L’analisi delle informazioni nelle indagini criminali è oggi una sfida cruciale per le forze di polizia. Con l’enorme mole di dati raccolti, dalle interviste alle prove digitali, gli investigatori devono adottare metodi strutturati e strumenti di intelligenza artificiale per identificare connessioni rilevanti, ridurre errori e migliorare l’efficacia delle indagini.
L’IA e la lotta al sovraccarico informativo nelle indagini criminali.
Un nuovo studio norvegese propone un quadro di riferimento per gestire il caos dei dati investigativi e traccia una via forward con metodi computazionali.
In un’era di volume di dati senza precedenti, le forze di polizia di tutto il mondo affrontano una sfida cruciale: come analizzare in modo efficiente ed efficace l’enorme quantità di informazioni raccolte durante le indagini criminali. Un recente articolo di ricerca, “Analisi delle informazioni nelle indagini criminali: metodi, sfide e opportunità computazionali nell’elaborazione di testo non strutturato”, pubblicato su Policing: A Journal of Policy and Practice (Skipanes et al., 2025), affronta proprio questo problema, proponendo un quadro innovativo e mappando le opportunità offerte dall’Intelligenza Artificiale (IA).
Il Problema: il paradosso del “sovraccarico informativo”
Gli autori, Mads Skipanes, Gianluca Demartini, Katrin Franke e Alf Bernt Nissen, aprono il loro lavoro con una potente analogia: la Biblioteca di Babele di Jorge Luis Borges. In questa storia, i bibliotecari impazziscono perché, nonostante abbiano accesso a tutti i libri mai scritti, non riescono a trovare nulla di significativo a causa della schiacciante mole di informazioni. Questo, sostengono gli autori, è esattamente ciò che accade nelle indagini criminali complesse: gli investigatori raccolgono vasti archivi di dati, che sono spesso incompleti, ambigui e potenzialmente ingannevoli, rischiando di perdere tracce cruciali nel caos (Heuer e Pherson, 2015).
Attraverso un’analisi di 742.135 attività investigative della Polizia norvegese, lo studio identifica le fonti primarie di informazioni:
- Interviste (30% di tutte le attività, spesso in forma di testo non strutturato).
- Prove digitali (20% di tutte le attività), che includono:
- Telefoni cellulari (36,17%)
- Videosorveglianza (22,03%)
- Dati di telecomunicazione (19,52%)
- Social media e profili utente (9,98%)
La sfida principale è che l’analisi di questi dati, in particolare del testo non strutturato, è ancora un processo prevalentemente manuale, che porta ad alti costi delle risorse, errori umani e potenziale omissione di connessioni critiche (Skipanes et al., 2023).
La soluzione proposta: un nuovo quadro per l’analisi delle informazioni
Il contributo centrale dello studio è un nuovo quadro di riferimento basato sull’esperienza per l’analisi delle informazioni, derivato dalle pratiche del Servizio Nazionale per le Indagini Criminali norvegese (Kripos). Questo quadro è progettato per colmare il divario tra i metodi investigativi accademici e il lavoro di polizia pratico ed esplorativo.
Esso consiste in tre processi fondamentali:
- Tematizzazione: organizzare le informazioni per scoprire schemi o temi attraverso l’interpretazione, spesso utilizzando il modello “5WH” (Cosa, Chi, Quando, Dove, Perché, Come – What, Who, When, Where, Why, How) (Fisher, 2003). Ad esempio, informazioni su una finestra rotta e un sasso verrebbero raggruppate sotto il tema “Come”.
- Categorizzazione: un processo più oggettivo di ordinamento delle informazioni in classi predefinite basate su un’ontologia per le indagini criminali sviluppata da Nissen (2019). Questo include entità come Persona, Oggetto, Veicolo, Luogo e Organizzazione.
