Τεχνητή Νοημοσύνη και Δικαστική Ψυχολογία: Πώς η Ανάλυση Συμπεριφοράς Υποστηρίζει τις Σύγχρονες Ψηφιακές Εγκληματολογικές Έρευνες

Η τεχνητή νοημοσύνη (Artificial Intelligence – AI) μετασχηματίζει με ταχύτατους ρυθμούς τον τρόπο με τον οποίο συλλέγονται, οργανώνονται και αναλύονται τα ψηφιακά αποδεικτικά στοιχεία στις σύγχρονες εγκληματολογικές έρευνες. Η εκθετική αύξηση των δεδομένων που προέρχονται από κινητές συσκευές, ηλεκτρονική αλληλογραφία, εφαρμογές ανταλλαγής μηνυμάτων, μέσα κοινωνικής δικτύωσης και ηχητικές ή οπτικοακουστικές καταγραφές δημιουργεί νέες προκλήσεις για τις διωκτικές αρχές και τους ειδικούς της ψηφιακής εγκληματολογίας (Casey, 2019).

Η επεξεργασία αυτού του τεράστιου όγκου πληροφοριών δεν μπορεί πλέον να βασίζεται αποκλειστικά στη χειροκίνητη ανάλυση. Για τον λόγο αυτό, τεχνολογίες μηχανικής μάθησης (Machine Learning) και επεξεργασίας φυσικής γλώσσας (Natural Language Processing – NLP) χρησιμοποιούνται ολοένα και περισσότερο ως εργαλεία υποστήριξης της διερεύνησης, επιτρέποντας την ταχύτερη αναγνώριση σημαντικών πληροφοριών μέσα σε εκατομμύρια δεδομένα (Russell & Norvig, 2021).

Παράλληλα, η Δικαστική Ψυχολογία (Forensic Psychology) προσφέρει το επιστημονικό πλαίσιο για την κατανόηση της ανθρώπινης συμπεριφοράς κατά τη διερεύνηση εγκλημάτων. Η συμβολή της δεν περιορίζεται στην αξιολόγηση δραστών ή θυμάτων, αλλά επεκτείνεται στην ερμηνεία συμπεριφορικών ενδείξεων, στην εκτίμηση επικινδυνότητας, στην αξιολόγηση απειλών και στην υποστήριξη των ανακριτικών διαδικασιών μέσω επιστημονικά τεκμηριωμένων μοντέλων λήψης αποφάσεων (Meloy & Hoffmann, 2021).

Ο συνδυασμός της τεχνητής νοημοσύνης με τη Δικαστική Ψυχολογία δημιουργεί μία νέα διεπιστημονική προσέγγιση, η οποία δεν επιχειρεί να «αναγνωρίσει» έναν δράστη μέσω της προσωπικότητάς του ούτε να προβλέψει με βεβαιότητα εγκληματικές συμπεριφορές. Αντίθετα, στοχεύει στην υποστήριξη της ανάλυσης πολύπλοκων δεδομένων, στην ανάδειξη συμπεριφορικών μοτίβων και στην ιεράρχηση πληροφοριών που ενδέχεται να έχουν ιδιαίτερη ερευνητική αξία.

Από το Criminal Profiling στη Σύγχρονη Συμπεριφορική Ανάλυση Τεκμηρίων

Η εικόνα του «ψυχολογικού προφίλ του δράστη» έχει συνδεθεί έντονα με τη λαϊκή κουλτούρα. Στην πραγματικότητα, όμως, η σύγχρονη επιστημονική κοινότητα αντιμετωπίζει με ιδιαίτερη προσοχή την έννοια του criminal profiling, κυρίως λόγω των περιορισμών του ως προς την αξιοπιστία και την προβλεπτική του εγκυρότητα (Snook et al., 2008).

