综述：通过认知人工智能重新思考犯罪侧写技术

《Frontiers in Artificial Intelligence》：Rethinking criminal profiling through cognitive artificial intelligence

　　**摘要**
**引言**：传统的刑事调查常常难以整合分散且异构的信息，这延迟了对系列犯罪或日益严重犯罪模式的识别。人工智能（AI）和认知计算的进步为跨来源关联和时间异常检测提供了数据驱动的方法。

**方法**：通过对经过同行评审的关于AI在法医分析、模式检测和调查支持中应用的文献进行系统回顾，并利用主要的多学科数据库，将选定的研究综合为两个分析维度：证据关联和异常检测，并通过回顾性案例进行进一步探讨。

**结果**：基于AI的方法支持将低级痕迹与高级事件联系起来，从而实现结构化的重建和大规模模式的识别。机器学习模型将异构数据整合到操作表示中，在受控条件下表现出高预测性能，准确率通常超过90%。统计和基于学习的方法还能检测到时间压缩、行为偏离和跨来源异常，揭示出在手动分析下可能被忽略的模式。对历史上有碎片化记录的案件的回顾性分析突出了长期规律性，包括事件间隔的缩短、严重性的增加以及弱信号的积累，这些信号在综合分析时变得具有意义。

**讨论**：AI主要在方法论层面上做出贡献，通过实现调查信号的不间断整合和重新评估，支持更加数据驱动和基于纵向数据的特征分析实践。然而，在受控环境中的高性能与现实世界中的有限验证之间仍存在差距。未来的研究应优先考虑使用实际数据集进行实证基准测试，开发可解释和可审计的系统，并建立治理框架，以确保AI的部署是透明、负责且有人类监督的。

**1 引言**
极端暴力犯罪往往被用道德和哲学术语来定义，试图界定人类行为中的“邪恶”（Ellens, 2011）。然而，在调查实践中，有效行动更多地依赖于在分散且不完整的信息中识别具体模式，而不是这些抽象概念。传统的犯罪特征分析依赖于专家对犯罪现场和行为线索的综合分析，大量研究已经确定了严重暴力犯罪者的神经发育和心理社会风险因素（Allely等人，2014），通常通过对个别案件的详细心理生物学重建来实现（Fouché等人，2015）。然而，将这些个体层面的理解转化为及时识别新兴的犯罪模式主要仍然是人为驱动的任务，这种任务容易受到偏见、疲劳的影响，并且难以处理大规模、异构的数据集。

最近的文献正式指出了调查工作中常见的认知陷阱。隐藏的决策偏见、对早期假设的过度依赖以及在面对非结构化信息时的瘫痪会导致调查人员系统性地低估可用信号（Martens, 2011; Maarek and Darwish, 2023）。在实践中，这些效应表现为案件处理的碎片化、系列犯罪的延迟识别，以及对社区警告的不一致评估（Al Matrooshi, 2024）。

认知人工智能（AI）的进步引入了一种新的范式，侧重于持续关联而非事件性解释。在本研究中，认知AI被定义为使用AI系统来支持异构调查数据的连续、上下文感知的整合和解释。与主要依靠专家直觉构建特征分析不同，数据驱动的系统可以持续地聚合不同时期、地点和来源的事件，揭示出可能被人类顺序审查模式忽略的统计显著规律（Vimala等人，2024）。重要的是，这种转变是方法论上的，而非 sensationality（此处可能为“感官性的”错误，正确的应该是“方法论上的”）。其目标不是“预测怪物”，而是检测复杂数据集中的异常轨迹、加速和跨案例关联。

历史上的一些案例经常被重新审视，以展示有意义的警告信号如何在多年内存在而未被分析整合。Dahmer案件（1978–1991）就是一个例子——不是因为犯罪者的身份，而是因为那些被当作孤立事件处理的轻微投诉、警方接触和当地扰动实际上是一个不断发展的模式的一部分。回顾性分析显示，犯罪的频率和严重性有明显的长期上升趋势，说明当信息片段化且逐 moments（此处“moments”可能为“时间点”或“时期”）评估时，时间加速、行为偏离和地理集中异常可能未被发现（Aswathy and Indu, 2025）。

最近的相邻研究在利用AI进行犯罪预测、时空预测和数字法医自动化方面取得了实质性进展，但这些研究的方向与本文讨论的方向不同。现有综述强调了方法论的多样性，同时也指出了可解释性、评估一致性和实际应用性方面的持续局限性（Dakalbab等人，2022；Du and Ding, 2023）。与此同时，数字法医研究强调了AI辅助证据挖掘的评估和可接受性，而更广泛的综合研究证实了该领域的持续进步（El-Latif等人，2025）。然而，这些贡献尚未充分探讨本研究中定义的认知AI、碎片化的调查记录、纵向升级信号以及可解释的犯罪模式识别支持之间的交叉点。

