論文の概要: Forensic Schema for Psychological Manipulation in Cyber Fraud: LLM-Driven Victim Reports Analysis

• arxiv url: http://arxiv.org/abs/2607.07751v1
• Date: Wed, 08 Jul 2026 11:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.287071
• Title: Forensic Schema for Psychological Manipulation in Cyber Fraud: LLM-Driven Victim Reports Analysis
• Title（参考訳）: サイバー詐欺の心理学的操作に関する法医学的スキーマ:LCMによる被害者報告の分析
• Authors: Zikai Alex Wen, Corrazon Ogot, Juan Li, Yan Bai,
• Abstract要約: 我々は,11の操作指標と暗号実証フィールドを確立された法医学基礎に付加する法医学的スキーマ(4つのカテゴリ,35の質問)を提案する。 大規模言語モデル (LLM) による10,994件の被害者報告に応用し, 各主要な不正タイプに対する統計的に異なる操作プロファイルを明らかにした。 これらの知見は、スキーマインフォームされたフォローアップ質問に対するAI支援による被害者の摂取が、ギャップを埋める最も直接的な方法であることを示している。
• 参考スコア（独自算出の注目度）: 9.269908000523078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 既存のサイバー犯罪分類スキーマは、連絡先のメタデータと金融取引をキャプチャするが、加害者が採用する心理的操作テクニックを省略する。 我々は,11の操作指標と暗号実証フィールドを確立された法医学基礎に付加する法医学的スキーマ(4つのカテゴリ,35の質問)を提案する。 大型言語モデル(LLM)による10,994件の被害者レポートに適用し、2人のアノテータ(LLM- Human $κ= 0.69$, matching inter-annotator $κ= 0.68$)に対して検証した。 操作テクニックの検出は信頼できるが、被害者の物語は、各Yes回答をサポートする実行可能なディテールで大きく変化し、ブロックチェーン固有の識別子はほぼ欠落していた。 これらの知見は、スキーマインフォームされたフォローアップ質問に対するAI支援による被害者の摂取が、ギャップを埋める最も直接的な方法であることを示している。 タイレッドアノテーション戦略は、他の法医学テキストドメインからのLLMベースの抽出のための再利用可能なテンプレートも提供する。

