (Metadatos Forenses Estándar): 16 preguntas sobre metadatos de contacto y financieros, extraídas de esquemas existentes.
Categoría 2 (Flujo Financiero Tradicional): 3 preguntas sobre la participación bancaria.
Categoría 3 (Indicadores de Manipulación Psicológica): 11 preguntas que constituyen la contribución novedosa. Estas traducen las tácticas de persuasión (basadas en los principios de Cialdini, la teoría de la perspectiva y el modelo de probabilidad de elaboración) en preguntas forenses contestables. Esto incluye 9 indicadores de persuasión (por ejemplo, Autoridad, Miedo, Simpatía, Pretexto) y 2 extensiones forenses (Migración de Comunicación, Cambio de Comportamiento Post-Pago).
Categoría 4 (Evidencia de Criptomonedas): 5 preguntas modeladas según los campos de recepción de la unidad IC3 del FBI para capturar identificadores de blockchain.

El esquema se aplicó a un corpus de 10,994 informes de víctimas provenientes de ocho fuentes públicas (incluyendo rastreadores de protección al consumidor de EE. UU. y conjuntos de datos académicos) que abarcan siete tipologías de fraude.

Estrategia de Anotación
Se empleó una metodología de anotación híbrida, asignando cada pregunta a un método de extracción basado en el razonamiento requerido:

Nivel 1 (Búsqueda en Campos Estructurados): Extracción determinista de campos estructurados poblados.
Nivel 2 (Búsqueda de Campo + Suplementación Narrativa): Verificación de campos primero, seguido del uso de un LLM para extraer del texto si el campo está vacío.
Nivel 3 (Extracción Narrativa): Extracción directa de narrativas de texto libre para preguntas sin campo estructurado.
Nivel 4 (Interpretación Semántica): Toda la Categoría 3, que requiere razonamiento inferencial para identificar tácticas de persuasión.

Se utilizó un Modelo de Lenguaje Grande (Claude Haiku 4.5) para los Niveles 2 al 4. La calidad de la anotación fue validada contra un subconjunto estratificado de 228 casos etiquetados por dos expertos humanos. El estudio midió la $\kappa$ de Cohen para el acuerdo entre anotadores y el acuerdo entre el LLM y los humanos.

Resultados Clave

RQ1 (Asociaciones Forenses): Los 11 indicadores de manipulación psicológica mostraron asociaciones estadísticamente significativas con la tipología de fraude ( $p < 0.001$ ). Se identificaron perfiles de manipulación distintos para cada tipo principal de fraude. Por ejemplo, el "Spoofing" dependía fuertemente de reclamos de Autoridad, mientras que la "Sextorsión" dependía del Miedo y la Consistencia. El "Fraude de Inversión en Criptomonedas" exhibió la mayor densidad de tácticas (media de 3.6 por caso) y dependía fuertemente de credenciales fabricadas (Pretexto) y la desaparición post-pago. Los valores de $V$ de Cramér alcanzaron hasta 0.790, indicando efectos fuertes.
RQ2 (Cuellos de Botella de Información Forense): Si bien el LLM detectó de manera confiable la presencia de tácticas (media LLM-humano $\kappa = 0.69$ $κ = 0.69$ , comparable al humano-humano $\kappa = 0.68$ $κ = 0.68$ ), se identificó un "vacío de detalle forense":
- Delgadez de la Evidencia: Para muchos indicadores (por ejemplo, Pretexto, Miedo, Urgencia), las narrativas de las víctimas proporcionaban descripciones genéricas que carecían de detalles accionables (por ejemplo, URLs específicas, nombres de agencias o plazos exactos). Solo el 11.4% de las detecciones de "Pretexto" contenían detalles específicos.
- Techo de Información: Las víctimas a menudo no informaron tácticas conocidas de forma espontánea (por ejemplo, la "Prueba Social" en estafas de criptomonedas se detectó en solo 14.9% de los casos relevantes, y la "Simpatía" en estafas de romance en 4.9%), lo que sugiere que la información existe en la memoria pero no en la narrativa.
- Brechas de Criptomonedas: A pesar de que el 10.7% de los casos involucraban criptomonedas, los identificadores críticos de la cadena (on-chain) estuvieron casi ausentes. Solo el 6.2% de los casos con criptomonedas incluyeron un hash de transacción, y el 21.5% proporcionó una dirección de billetera, limitando severamente la aplicación de técnicas de rastreo de blockchain.

Significancia y Reivindicaciones
El artículo reivindica tres contribuciones primarias:

Un Esquema de Vinculación: Proporciona el primer esquema forense que integra la teoría de la persuasión con la investigación forense, ofreciendo una taxonomía estructurada para la manipulación psicológica (Categoría 3) y la evidencia de criptomonedas (Categoría 4).
Validación Empírica de Perfiles: Demuestra que los perfiles de manipulación son estadísticamente distintos entre tipos de fraude, estableciendo un espacio de características conductuales que puede complementar las características técnicas y financieras tradicionales para el triaje automatizado de tipos de fraude.
Identificación del Vacío de Detalle: Destaca que, si bien la IA puede detectar qué sucedió, las narrativas de las víctimas suelen carecer de los detalles específicos requeridos para la investigación. Los autores argumentan que el camino más directo para cerrar este vacío es la recepción de víctimas asistida por IA, donde las preguntas de seguimiento informadas por el esquema eliciten dinámicamente los detalles faltantes (por ejemplo, solicitando direcciones de billeteras específicas o nombres de plataformas) durante el proceso de reporte.

Los autores posicionan su estrategia de anotación por niveles como una plantilla reutilizable para extraer indicadores estructurados de otros dominios de texto forense, como la inteligencia de amenazas o las quejas de abuso. Concluyen que, si bien el esquema permite la detección, el impacto operativo depende de la evolución de los mecanismos de recepción para capturar los detalles accionables que actualmente faltan en los informes de las víctimas.

Resumen Técnico: Esquema Forense para la Manipulación Psicológica en el Fraude Cibernético

Más como este