DOLPHIN: A Privacy-Preserving Digital Investigation Readiness Assessment Framework based on Offline Large Language Models and Retrieval-Augmented Generation
本文介绍了 DOLPHIN，这是一个利用离线大语言模型和检索增强生成技术来显著增强数字取证调查准备就绪性的隐私保护框架，通过准确评估证据完整性、检测特定缺口并减少案件准备时间，同时确保数据保持本地化。
原始论文采用 CC BY 4.0 许可（https://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
在刑事调查领域，最关键的工作往往发生在任何证据被正式送往实验室进行分析之前。在侦探们能够检查硬盘或手机之前，他们必须首先确定自己是否已掌握足够的信息来开展工作。这一初步阶段被称为“取证准备就绪度”（forensic readiness），涉及收集各种混乱的文件：受害者的陈述、警察报告、监控录像、目击者说法、所有权文件以及数字时间戳。传统上，整理这些资料是一个缓慢且依赖人工的过程。如果缺少一份关键文件或时间线不清晰，整个调查可能会停滞，或者更糟，是在一个不稳固的基础上推进。挑战不仅在于寻找证据，还在于如何快速评估现有材料是否完整到足以支持一项严肃的调查，同时还要确保敏感细节严格保密，远离互联网。
一种名为 DOLPHIN 的新框架为处理这种早期阶段的分类提供了一种不同的方式。该系统由印度 SRM 理科与技术学院的研究人员开发，旨在作为一名注重隐私的调查员助手。DOLPHIN 完全在本地计算机上运行，而不是将机密案卷发送到可能导致信息泄露的云端服务器。它使用了一种被称为“大语言模型”的人工智能（这种模型经过训练可以理解并生成人类语言），并结合了一个从上传文档中提取特定事实的检索系统。这种设置使得计算机可以在不离开调查员安全房间的情况下，阅读案卷、检查缺失部分并为调查的准备就绪程度评分。其目标是将繁琐、主观的清单转变为快速、可靠且私密的评估过程。
为了测试这种方法是否有效，研究人员利用 300 个模拟调查场景创建了一个受控环境，这些场景基于车辆盗窃案件。为了保护隐私，他们没有使用真实的警察档案，而是构建了数字版本的案例，这些案例涵盖了从拥有所有可能文件到仅有极少文件的各种情况。一些场景包含了完整的受害者陈述、警察报告、监控录像和目击者说法，而另一些场景则刻意遗漏了特定项目，如所有权文件或数字时间戳。研究人员将这些场景输入 DOLPHIN 系统，以观察它能否准确判断每个案件的完整性。系统承担着两项主要任务：首先，分配一个就绪度评分，以指示案件是否已准备好进行深度取证分析；其次，识别具体缺失了什么，例如视觉证据的缺口或缺乏目击者的佐证。
结果显示，该系统的表现具有很高的准确性。当被要求对案件的就绪程度进行分类时，DOLPHIN 与人类专家的判断一致率达到了 92%。它在发现特定类型的缺失信息方面表现尤为出色。例如，它能可靠地检测出案件是否缺少受害者陈述，或者由于缺失数字元数据而导致时间线断裂。系统将这些缺失的部分归纳为四个清晰的类别：文档缺口、目击者佐证缺口、视觉证据缺口（如 CCTV）以及时间线缺口。通过识别这些具体的漏洞，系统为调查员提供了清晰的图景，告诉他们在继续推进之前需要寻找什么，而不仅仅是给出一个模糊的“是”或“否”的答案。
研究的一个关键部分是确保系统不会“一本正经地胡说八道”。大语言模型有时会生成听起来很有信心但却是错误的信息，这种问题被称为“幻觉”。为了防止这种情况，研究人员使用了“检索增强生成”（retrieval-augmented generation）技术，强制计算机在回答之前先查看案卷中的实际文档。他们通过使用元数据对搜索结果进行过滤进一步优化了这一点，确保系统只查看属于该特定案件的文档。这种组合将不支持或错误陈述的比例从超过 16% 降低到了仅 2%。换句话说，由于系统严格受限于所提供的证据而非依赖其通用的训练数据，它变得更加值得信赖。
除了准确性和信任度外，研究还测量了系统节省了多少时间。一名人类调查员手动审查案卷以检查完整性并识别缺失项，平均耗时约 15.5 分钟。在 DOLPHIN 的协助下，这一时间降至每件案件约 4.4 分钟。这种速度的提升并非以牺牲质量为代价；系统生成的报告比人工清单更为完整，始终包含证据摘要、缺失项列表、就绪度评分以及后续步骤建议。该系统证明了它可以处理组织信息的繁重工作，让人类调查员能够将精力集中在实际调查而非行政分类上。
研究人员强调，DOLPHIN 并不是一个做出最终法律裁决或取代人类判断的工具。它的设计初衷是作为一个支持系统，帮助调查员在正式取证检查开始前组织思路和材料。该研究是在标准消费级笔记本电脑上使用模拟数据进行的，这表明这种保护隐私的辅助工作并不需要昂贵的企业级超级计算机。虽然该系统在这些受控测试中展现了巨大的潜力，但作者指出，未来的工作需要使用更真实的警察案件来验证其性能，因为现实中的案件可能比这些模拟案例更加复杂、模糊且在法律上更加敏感。目前，这项研究表明，保持人工智能的本地化并使其扎根于特定文档，是进行数字调查准备且不损害隐私的一种强大方式。
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。