関連論文リスト

• Now You (Still) See Me: Detecting Evasive Steganographic Payloads in LLMs [52.149036302760386]
  大規模な言語モデルは、プロンプトによって引き起こされるシークレットを、流動的で良心的な出力にエンコードするように微調整することができる。 近年の研究では、内部の活性化から秘密を回収する線形プローブによる検出を提案する。 この防御は体系的に回避できるが,対象とするデータレベルの介入によって検出性が回復可能であることを示す。
  論文  参考訳（メタデータ） (2026-06-08T12:27:11Z)
• SentinelRAG: Synthetic Sentinel Knowledge for RAG Database Copyright Protection [44.7327467106684]
  SentinelRAGは、スタイル一貫性はあるが架空の知識エントリをRAGデータベースに埋め込む。 我々の重要な洞察は、虚偽の実体を記述する合成知識は、正当なクエリーによって回収される可能性は低いということである。 本手法は,正規ユーザクエリに対する無視可能な干渉を維持しつつ,誤検出率を大幅に低減する。
  論文  参考訳（メタデータ） (2026-06-04T07:19:56Z)
• AsmRAG: LLM-Driven Malware Detection by Retrieving Functionally Similar Assembly Code [1.2183405753834562]
  本稿では,AsmRAGについて紹介する。 このシステムは、LLM(Code-specialized Large Language Model)を使用してアセンブリ関数を分析し、それらをセマンティックな埋め込みに変換する。 そこで本研究では,バイナリ内の悪意論理の一次単位を分離し,検証可能な法医学的証拠を抽出し,回避の試みに抵抗する密度重み付きアンカー選択機構を提案する。
  論文  参考訳（メタデータ） (2026-04-25T08:05:50Z)
• ForensicZip: More Tokens are Better but Not Necessary in Forensic Vision-Language Models [108.5042835056188]
  フォージェリ駆動の観点からトークン圧縮を再構築するトレーニングフリーフレームワークであるForensicZipを紹介した。 ForensicZipは、最先端検出性能を維持しながら、スピードアップとFLOPの90%以上を達成している。
  論文  参考訳（メタデータ） (2026-03-12T17:30:49Z)
• ProtegoFed: Backdoor-Free Federated Instruction Tuning with Interspersed Poisoned Data [50.142067708131826]
  Federated Instruction Tuning (FIT)は、複数の組織(組織)にまたがる大規模な言語モデルの、プライベートなインストラクションの共有を必要とせずに、クロスサイロ環境での協調的なインストラクションチューニングを可能にする。 最近の研究では、有毒なサンプルが現実世界のデータセットに広範に埋め込まれており、たとえクライアントが良心的であっても、すべてのクライアントに分散している可能性が示唆されている。 ProtegoFedは、トレーニング中にクライアント間で汚染されたデータを正確に検出・浄化・分散する最初のバックドアフリーFITフレームワークである。
  論文  参考訳（メタデータ） (2026-02-28T07:25:32Z)
• On the Insecurity of Keystroke-Based AI Authorship Detection: Timing-Forgery Attacks Against Motor-Signal Verification [0.0]
  最近の提案では、AI生成コンテンツと人為的なテキストを区別するためにキーストロークタイミング信号を使うことを提唱している。 このタイプの防御は、2つの実践的な攻撃クラスに対して安全でないことを示す。 検出者がタイミングのみを観測した場合、特徴と内容の出所の相互情報はコピー型攻撃ではゼロとなる。
  論文  参考訳（メタデータ） (2026-01-24T03:39:38Z)
• Stealing User Prompts from Mixture of Experts [62.83486196376189]
  敵がExpert-Choice-Routingを利用して被害者のプロンプトを完全に開示する方法を示す。 これは、ユーザープロンプトを抽出するためにアーキテクチャ上の欠陥を利用する最初の攻撃である。
  論文  参考訳（メタデータ） (2024-10-30T10:25:35Z)
• MentalManip: A Dataset For Fine-grained Analysis of Mental Manipulation in Conversations [41.661208833153225]
  心的操作は対人会話において重要な虐待形態である。 本研究は、4000ドルの注釈付き映画対話からなる、$rm M Small entalM Small anip$という新しいデータセットを紹介する。 このデータセットは、精神的な操作の包括的な分析を可能にし、操作に使用されるテクニックと、被害者がターゲットとする脆弱性の両方をピンポイントする。
  論文  参考訳（メタデータ） (2024-05-26T14:27:48Z)
• A New Benchmark and Reverse Validation Method for Passage-level Hallucination Detection [63.56136319976554]
  大きな言語モデル(LLM)は幻覚を発生させ、ミッションクリティカルなタスクにデプロイすると大きなダメージを与える可能性がある。 本稿では,逆検証に基づく自己チェック手法を提案し,ゼロリソース方式で事実誤りを自動的に検出する。 提案手法と既存のゼロリソース検出手法を2つのデータセット上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-10-10T10:14:59Z)
• Textual Data Mining for Financial Fraud Detection: A Deep Learning Approach [0.0]
  本稿では,自然言語処理(以下,NLP)のバイナリ分類タスクを,金融詐欺テキストの分析に活用する深層学習手法を提案する。 私の方法論では、埋め込み層を持つ多層パーセプトロン、Vanilla Recurrent Neural Network(RNN)、Long-Short Term Memory(LSTM)、Gated Recurrent Unit(GRU)など、さまざまな種類のニューラルネットワークモデルが関係しています。 本研究が深層学習,NLP,金融の交差点における研究の進展に寄与するため,私の研究成果は,金融不正検出に重大な影響を及ぼす。
  論文  参考訳（メタデータ） (2023-08-05T15:33:10Z)
• Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
  本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。 ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-11T07:48:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。