在这种背景下，当代的法医AI方法越来越多地通过证据关联、异常检测和多源信号聚合来解决信息碎片化问题。这篇迷你综述探讨了这些方法如何促进分散调查数据的整合和解释，并讨论了它们对可解释性、人类监督和实际应用中负责任使用的意义。

**2 材料与方法**
**2.1 文献搜索策略**
在多学科和技术数据库中进行了探索性搜索，包括Scopus、Web of Science、IEEE Xplore和PubMed。搜索结合了与人工智能和认知计算相关的术语，以及来自数字法医和刑事调查的概念。典型的查询字符串包括“人工智能”、“机器学习”和“认知计算”与“法医分析”、“犯罪模式检测”、“刑事调查”、“自动化法医检查员”和“可解释AI”等术语的组合。重点关注计算机科学、数字法医和应用AI领域的同行评审期刊文章和会议论文。必要时纳入了引用率高的基础论文，以澄清关键的方法论概念或广泛使用的框架。

**2.2 选择标准**
选择那些提供了关于AI系统如何执行证据关联、异常检测、行为模式建模或调查决策支持的明确方法论或技术描述的出版物。还额外考虑了讨论AI辅助决策过程中的透明度、偏见和问责性的作品。当来源仅包含未经分析或技术支持的犯罪叙述或新闻报道时，或者当它们涉及与可转移的调查或法医方法无关的领域中的AI应用时，这些来源被排除在外。历史犯罪学分析仅用于记录时间线、升级动态和代表性系列犯罪案件中的调查碎片化实例，作为背景参考点而非主要技术证据。

**2.3 分析方法**
通过主题综合分析了选定的文献。报告的方法和发现被组织为两个功能维度：跨异构数据源的自动化法医关联和证据重建，以及用于异常检测和决策支持的认知模式建模。通过回顾性地重新审视一个记录详尽的系列犯罪案例，说明了当信息保持碎片化时，如何会出现分散的信号和延迟的模式识别。这种比较将记录的计算能力与实际调查背景联系起来，在该背景下相关信号存在但当时未被分析整合。伦理、法律和可解释性考虑不是作为实证结果处理的，而是在讨论中作为在实际应用这些基于AI的认知系统时的影响得出的。

**3 结果**
**3.1 用于证据关联和重建的人工智能**
综述的文献将人工智能描述为一种大规模关联分散的法医证据和重建事件序列的机制。基于AI的框架不是孤立地分析痕迹，而是将高级犯罪事件与来自多个来源的低级数字和上下文数据整合起来，从而实现更全面的分析过程。作为支持迭代证据处理的方法，而不是静态的、孤立的发现（Michelet等人，2023），先进的自动化法医系统的概念已被提出。一旦识别出相关证据，就可以执行后续任务，如提取、关联和时间线重建，生成改进分析一致性的结构化表示，并减少人工工作量。这反映了由数据量增加和调查积压推动的数字法医领域的更广泛发展。

机器学习和深度学习模型进一步实现了将异构犯罪相关数据整合到结构化表示中，用于分类和预测。在受控条件下，这些模型表现出高预测性能，准确率根据数据集、特征和模型架构的不同可达97%（Ngoge等人，2024；Lu等人，2025）。最近的进展结合了基于Transformer的全局依赖建模和用于局部特征提取的卷积神经网络，有助于识别通过手动分析难以发现的空间、时间和上下文模式。此外，基于AI的方法通过分析通信模式和交互动态，支持行为模式和技术复杂性的指标的识别。通过整合大规模数字数据（包括社交媒体和在线通信），这些系统扩展了调查的分析范围，并有助于更结构化的法医过程（Mateo-Fernandez and Osa-Subtil, 2024）。表1总结了所研究案件的AI/分析方法和主要贡献。

**3.2 认知模式建模和调查优先级**
除了证据关联之外，增强型AI方法还能够识别大规模数据集中的行为模式和偏差，通过检测异常和新兴风险信号来支持调查优先级（Kuzmanov, 2025）。这些系统可以揭示如升级、重复和收敛等模式，这些模式在手动分析下可能被忽略，从而允许识别活动变化和不断演变的作案手法。从技术角度来看，这些过程依赖于分类、聚类和预测建模技术，并通过准确率、精确度、召回率和F1分数等指标进行评估。通过应用一致的统计标准，AI减少了对主观解释的依赖，作为 Cognitive 支持层，为人类调查人员提供可复制的、数据驱动的关联，供他们解释而不是替代他们的判断（AlFahdi等人，2014）。

