Forensic Schema for Psychological Manipulation in Cyber Fraud: LLM-Driven Victim Reports Analysis
本文介绍了一种旨在捕捉网络诈骗中心理操纵技术的取证架构，证明了通过大语言模型驱动的受害者报告分析，可以可靠地识别不同诈骗类型中截然不同的操纵特征，同时也强调了利用人工智能辅助受理流程以收集更多具有可操作性的证据细节的紧迫需求。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
将网络诈骗想象成一座规模宏大、工业化运作的工厂，那里的骗子不仅仅是在敲门，而是在构建精巧的心理陷阱。长期以来，调查人员针对此类犯罪所使用的清单就像是一份关于窗户被打破的警察报告：它记录了什么被偷了、何时发生的以及资金是如何流动的。但它完全忽略了“心理博弈”的过程——即骗子用来诱导受害者交出钥匙的具体手段。
本论文介绍了一种全新的“取证模式”（forensic schema），这本质上是一个极其详尽的侦探笔记本，旨在捕捉这些心理博弈。研究人员开发了一个包含 35 个问题 的工具，分为四个部分。前两个部分是传统的要素（谁、何时、何地）。第三部分是全新的核心：11 个问题，专门用于识别心理操纵手段，例如冒充警察、制造虚假紧迫感或利用“爱意轰炸”（love bombing）来建立信任。第四部分是针对加密时代的新增内容，要求提供具体的区块链细节，如钱包地址。
为了测试这个新笔记本，团队向其输入了来自互联网的 10,994 份受害者报告。他们并没有逐一手工阅读每一份报告，而是使用了一个强大的 AI（大语言模型）充当一名不知疲倦的初级侦探，扫描故事并勾选选项。为了确保 AI 不仅仅是在瞎猜，他们让两名人类专家对样本工作进行了复核。结果如何？AI 与人类在约 69% 的情况下达成了一致，这与两名人类之间的一致性水平相当。这表明该 AI 足以可靠地协助处理数千起案件。
重大发现：骗子拥有“签名特征”
最令人兴奋的发现是，不同类型的诈骗具有独特的“心理指纹”。这并非随机的套路组合；每种诈骗都有特定的配方。
- 冒充类诈骗（冒充银行或政府）几乎总是使用权威（声称是官方人员），且极少仅依赖恐惧。
- 勒索类诈骗（Sextortion）则恰恰相反：它们严重依赖恐惧（威胁曝光），但几乎从不声称自己是官方人员。
- 加密货币投资诈骗是最复杂的，每个案例平均使用 3.6 种不同的操纵手段。它们热衷于使用预设剧本（Pretext，如虚假网站或文件）和一致性原则（Consistency，在受害者已支付款项后要求支付更多钱）。
数据表明这些模式是真实存在且具有统计学强度的。例如，“预设剧本”（虚假文件）与加密货币诈骗之间的联系非常紧密，以至于它成为了一个独特的签名特征，帮助调查人员即使在资金流向看起来相似的情况下，也能将加密货币诈骗与普通的投资诈骗区分开来。
缺失的拼图碎片
然而，论文也发现了一个令人沮丧的缺口。虽然 AI 非常擅长识别是否使用了某种手段，但受害者的描述往往缺乏实际抓捕坏人所需的细节。
- “薄弱”的证据：当 AI 标记出骗子使用了“恐惧”或制造了“紧迫感”时，受害者的描述通常只说“他们威胁了我”，却并未说明他们具体说了什么，或者设定了什么样的截止日期。这就像是知道门被踢开了，却不知道是哪只靴子踢出的洞。
- 加密货币黑洞：这是最大的漏洞。尽管有 1,172 份报告涉及加密货币，但受害者很少提供追踪区块链资金所需的“钥匙”。在这些案例中，仅有 6.2% 提供了交易哈希（交易的唯一 ID），只有 21.5% 提供了钱包地址。没有这些，调查人员使用的“区块链追踪”工具就像是在没有车牌号的情况下试图在停车场里寻找一辆特定的汽车。
这意味着什么（以及并不意味着什么）
论文指出，解决问题的最佳方式不仅是更好地分析旧报告，而是改变我们最初收集故事的方式。想象一下，一个由 AI 驱动的受理表单，它能倾听受害者的故事，并根据它已知的模式实时提出聪明的后续问题。如果 AI 听到关于“虚假投资”的内容，它可以立即询问：“您有网站 URL 吗？”或者“他们给出的确切期限是什么时候？”
作者谨慎地表示，这只是对一个更好系统的建议，而非一个成品。他们证明了这些模式确实存在，且 AI 可以找到它们，但也表明目前来自受害者的“原始数据”往往过于模糊，无法充分发挥作用。解决方案并不是一个能解决今日诈骗的魔杖，而是一个关于如何更聪明地与受害者交流的蓝图，旨在将模糊的故事转化为可操作的证据。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。