Forensic Schema for Psychological Manipulation in Cyber Fraud: LLM-Driven Victim Reports Analysis
यह शोध पत्र एक फॉरेंसिक स्कीमा प्रस्तुत करता है जिसे साइबर धोखाधड़ी में मनोवैज्ञानिक हेरफेर की तकनीकों को पकड़ने के लिए डिज़ाइन किया गया है, जो यह प्रदर्शित करता है कि पीड़ितों की रिपोर्टों का LLM-संचालित विश्लेषण धोखाधड़ी के प्रकारों के बीच विशिष्ट हेरफेर प्रोफाइल की विश्वसनीय रूप से पहचान कर सकता है और साथ ही अधिक कार्रवाई योग्य साक्ष्य विवरण एकत्र करने के लिए AI-सहायता प्राप्त इनटेक प्रक्रियाओं की महत्वपूर्ण आवश्यकता को रेखांकित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
साइबर धोखाधड़ी की कल्पना एक विशाल, औद्योगिक कारखाने के रूप में करें जहाँ स्कैमर केवल दरवाजों पर दस्तक नहीं देते; वे विस्तृत, मनोवैज्ञानिक जाल (trapdoors) बनाते हैं। लंबे समय तक, इन अपराधों के लिए जांचकर्ताओं के पास एक चेकलिस्ट थी जो टूटी हुई खिड़की की पुलिस रिपोर्ट की तरह थी: इसमें यह दर्ज था कि क्या चोरी हुआ, कब हुआ, और पैसा कैसे स्थानांतरित हुआ। लेकिन इसने उस 'माइंड गेम' (मन के खेल) को पूरी तरह से अनदेखा कर दिया—यानी वे विशिष्ट चालें जिनका उपयोग स्कैमर्स ने पीड़ित को चाबियाँ सौंपने के लिए फंसाने हेतु किया था।
यह शोध पत्र एक नया "फोरेंसिक स्कीमा" पेश करता है, जो मूल रूप से उन माइंड गेम्स को पकड़ने के लिए बनाया गया एक अत्यंत विस्तृत जासूसी नोटबुक है। शोधकर्ताओं ने एक टूल बनाया जिसमें 35 प्रश्न हैं जिन्हें चार खंडों में विभाजित किया गया है। पहले दो खंड पुराने ढर्रे वाले हैं (कौन, कब, कहाँ)। तीसरा खंड नया जादू है: 11 प्रश्न विशेष रूप से मनोवैज्ञानिक हेरफेर की रणनीतियों को पहचानने के लिए डिज़ाइन किए गए हैं, जैसे कि पुलिस अधिकारी होने का नाटक करना, नकली तात्कालिकता (urgency) पैदा करना, या विश्वास बनाने के लिए "लव बॉम्बिंग" का उपयोग करना। चौथा खंड क्रिप्टो युग के लिए एक नया जुड़ाव है, जो वॉलेट एड्रेस जैसे विशिष्ट ब्लॉकचेन विवरणों के बारे में पूछता है।
इस नए नोटबुक का परीक्षण करने के लिए, टीम ने इंटरनेट से 10,994 पीड़ित रिपोर्ट लीं। उन्होंने हर एक को हाथ से नहीं पढ़ा; इसके बजाय, उन्होंने एक शक्तिशाली AI (एक लार्ज लैंग्वेज मॉडल) का उपयोग किया जो एक अथक जूनियर डिटेक्टिव की तरह काम करता है, कहानियों को स्कैन करता है और बॉक्स को टिक करता है। यह सुनिश्चित करने के लिए कि AI केवल अनुमान नहीं लगा रहा है, दो मानव विशेषज्ञों ने काम के एक नमूने की दोबारा जांच की। परिणाम क्या रहा? AI और मनुष्यों के बीच जवाबों पर लगभग 69% बार सहमति बनी, जो उतना ही अच्छा है जितना कि दो मनुष्यों के बीच आपसी सहमति। यह सुझाव देता है कि AI हजारों मामलों को छांटने के लिए पर्याप्त विश्वसनीय है।
बड़ी खोज: स्कैमर्स के "हस्ताक्षर" (Signatures) होते हैं
सबसे रोमांचक खोज यह है कि विभिन्न प्रकार के स्कैम के अलग-अलग "मनोवैज्ञानिक फिंगरप्रिंट" होते हैं। यह चालों का कोई यादृच्छिक मिश्रण नहीं है; प्रत्येक स्कैम प्रकार एक विशिष्ट रेसिपी का उपयोग करता है।
- स्पूफिंग स्कैम (बैंक या सरकार होने का नाटक करना) लगभग हमेशा अधिकार (Authority) (एक आधिकारिक व्यक्ति होने का दावा करना) का उपयोग करते हैं और शायद ही कभी केवल डर (Fear) का उपयोग करते हैं।