**3.3 基于案例的可检测纵向模式的说明**
从数据中心的视角回顾Dahmer案件时，可以看到在调查期间未被操作整合的可测量纵向模式。犯罪时间线显示了最初的沉寂期，随后事件间隔逐渐缩短，最终在1991年的短时间内发生了多起谋杀案。从分析上看，这反映了非线性的加速模式，而不仅仅是孤立的事件（Lankford and Hayes, 2022）。同时，记录的行为显示出随着时间的推移严重性的增加，逐渐转向更具侵略性和控制性的行为。从计算角度来看，这种进展可以解释为行为特征的方向性偏移，而不是随机波动。这种升级与系列犯罪者的纵向轨迹模型相符，其中模式是通过累积变化而非离散事件出现的（Reid等人，2019）。还存在多个微弱的上下文信号，包括重复的邻居投诉、轻微的警方接触和地理集中的失踪事件。虽然单独来看这些信号含糊不清，但它们的累积形成了一个一致的跨来源异常。他们被历史性地视为无关事件的处理方式，揭示了制度和社会因素如何导致信号碎片化和风险低估（Mariya和Ramdane，2024年），这是自动化相关框架旨在解决的问题。虽然这些模式在回顾性分析中是可以识别的，但将它们转化为可靠的实时检测仍然具有挑战性。在受控数据集中表现出高性能的模型（准确率经常超过90%）并不一定能够推广到复杂的调查环境中（Ngoge等人，2024年；Lu等人，2025年）。数据质量、特征分布的不稳定性以及不完整的记录可能会影响模型的稳定性和适用性，尽管计算效率有所提高，但在现实世界中的应用仍缺乏足够的验证。例如1991年的街头事件中，尽管存在矛盾的线索，最初的良性解释仍然占主导地位，这说明了孤立的人类判断的局限性。相比之下，连续的数据集成将允许对这些事件进行迭代重新评估，从而使新兴的模式逐渐变得可检测并且在操作上具有相关性。

4. 讨论
结果表明，相关模式是存在的，但并未在分析上得到整合：事件之间的时间间隔缩短，行为逐渐加剧，以及多个弱信号分散在独立的报告中。历史上失败的原因更多在于缺乏持续聚合和重新评估这些模式的机制，而不是缺乏线索。在这方面，人工智能的贡献主要是方法论上的，而不是解释上的：它能够实现持续的纵向检测和跨来源的相关性，而这在长时间跨度和大规模数据集中，人类逐案调查可能难以维持（Goh等人，2025年）。
一个关键含义不仅在于检测模式，还在于对其适当的背景化。当代数字法医心理学的方法强调识别微妙的行为变化，特别是在沟通和互动动态中，这些变化可能是升级或出现风险的潜在指标（Mateo-Fernandez和Osa-Subtil，2024年）。然而，这些信号的分析价值取决于它们在更广泛的伦理、心理和认识论框架中的解读方式。
评估实践进一步复杂化了这一领域。虽然基于人工智能的系统通常使用精确度、召回率和假阳性率等指标进行评估，但这些标准因领域而异。与犯罪相关的应用通常优先考虑预测性能，而数字法医学则强调证据的可靠性、透明度和可接受性（Solanke和Biasiotti，2022年）。此外，法医背景下的自动化概念定义不一致，反映了术语和评估方法的碎片化（Michelet等人，2023年）。这表明，对人工智能在调查支持方面的评估应该超越单一指标的性能，还应该包括检测能力、可解释性和操作相关性。

4.1 升级作为计算信号
将犯罪的升级描述为“类似成瘾”的行为可能在临床上具有启示性（Lankford和Hayes，2022年），但对于人工智能支持的分析而言，其相关性在于可测量的时间动态，而不是诊断性解释。认知系统能够检测到事件间隔的缩短以及与严重性相关的特征随时间的系统增加。这些纵向结构可以形式化为相对于背景犯罪模式的统计变化信号。相关性和预测模型能够在不需要预先了解犯罪者或动机的情况下识别这种非线性加速（Allam等人，2021年）。这种区分至关重要：机器输出表明了不典型的时间结构，而对其犯罪学或临床的解释仍然是人类的责任。
一个重要的研究方向是对历史犯罪系列中的时间异常检测方法进行系统性的基准测试，以评估在现实条件下多久可以识别出统计上可靠的信号（Butt等人，2021年）。

4.2 从孤立判断到连续集成
该案例说明了历史上决定性时刻是如何孤立评估的，并受到初始解释的影响，而没有随着时间的推移和来自不同来源的信号的累积整合。基于人工智能的系统通过在新数据出现时不断更新评估来解决这一限制，支持在更广泛的相关结构中对证据的迭代关联（Cekic，2024年；AlFahdi等人，2014年）。这种方法不能消除人类偏见，但可能通过将先前识别的异常保持在活跃的分析环境中来减少疲劳和信息碎片化的影响。虽然多模态和行为信号可以进一步丰富这一过程，但它们的贡献应该是支持性的，并需要经过验证。需要稳健的现场评估来评估它们的可靠性，并防止对情境敏感或文化依赖的线索产生不成比例的影响（Durán等人，2024年）。

