发表机构
Northeastern University（东北大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出一种利用定性研究码本提示大型语言模型的方法，以高精确度和召回率检测消费者投诉文本中的网络犯罪主题，为资源受限的地方政府提供可行方案。
AI 中文摘要
在美国，由于联邦机构人员缩减，与网络犯罪相关的消费者投诉管理日益落在州和市政府的肩上。人工智能，特别是大型语言模型（LLMs），在检测文本投诉中的网络犯罪方面显示出前景，但通常需要通过专门模型实现，而地方政府没有资源来开发和维护这些模型。我们提出了一种LLM提示方法，利用定性网络犯罪研究中的码本来检测消费者叙述中的网络犯罪主题。针对两个网络犯罪主题——冒充诈骗和身份盗窃，我们证明了该方法在Gemini和GPT模型家族的5个模型的多次运行中实现了高精确度和召回率。这一策略为资源受限的组织（如许多地方政府）提供了一条利用前沿模型支持社区安全的路径。
英文摘要
In the United States, management of cybercrime-related consumer complaints increasingly falls on state and city governments given de-staffing of federal agencies. AI, and in particular, large language models (LLMs), shows promise for detecting cybercrime in text complaints, but often via specialized models that local governments are not resourced to develop and maintain. We present an LLM prompting method that uses codebooks from qualitative cybercrime research to detect cybercrime topics in consumer narratives. For two cybercrime topics, impostor scams and identity theft, we demonstrate the method achieves high precision and recall across multiple runs of 5 models in the Gemini and GPT model families. This strategy suggests a path for resource-constrained organizations, like many local governments, to leverage frontier models to support community safety.