- Esplorazione: una volta che le informazioni sono tematizzate e categorizzate in un database strutturato, gli investigatori possono eseguire un’Analisi Esplorativa dei Dati (EDA). Ciò implica interrogare il database da diverse prospettive (temporale, relazionale) per rivelare nuove conoscenze e generare ipotesi, un processo che Tukey (1969) ha appropriatamente paragonato al lavoro investigativo.
Gli autori sostengono che questo quadro fornisca l’“anello mancante” tra i metodi consolidati di verifica delle ipotesi e la necessità di analisi esplorativa nelle fasi iniziali, spesso caotiche, di un’indagine.
Opportunità computazionali: l’IA come moltiplicatore di forza
La sezione più prospettica dell’articolo mappa i metodi computazionali all’avanguardia con le sfide della tematizzazione e categorizzazione. Gli autori si concentrano sull’Elaborazione del Linguaggio Naturale (NLP) per automatizzare l’analisi del testo non strutturato proveniente da interviste e prove digitali.
Per la Tematizzazione (Recupero delle Informazioni – IR), le opportunità includono:
- Generazione Aumentata dal Recupero (RAG): questo sistema di IA avanzato potrebbe agire come un “collaboratore” dell’investigatore, rispondendo a query complesse, riordinando le informazioni recuperate e persino suggerendo attività investigative, basandosi esclusivamente sul database del caso specifico per ridurre gli errori fattuali (Lewis et al., 2020).
- Similarità semantica: i modelli possono trovare testo con significato simile andando oltre il semplice abbinamento di parole chiave, aiutando a identificare connessioni che gli investigatori potrebbero perdere.
Per la Categorizzazione (Estrazione di Informazioni – IE), le tecnologie chiave sono:
- Riconoscimento di entità nominate (NER): i modelli di IA possono identificare ed estrarre automaticamente entità come persone, organizzazioni e luoghi dal testo. Gli autori notano che i modelli NER basati su BERT per i testi investigativi norvegesi raggiungono già una precisione superiore al 90% (Ørke, 2023).
- Estrazione di eventi e estrazione di relazioni: questi metodi identificano eventi specifici (es. “il testimone ha lasciato la casa”) e le relazioni tra entità (es. “John lavora per IBM”), popolando direttamente l’ontologia investigativa.
Raccomandazioni e avvertenze critiche
Lo studio conclude con raccomandazioni cruciali per una corretta implementazione dell’IA. Gli autori sottolineano che la tecnologia non è una bacchetta magica. Il successo dipende da:
- Spiegabilità e trasparenza: gli investigatori devono essere in grado di comprendere e discutere come gli strumenti di IA raggiungano le loro conclusioni.
- Nuove competenze e ruoli: le unità di polizia dovranno integrare data scientist, programmatori e sviluppatori (Schuilenburg e Soudijn, 2023).
- Infrastruttura IT moderna: gli autori notano che gli attuali sistemi nella Polizia norvegese sono spesso obsoleti e hanno una scarsa usabilità (Hasselknippe, 2024; Riksrevisjonen, 2024).
- Pensiero critico: gli investigatori devono mantenere le loro competenze fondamentali nel ragionamento abduttivo e nella verifica delle ipotesi, per mettere criticamente in discussione i risultati provenienti sia dagli umani sia dai computer.
Una via verso una polizia più efficace
Skipanes e colleghi presentano una visione convincente per il futuro delle indagini criminali. Combinando un quadro analitico strutturato e basato sull’esperienza con la potenza dell’IA, le forze dell’ordine possono passare dall’essere sopraffatte dalle informazioni all’essere potenziate da esse. Questa sinergia tra esperienza umana e potenza computazionale promette indagini criminali più efficienti, efficaci e approfondite, aiutando in ultima analisi il perseguimento della giustizia in un mondo digitale sempre più complesso.
Lumen Investigazioni è un’agenzia investigativa con sede a Milano, specializzata in indagini private, aziendali e penali basate su metodo scientifico e ricerca.