Η σύγχρονη Δικαστική Ψυχολογία δίνει μεγαλύτερη έμφαση στη Behavioral Evidence Analysis (BEA), μια προσέγγιση που βασίζεται στην αντικειμενική αξιολόγηση των αποδεικτικών στοιχείων και όχι στη δημιουργία στερεοτυπικών προφίλ. Σύμφωνα με τον Turvey (2012), η συμπεριφορική ανάλυση τεκμηρίων επιχειρεί να ερμηνεύσει τη συμπεριφορά που προκύπτει από τα ίδια τα στοιχεία της υπόθεσης, ενσωματώνοντας γνώσεις από την ψυχολογία, την εγκληματολογία και τις εγκληματολογικές επιστήμες.

Παράλληλα, ιδιαίτερη σημασία έχει αποκτήσει η Structured Professional Judgment (SPJ), σύμφωνα με την οποία η λήψη αποφάσεων βασίζεται στη συνδυαστική αξιολόγηση εμπειρικών δεδομένων, επιστημονικής γνώσης και επαγγελματικής κρίσης αντί σε διαισθητικές εκτιμήσεις (Douglas & Reeves, 2010).

Η τεχνητή νοημοσύνη έρχεται να ενισχύσει αυτή τη διαδικασία, λειτουργώντας ως εργαλείο υποστήριξης της ανάλυσης και όχι ως αυτόνομος μηχανισμός λήψης αποφάσεων.

Τι μπορεί πραγματικά να κάνει η Τεχνητή Νοημοσύνη;

Παρά τη μεγάλη δημοσιότητα που έχει λάβει η AI, εξακολουθούν να υπάρχουν αρκετές παρανοήσεις σχετικά με τις πραγματικές δυνατότητές της.

Ένα σύστημα τεχνητής νοημοσύνης δεν «διαβάζει σκέψεις», δεν πραγματοποιεί ψυχολογική αξιολόγηση και δεν μπορεί να διαγνώσει ψυχικές διαταραχές. Αυτό που κάνει είναι να εντοπίζει στατιστικά πρότυπα μέσα σε μεγάλα σύνολα δεδομένων και να υπολογίζει πιθανότητες εμφάνισης συγκεκριμένων χαρακτηριστικών με βάση τα δεδομένα εκπαίδευσής του (Russell & Norvig, 2021).

Με άλλα λόγια, η AI δεν κατανοεί την ανθρώπινη συμπεριφορά όπως ένας ψυχολόγος. Αναγνωρίζει επαναλαμβανόμενες κανονικότητες οι οποίες ενδέχεται να παρουσιάζουν ερευνητικό ενδιαφέρον.

Ανάλυση κειμένου μέσω Natural Language Processing

Η επεξεργασία φυσικής γλώσσας αποτελεί έναν από τους πλέον ανεπτυγμένους τομείς εφαρμογής της τεχνητής νοημοσύνης στη διερεύνηση εγκλημάτων.

Αλγόριθμοι NLP μπορούν να αναλύσουν χιλιάδες μηνύματα, emails ή απομαγνητοφωνημένες συνομιλίες, εντοπίζοντας μεταβολές στη γλωσσική συμπεριφορά, στο συναισθηματικό περιεχόμενο και στη δομή του λόγου (Jurafsky & Martin, 2025).

Ενδεικτικά, μπορούν να αναγνωριστούν:

• αυξημένη χρήση επιθετικού ή απειλητικού λεξιλογίου,
• μεταβολές στο συναισθηματικό ύφος,
• γλωσσικές ασυνέπειες,
• αλλαγές στην πολυπλοκότητα του λόγου,
• επαναλαμβανόμενα μοτίβα επικοινωνίας,
• πιθανές ενδείξεις χειριστικής ή εξαναγκαστικής γλώσσας.

Η γλωσσική ανάλυση έχει χρησιμοποιηθεί και στην έρευνα για την εξαπάτηση. Ωστόσο, οι ίδιοι οι ερευνητές επισημαίνουν ότι κανένας μεμονωμένος γλωσσικός δείκτης δεν μπορεί να θεωρηθεί αξιόπιστος δείκτης ψεύδους. Η αξιολόγηση πρέπει να βασίζεται στον συνδυασμό πολλών χαρακτηριστικών και στο ευρύτερο επικοινωνιακό πλαίσιο (Hancock et al., 2008· Kleinberg et al., 2018).

