《Forensic Science International: Reports》：A review on integrating immersive technology, machine learning, and blockchain technologies in crime scene investigations
编辑推荐：
本研究针对机器学习（Machine Learning, ML）、区块链（blockchain）及沉浸式技术（immersive technologies）在多个法医学领域已展现显著效益、但在犯罪现场调查（Crime Scene Investigations,
本研究针对机器学习（Machine Learning, ML）、区块链（blockchain）及沉浸式技术（immersive technologies）在多个法医学领域已展现显著效益、但在犯罪现场调查（Crime Scene Investigations, CSIs）中的应用仍呈碎片化的问题，开展了一项系统性文献综述（Systematic Literature Review, SLR）。该综述遵循PRISMA 2020指南，对2015至2025年间发表的161篇文献进行综合分析，旨在评估上述技术在法医工作流程中的技术贡献、应用趋势与整合挑战。研究结果表明，沉浸式技术可增强空间重建、现场重访与法庭沟通能力；机器学习通过分类、检测与预测建模，在物理和数字取证领域支持自动化法医分析；区块链技术则通过安全、防篡改及去中心化的证据管理与监管链（Chain of Custody, CoC）验证，保障证据完整性。然而，关键局限依然存在，包括区块链的可扩展性与能耗约束、机器学习的数据依赖性与可解释性问题，以及沉浸式系统在硬件与部署方面的障碍。该综述的一个关键发现是：目前尚无将三种技术统一整合于同一犯罪现场调查流程中的完全集成框架。为弥补这一空白，研究人员提出了感知–认知–信任（Perception–Cognition–Trust, PCT）框架，将沉浸式技术、机器学习与区块链定位为支撑感知、分析与证据完整性的互补层。该研究为未来工作奠定了基础，强调下一代法医系统需要实证验证、法律协调以及以人为中心的设计。
本文基于对2015至2025年间161篇文献的系统性综述（Systematic Literature Review, SLR），探讨沉浸式技术、机器学习（Machine Learning, ML）与区块链在犯罪现场调查（Crime Scene Investigations, CSIs）中的整合应用。传统犯罪现场记录依赖纸质日志、静态摄影、人工测量和二维草图，易受人为错误、空间精度不足、透视畸变、数据安全漏洞及监管链（Chain of Custody, CoC）验证不充分等限制影响。尽管三类技术在法医学领域各自展现出显著优势，但现有二次研究多将其割裂考察，缺乏对统一工作流程及社会技术条件的综合审视。研究人员遵循PRISMA 2020指南，对Scopus、Web of Science、IEEE Xplore、ACM Digital Library、ScienceDirect、SpringerLink、Google Scholar及ResearchGate等八个数字资源库进行系统检索，经筛选与质量评估后纳入161项研究，按主要技术领域分为沉浸式/空间技术（49项）、AI/ML分析（83项）与区块链/证据保管（29项）。研究提出感知–认知–信任（Perception–Cognition–Trust, PCT）框架，将三类技术整合为相互依存的法医生态系统，以解决跨层验证、可解释性与证据治理的碎片化问题。
研究采用的主要关键技术方法包括：第一，遵循PRISMA 2020框架开展系统性文献检索与筛选，设计三组独立技术检索流（分别针对沉浸式技术、机器学习、区块链），并采用Kitchenham和Charters框架对纳入研究进行方法学质量评估，以3点量表（是=1，部分=0.5，否=0）对选择偏倚、测量有效性、目标清晰度、方法严谨性和报告透明度等10项标准评分并归一化分级。第二，采用文献计量与人口统计学分析，考察出版类型、年度趋势和地域分布，揭示技术成熟度与区域差异。第三，通过比较综合方法识别跨领域融合现状，并基于系统约束分析构建PCT分层架构模型，将感知层（沉浸式重建）、认知层（机器学习推理）与信任层（区块链证据完整性）形式化为关联流程。
研究结果部分围绕三个研究问题展开。第一，三类技术相对于传统方法的增强作用：沉浸式技术（增强现实AR、虚拟现实VR、混合现实MR及扩展现实XR）通过高保真三维重建、虚拟场景重访和交互式法庭展示，减少证据污染风险，提升空间表征与文档可靠性，但其部署受运动眩晕、硬件笨重、光照和表面纹理导致的感知误差等限制；机器学习在监控视频分析、危险物体检测、面部识别、DNA混合物解释、弹道比较和数字取证等领域实现自动化分类、检测与预测，监督学习特别是人工神经网络为主导范式，但存在数据依赖、黑箱可解释性差、训练数据偏倚和高计算成本等缺陷；区块链通过分布式账本、共识机制、智能合约和加密哈希确保证据不可篡改与监管链验证，但在可扩展性、能耗、成本及跨司法辖区法律兼容性方面面临瓶颈。第二，出版人口统计学显示区域严重不均衡：欧洲在沉浸式技术研究中占48.9%，亚洲、欧洲和北美合计占机器学习研究产出的89.5%，区块链研究中亚洲占43.4%；非洲在所有三类技术中的贡献率仅约1.0%至1.5%，反映基础设施与经济约束导致的全球法医创新差异。第三，融合进展：现有集成主要集中于机器学习与区块链的二元结合（如用于加密数字货币欺诈检测、恶意软件证据保全），沉浸式技术与区块链的融合主要出现在元宇宙数字取证中；文献中未发现同时整合三类技术的统一犯罪现场调查架构。
讨论部分指出，三类技术并非冗余替代，而是分别优化空间重建与感知解释、计算层模式识别与预测、程序完整性与加密真实性，其互补性支持构建统一法医生态系统。PCT框架通过感知、认知与信任三层的持续互动，实现空间采集、语义推理与证据治理的关联整合，弥补了验证缺陷、分析情境缺陷与架构集成缺陷。研究结论强调，犯罪现场调查的现代化不能依赖孤立的技术采纳，而需通过结构化集成协调感知重建、分析智能与证据信任；PCT框架为该集成提供了概念基础，但需进一步开展受控部署中的实证验证、可扩展且符合法律要求的区块链架构，以及以人为中心的可解释法医人工智能研究。