- सेक्स्टॉर्शन (Sextortion) स्कैम इसके विपरीत हैं: वे डर (खुलासा करने की धमकी) पर बहुत अधिक निर्भर करते हैं, लेकिन लगभग कभी भी आधिकारिक होने का दावा नहीं करते।
- क्रिप्टो निवेश स्कैम सबसे जटिल होते हैं, जो प्रति मामला औसतन 3.6 अलग-अलग हेरफेर तकनीकों का उपयोग करते हैं। वे प्र tekst (Pretext) (नकली वेबसाइट या दस्तावेज़) और निरंतरता (Consistency) (एक बार भुगतान करने के बाद और अधिक पैसे मांगना) का उपयोग करना पसंद करते हैं।
डेटा दिखाता है कि ये पैटर्न वास्तविक और सांख्यिकीय रूप से मजबूत हैं। उदाहरण के लिए, "प्र tekst" (नकली दस्तावेज़) और क्रिप्टो स्कैम के बीच का संबंध इतना मजबूत है कि यह एक अद्वितीय हस्ताक्षर के रूप में कार्य करता है, जिससे जांचकर्ताओं को एक नियमित निवेश स्कैम से क्रिप्टो स्कैम को अलग करने में मदद मिलती है, भले ही पैसे का रास्ता समान दिखता हो।
खोई हुई पहेली के टुकड़े
हालाँकि, इस शोध पत्र ने एक निराशाजनक अंतर भी पाया। जबकि AI यह पहचानने में सक्षम था कि कि एक चाल का उपयोग किया गया था, पीड़ित की कहानियों में अक्सर उन विवरणों की कमी थी जो वास्तव में अपराधियों को पकड़ने के लिए आवश्यक थे।
- "पतला" साक्ष्य (The "Thin" Evidence): जब AI ने फ्लैग किया कि एक स्कैमर ने "डर" का उपयोग किया या "तात्कालिकता" पैदा की, तो पीड़ित की कहानी अक्सर बस इतना कहती थी, "उन्होंने मुझे धमकी दी," बिना यह बताए कि उन्होंने बिल्ly क्या कहा या क्या समय सीमा तय की। यह वैसा ही है जैसे यह जानना कि दरवाजा लात मारकर तोड़ा गया है, लेकिन यह न जानना कि किस जूते ने वह छेद किया।
- क्रिप्टो ब्लैकआउट (The Crypto Blackout): यह सबसे बड़ा छेद था। भले ही 1,172 रिपोर्टों में क्रिप्टोकरेंसी शामिल थी, पीड़ितों ने शायद ही कभी वे "चाबियाँ" प्रदान कीं जो ब्लॉकचेन पर पैसे को ट्रैक करने के लिए आवश्यक थीं। केवल 6.2% मामलों में ट्रांजैक्शन हैश (क्रिप्टो ट्रांसफर के लिए अद्वितीय आईडी) शामिल था, और केवल 21.5% ने वॉलेट एड्रेस दिया। इनके बिना, जांचकर्ताओं द्वारा उपयोग किए जाने वाले "ब्लॉकचेन ट्रेसिंग" उपकरण बिना लाइसेंस प्लेट नंबर के पार्किंग लॉट में एक विशिष्ट कार को खोजने के समान हैं।
इसका क्या अर्थ है (और क्या नहीं)
शोध पत्र सुझाव देता है कि इसे ठीक करने का सबसे अच्छा तरीका केवल पुरानी रिपोर्टों का बेहतर विश्लेषण करना नहीं है, बल्कि सबसे पहले कहानियों को संग्रहित करने के तरीके को बदलना है। कल्पना करें कि एक AI-संचालित इनटेक फॉर्म है जो पीड़ित की कहानी को सुनता है और, उन पैटर्न के आधार पर जिन्हें वह जानता है, वास्तविक समय में स्मार्ट फॉलो-अप प्रश्न पूछता है। यदि AI को "नकली निवेश" के बारे में सुनाई देता है, तो वह तुरंत पूछ सकता है, "क्या आपके पास वेबसाइट URL है?" या "उन्होंने आपको सटीक रूप से क्या समय सीमा दी थी?"
लेखक सावधानी बरतते हुए कहते हैं कि यह एक बेहतर प्रणाली के लिए एक सुझाव है, न कि एक तैयार उत्पाद। उन्होंने साबित किया है कि पैटर्न मौजूद हैं और AI उन्हें ढूंढ सकता है, लेकिन उन्होंने यह भी दिखाया है कि पीड़ितों से प्राप्त "कच्चा डेटा" अक्सर पूरी तरह से उपयोगी होने के लिए बहुत अस्पष्ट होता है। समाधान आज के धोखाधड़ी को हल करने वाला कोई जादू का डंडा नहीं है; यह कल के साथ बात करने का एक स्मार्ट तरीका है, जो अस्पष्ट कहानियों को कार्रवाई योग्य साक्ष्य में बदल देता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।