Ανάλυση φωνής και παραγλωσσικών χαρακτηριστικών

Η ανάλυση φωνής αποτελεί επίσης έναν ιδιαίτερα ενεργό τομέα έρευνας.

Τα σύγχρονα υπολογιστικά συστήματα μπορούν να μετρήσουν αντικειμενικά χαρακτηριστικά όπως:

• τον ρυθμό ομιλίας,
• τη διάρκεια των παύσεων,
• τη μεταβολή της έντασης,
• την προσωδία,
• τη θεμελιώδη συχνότητα της φωνής,
• τις διακυμάνσεις στην ταχύτητα εκφοράς του λόγου.

Μεταβολές σε αυτές τις παραμέτρους ενδέχεται να σχετίζονται με αυξημένο γνωστικό φόρτο, έντονο στρες ή συναισθηματική διέγερση. Ωστόσο, η διεθνής βιβλιογραφία είναι σαφής ότι δεν υπάρχει κάποιο φωνητικό χαρακτηριστικό που να αποδεικνύει από μόνο του την εξαπάτηση ή την ενοχή ενός ατόμου (Vrij, 2008).

Επομένως, τα ευρήματα αυτά πρέπει να αντιμετωπίζονται ως ενδείξεις που απαιτούν περαιτέρω διερεύνηση και όχι ως αποδεικτικά στοιχεία.

Συμπεριφορικά χαρακτηριστικά και εγκληματική συμπεριφορά

Η εγκληματολογική ψυχολογία έχει αναδείξει σημαντικές στατιστικές συσχετίσεις μεταξύ ορισμένων ψυχολογικών χαρακτηριστικών και συγκεκριμένων μορφών παραβατικής συμπεριφοράς.

Η παρορμητικότητα, για παράδειγμα, έχει συνδεθεί με αυξημένη πιθανότητα βίαιων και αντιδραστικών συμπεριφορών, ιδιαίτερα όταν συνυπάρχουν δυσκολίες συναισθηματικής ρύθμισης και ελλιπής ανασταλτικός έλεγχος (Berkowitz, 1993· Mann et al., 1990).

Παράλληλα, χαρακτηριστικά όπως η μειωμένη ενσυναίσθηση, η χειριστικότητα και τα callous-unemotional traits έχουν μελετηθεί εκτενώς στο πλαίσιο της σοβαρής αντικοινωνικής συμπεριφοράς και της ψυχοπάθειας (Hare, 2003).

Αντίστοιχα, τα οικονομικά εγκλήματα χαρακτηρίζονται συχνότερα από υψηλό βαθμό σχεδιασμού, στρατηγικής εξαπάτησης και εκμετάλλευσης της εμπιστοσύνης των θυμάτων, ενώ οι οργανωμένες εγκληματικές ομάδες λειτουργούν συνήθως μέσα σε αυστηρές ιεραρχικές δομές και πολύπλοκα δίκτυα συνεργασίας (Gottschalk, 2017).

Είναι ιδιαίτερα σημαντικό, ωστόσο, να διευκρινιστεί ότι οι συσχετίσεις αυτές αφορούν πληθυσμούς και όχι μεμονωμένα άτομα. Η παρουσία ενός χαρακτηριστικού, όπως η παρορμητικότητα ή η χειριστικότητα, δεν επιτρέπει την εξαγωγή συμπερασμάτων σχετικά με την εγκληματική συμπεριφορά ενός συγκεκριμένου προσώπου. Η σύγχρονη επιστημονική προσέγγιση απορρίπτει τις απλουστευτικές ερμηνείες και αντιμετωπίζει τα συμπεριφορικά χαρακτηριστικά ως παράγοντες που συμβάλλουν στην κατανόηση μιας υπόθεσης μόνο όταν αξιολογούνται σε συνδυασμό με όλα τα διαθέσιμα αποδεικτικά στοιχεία.