4.3 人机协作和可解释性
研究结果支持一种协作模式，在这种模式中，人工智能系统负责大规模的模式检测，而人类调查员提供背景解释、伦理判断和领域专业知识（Kuzmanov，2025年）。在这种框架下，人工智能的价值在于揭示基于统计的信号，而意义和行动仍然取决于人类的评估。这种区分在某些信号历史上未被充分认可的情境中尤为重要。数据驱动的异常检测，包括时空聚类，可能有助于揭示以前被忽略的模式；然而，它们的有用性取决于输出是否透明和可解释（Mateo-Fernandez和Osa-Subtil，2024年）。如果没有这一点，高预测性能并不一定转化为可靠的决策支持。因此，可解释性在使人工智能生成的输出能够接受关键审查方面发挥着核心作用。调查员必须能够检查警报背后的变量和关系，以便对其进行验证、背景化，并在必要时对其进行质疑（Singh等人，2024年）。除了技术透明度之外，这还支持程序问责制，并降低了复制历史偏见的风险。未来的研究应该共同评估检测性能和解释质量，包括不同形式的解释如何影响调查推理（Faqir，2023年）。

4.4 管理、错误和比例性
虽然整合分散的信号具有明显的分析优势，但其大规模实施引入了法律和伦理上的紧张关系。连续的跨来源相关性涉及广泛的数据收集和保留，这可能与隐私和数据保护原则相冲突。当人工智能支持的输出用于优先排序或干预时，错误可能带来不对称的后果：遗漏的模式可能会延迟保护性行动，而假阳性可能会不公正地引导调查注意力。当前的法律法规在这方面对开发者和运营商之间的责任分配提供的指导有限（Singh等人，2024年）。因此，分析能力应该与适当的治理机制相匹配。实际部署需要明确界定行动的阈值、在重大决策中必须有人类监督，以及由可解释模型支持的可追溯的推理过程。此外，还需要独立的审计和定期的影响评估来监测系统行为，评估意外影响，并确保整个系统生命周期符合法律和伦理标准（Laine等人，2024年）。

4.5 限制
这篇迷你综述存在几个限制，解释其结论时应予以考虑。文献搜索仅限于英文学术出版物，这便于比较，但也可能排除了来自非英语语境的相关贡献，尤其是在犯罪学、数字法医学和法律理论等领域。因此，综合结果可能主要反映了西方视角，可能会限制对替代概念或规范框架的考虑。此外，基于案例的说明来自次级和回顾性分析，而不是原始的调查数据。因此，对升级模式和系统限制的解释依赖于先前的重构，使这一贡献更像是一种概念性的重新解释，而不是实证性的重新分析。更广泛地说，作为一篇专注的迷你综述，这项工作更重视理论和方法论的整合，而不是全面的实证验证。尽管考虑了文献中报告的定量性能指标，但该研究并未包括算法的标准化基准测试或使用真实世界调查数据集的验证。因此，讨论应被视为一个前瞻性的分析框架，概述了潜在的能力和治理考虑，而不是应用调查环境中操作效果的证据。

5. 结论
这篇迷你综述表明，人工智能可以实现分散的法医信息的连续整合和分析，从而能够检测到通过逐案调查难以识别的纵向和跨来源模式。与其引入新的解释性判断形式，这些系统通过系统地链接异构数据、重构事件序列以及突出随时间和情境变化的统计相关偏差来扩展分析能力。通过这样做，它们使得结构化模式（如升级、复发和收敛）变得可见，这些模式在单独处理信号时可能会被忽略，从而将犯罪画像重新定义为基于连续数据整合的过程，而不是基于事件性的解释。同时，研究结果表明，这些能力仍然依赖于受控条件，并且尚未在现实世界的调查环境中得到一致的验证。这限制了它们目前的作用主要是提供分析支持，而不是自主决策。因此，它们的有效使用取决于在人类判断中对机器生成的输出进行背景化，特别是在信号模糊、不完整或具有社会敏感性时，从而强化了一种混合方法，在这种方法中，认知人工智能增强了而不是替代了调查推理。未来的工作应该重点使用操作数据集对时间和跨来源的检测方法进行实证评估，并在实地条件下验证行为和多模态指标。同时，开发可解释的人工智能框架对于确保输出透明、可审计且适合决策支持的环境是必不可少的。推进这种整合还需要治理方法，结合人类监督、比例化的数据使用和独立审计，以确保增强模式检测符合法律、伦理和认识论标准。