网络欺诈中心理操纵的取证模式：基于大语言模型驱动的受害者报告分析
Forensic Schema for Psychological Manipulation in Cyber Fraud: LLM-Driven Victim Reports Analysis
AI总结：
研究网络欺诈中心理操纵取证模式，提出含四类35个问题的模式，增加相关指标和字段。经大语言模型驱动注释及与人类注释者验证，揭示欺诈类型操纵特征，发现取证细节差距，指出人工智能辅助及分层注释策略可缩小差距并提供模板。
摘要：
现有网络犯罪分类模式捕获联系元数据和金融交易，但忽略了犯罪者使用的心理操纵技术。我们提出了一种取证模式（四类，35个问题），在既定的取证基础上增加了11个操纵指标和加密货币证据字段。通过大语言模型驱动的注释应用于10994份受害者报告，并与两名人类注释者进行验证（大语言模型与人类的平均κ系数为0.69，注释者间匹配的κ系数为0.68），该模式揭示了每种主要欺诈类型在统计上不同的操纵特征（克莱默V值高达0.790）。基于原理的证据审计暴露了一个取证细节差距：操纵技术的检测是可靠的，但受害者叙述中支持每个肯定答案的可操作细节差异很大，且几乎没有区块链特定标识符。这些发现表明，通过人工智能辅助受害者信息收集并提出基于模式的后续问题是缩小差距的最直接方法。分层注释策略还为从其他取证文本领域基于大语言模型的提取提供了可重复使用的模板。
英文摘要：
Existing cybercrime classification schemas capture contact metadata and financial transactions but omit the psychological manipulation techniques perpetrators employ. We present a forensic schema (four categories, 35 questions) adding 11 manipulation indicators and cryptocurrency evidence fields to established forensic foundations. Applied to 10,994 victim reports via large language model (LLM)-driven annotation and validated against two human annotators (mean LLM-human $κ= 0.69$, matching inter-annotator $κ= 0.68$), the schema revealed a statistically distinct manipulation profile for each major fraud type (Cramer's $V$ up to $0.790$). A rationale-based evidence audit nonetheless exposed a forensic detail gap: detection of manipulation techniques was reliable, but victim narratives varied widely in the actionable detail supporting each Yes answer, and blockchain-specific identifiers were nearly absent. These findings point to AI-assisted victim intake with schema-informed follow-up questions as the most direct way to close the gap. The tiered annotation strategy also provides a reusable template for LLM-based extraction from other forensic text domains.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