Ηθικά ζητήματα και περιορισμοί

Η ενσωμάτωση της τεχνητής νοημοσύνης στις εγκληματολογικές έρευνες συνοδεύεται από σημαντικές επιστημονικές, νομικές και ηθικές προκλήσεις.

Ένα βασικό ζήτημα αφορά τα ψευδώς θετικά αποτελέσματα (false positives), δηλαδή περιπτώσεις στις οποίες ένα σύστημα επισημαίνει λανθασμένα μια φυσιολογική συμπεριφορά ως ύποπτη. Αντίστοιχα, οι αλγόριθμοι μπορεί να εμφανίζουν μεροληψία (algorithmic bias) όταν έχουν εκπαιδευτεί σε μη αντιπροσωπευτικά δεδομένα, οδηγώντας σε συστηματικά σφάλματα εις βάρος συγκεκριμένων ομάδων (National Institute of Standards and Technology [NIST], 2023).

Εξίσου κρίσιμο είναι το ζήτημα της ερμηνευσιμότητας (Explainable AI). Σε εφαρμογές που επηρεάζουν ποινικές διαδικασίες, οι επαγγελματίες πρέπει να μπορούν να κατανοούν γιατί ένα σύστημα κατέληξε σε ένα συγκεκριμένο αποτέλεσμα. Η χρήση αδιαφανών μοντέλων («black-box models») δυσχεραίνει τον επιστημονικό έλεγχο, τη λογοδοσία και τη δικαστική αξιολόγηση των ευρημάτων.

Η Ευρωπαϊκή Ένωση αναγνωρίζει τις προκλήσεις αυτές μέσω του Κανονισμού (ΕΕ) 2024/1689 (AI Act), ο οποίος κατατάσσει πολλές εφαρμογές τεχνητής νοημοσύνης που χρησιμοποιούνται από τις αρχές επιβολής του νόμου ως συστήματα υψηλού κινδύνου. Ο Κανονισμός προβλέπει αυξημένες απαιτήσεις για ανθρώπινη εποπτεία, διαφάνεια, τεκμηρίωση, αξιολόγηση κινδύνου και προστασία των θεμελιωδών δικαιωμάτων (European Union, 2024).

Το μέλλον της Δικαστικής Ψυχολογίας στην εποχή της τεχνητής νοημοσύνης

Η επόμενη γενιά εφαρμογών αναμένεται να βασίζεται σε πολυτροπικά (multimodal) συστήματα, τα οποία θα συνδυάζουν πληροφορίες από κείμενο, φωνή, εικόνα και βίντεο. Η ολοκληρωμένη ανάλυση λεκτικών, παραγλωσσικών και μη λεκτικών δεικτών ενδέχεται να προσφέρει πληρέστερη εικόνα της ανθρώπινης συμπεριφοράς, ιδιαίτερα σε σύνθετες υποθέσεις.

Παρά τις τεχνολογικές εξελίξεις, η τεχνητή νοημοσύνη δεν αναμένεται να αντικαταστήσει τον δικαστικό ψυχολόγο ή τον εγκληματολόγο. Η επιστημονική ερμηνεία της συμπεριφοράς απαιτεί κατανόηση του κοινωνικού, πολιτισμικού και ανακριτικού πλαισίου, στοιχεία που δεν μπορούν να αποτυπωθούν πλήρως από έναν αλγόριθμο. Ο ρόλος της AI είναι να λειτουργεί ως εργαλείο υποστήριξης της ανθρώπινης κρίσης, επιταχύνοντας την ανάλυση σύνθετων δεδομένων και αναδεικνύοντας πληροφορίες που διαφορετικά θα μπορούσαν να παραμείνουν αδιάκριτες.

