哈德斯菲尔德大学的研究人员研发出一款混合型人工智能工具，用于识别包括强制控制在内的心理虐待模式，目标是重塑数字法医调查流程，并为心理健康研究提供新支撑。这一成果源自研究员 Dhruv Patel 的博士研究，在高级讲师 Anju Johnson 博士的指导下完成，旨在缓解当前数字法医调查中的关键瓶颈，并吸收更大研究团队的意见以确保工具在实际场景中的可用性。

该校计算与工程学院的团队聚焦于一个日益突出的难题：在庞大的数字数据中（如短信、聊天记录）寻找心理虐待的证据，尤其是强制控制这类一方对另一方持续施加权力与影响的行为模式。

这类“隐性虐待”往往并非单一暴力事件，而是长期、细碎的累积过程，因此极难以传统方式固定为证据。更复杂的是，这些虐待线索多以数字形式存在，常规的法医关键词检索往往忽略了其累积性和模式性特征，例如煤气灯效应、社会隔离或反复羞辱等行为轨迹。

为此，哈德斯菲尔德团队提出了一个名为“数字对话分析流程”（Digital Conversation Analysis Pipeline，DCAP）的框架，用来打通“从数据到洞察”的关键环节。DCAP 能够在文本数据中识别自恋虐待循环的语言信号、相关心理操控模式以及其他相关特征。相关研究成果已发表在《法医科学国际：数字调查》和《IEEE Access》等期刊上。

DCAP 采用混合人工智能策略，将基于规则的法医关键词检索的精确性，与深度学习模型对语境的理解能力结合起来。借此，它不仅能识别直接的攻击性语言，还能捕捉讽刺、操控等更隐蔽的表达，即便这些内容被现代俚语或流行用语所掩盖。

该系统以“人机协同”的方式运行，避免完全不透明的“黑箱”式算法。它会清晰标出支撑结论的具体文本证据，使调查人员能够追溯每一步推断过程。

在分析内容时，DCAP 会重点扫描符合自恋型人格障碍九项诊断标准的语言标记。自恋型人格障碍被视为“黑暗三角”人格特质之一，其典型行为包括“缺乏同理心”和“强烈的权利感”等，这些特征是识别系统性虐待模式的重要预警信号。

在实际应用中，该工具被设计为一种“分诊”系统：它会自动标记潜在的虐待模式，引导调查人员优先关注最关键的对话片段，作为决策支持框架的一部分。在一项模拟法医案例中，研究团队处理了超过 8400 条消息，DCAP 将其筛减到 287 条包含最典型虐待特征的关键信息，使调查人员的人工审查工作量减少了 92% 以上。

这一由哈德斯菲尔德大学主导的技术创新，在数字法医分析、强制与虐待性沟通模式研究以及心理健康领域均具有潜在应用价值。由于它能够提供此前难以获得的高保真证据，并可为专家证人证词提供量化支撑，未来有望成为全球警方和法医调查人员的重要工具之一。

Patel 指出：“现代调查中海量的数字数据，使得人类分析师很难捕捉到自恋和心理虐待在长期互动中留下的细微语言痕迹。通过将文本分析与用于评估人类情绪的计算机视觉技术结合，我们正在迈向真正的多模态分析路径。这有助于尽可能减少遗漏，为法医调查和复杂心理健康诊断提供一个不可或缺的分析框架。”

Johnson 博士补充说：“作为本研究的主要导师，我亲眼看到它如何改变我们处理数字证据的方式。这项由哈德斯菲尔德主导的创新，为现代司法体系提供了一块关键基石，在原始数据与心理真相之间搭建起科学而严谨的桥梁。通过量化人格障碍和虐待行为背后的隐性动态，我们为检察官和司法机构提供了一套透明、客观的工具。这不仅缓解了法医分析的瓶颈，也让最脆弱群体的声音能够以清晰、可用于庭审的数据形式被听见。”