Συμπέρασμα

Η τεχνητή νοημοσύνη αποτελεί μία από τις σημαντικότερες τεχνολογικές εξελίξεις που επηρεάζουν σήμερα τη Δικαστική Ψυχολογία και την ψηφιακή εγκληματολογία. Η δυνατότητα ταχείας ανάλυσης μεγάλου όγκου δεδομένων, σε συνδυασμό με επιστημονικά τεκμηριωμένα μοντέλα συμπεριφοράς, μπορεί να ενισχύσει ουσιαστικά την υποστήριξη των ερευνών.

Ωστόσο, η AI δεν μπορεί να αποδώσει προθέσεις, να διαγνώσει ψυχολογικά χαρακτηριστικά ή να αποφανθεί για την ενοχή ενός ατόμου. Τα αποτελέσματά της αποτελούν αναλυτικές ενδείξεις και όχι αποδείξεις. Η αξιόπιστη ερμηνεία τους προϋποθέτει ανθρώπινη εποπτεία, επιστημονική γνώση και συνεκτίμηση όλων των διαθέσιμων στοιχείων της υπόθεσης.

Η μελλοντική πρόοδος του πεδίου δεν θα εξαρτηθεί μόνο από την ανάπτυξη πιο ισχυρών αλγορίθμων, αλλά κυρίως από τη συνεργασία μεταξύ ειδικών στην τεχνητή νοημοσύνη, δικαστικών ψυχολόγων, εγκληματολόγων, νομικών και επαγγελματιών της ψηφιακής εγκληματολογίας. Μόνο μέσα από αυτή τη διεπιστημονική προσέγγιση μπορεί η τεχνολογία να αξιοποιηθεί με τρόπο που να ενισχύει την αποτελεσματικότητα των ερευνών, διατηρώντας παράλληλα την επιστημονική εγκυρότητα, τη διαφάνεια και τον σεβασμό των θεμελιωδών δικαιωμάτων.

Βιβλιογραφία

Berkowitz, L. (1993). Aggression: Its causes, consequences, and control. McGraw-Hill.

Casey, E. (2019). Digital Evidence and Computer Crime (3rd ed.). Academic Press.

Douglas, K. S., & Reeves, K. A. (2010). Historical-Clinical-Risk Management-20 (HCR-20) violence risk assessment scheme. In R. K. Otto & K. S. Douglas (Eds.), Handbook of Violence Risk Assessment (pp. 147–185). Routledge.

European Union. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act).

Gottschalk, P. (2017). Understanding White-Collar Crime. CRC Press.

Hancock, J. T., Curry, L. E., Goorha, S., & Woodworth, M. (2008). On lying and being lied to: A linguistic analysis of deception in computer-mediated communication. Discourse Processes, 45(1), 1–23. https://doi.org/10.1080/01638530701739181

Hare, R. D. (2003). Manual for the Revised Psychopathy Checklist (2nd ed.). Multi-Health Systems.

Jurafsky, D., & Martin, J. H. (2025). Speech and Language Processing (3rd ed., draft). Stanford University.

Kleinberg, B., Mozes, M., Arntz, A., & Verschuere, B. (2018). Using named entities for computer-automated verbal deception detection. Journal of Forensic Sciences, 63(3), 714–723. https://doi.org/10.1111/1556-4029.13631

Mann, J. J., Waternaux, C., Haas, G. L., & Malone, K. M. (1990). Toward a clinical model of suicidal behavior in psychiatric patients. American Journal of Psychiatry, 156(2), 181–189.

Meloy, J. R., & Hoffmann, J. (Eds.). (2021). International Handbook of Threat Assessment (2nd ed.). Oxford University Press.

National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). U.S. Department of Commerce.

Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

Snook, B., Eastwood, J., Gendreau, P., Goggin, C., & Cullen, R. M. (2008). Taking stock of criminal profiling: A narrative review and meta-analysis. Criminal Justice and Behavior, 35(10), 1257–1276.

Turvey, B. E. (2012). Criminal Profiling: An Introduction to Behavioral Evidence Analysis (4th ed.). Academic Press.

Vrij, A. (2008). Detecting Lies and Deceit: Pitfalls and Opportunities (2nd ed.). Wiley.