时间线分析
作者：Seme 研究团队 · 更新于 2026-05-22
定义
时间线分析是将发现的事实按时间顺序组织以创建被调查对象生活事件的连贯叙述的过程。在身份调查中，时间线分析将来自多个来源的分散数据点转换为结构化的时间序列，帮助调查人员识别可能需要进一步调查的空白、不一致和模式。构建良好的时间线包括有日期的事件（就业开始/结束、入学/毕业、出版日期、旅行事件）、每个事件的来源引用和置信度指标。时间线分析对于验证不在场证明、检测伪造（不符合时间线的事件）和识别无法解释的活动或不活动时期特别有价值。
工作原理
时间线构建遵循四阶段流程。阶段 1 — 事件提取：NLP 模型解析收集的证据以识别带时间戳的事件（就业记录、出版日期、带时间戳的社交媒体帖子、旅行记录）。阶段 2 — 规范化：将日期转换为标准格式，解决模糊日期（"2020 年初"→"2020-Q1"），处理不同的日历系统。阶段 3 — 排序：按时间顺序排列事件并识别重叠、空白和并行活动。阶段 4 — 分析：标记异常（超过 6 个月的空白、不同地点的就业重叠、不可能的日期组合）并为无法解释的时期生成调查问题。
示例
为求职者构建时间线揭示：2015-2018 年：A 公司软件工程师（E1 — 人力资源记录）。2018-2019 年：6 个月空白（标记调查）。2019-2022 年：B 公司高级工程师（E1 — LinkedIn + 公司记录）。2022 年至今：C 初创公司 CTO（E2 — 新闻稿）。分析标记：A 公司和 B 公司之间的 6 个月空白（候选人声称"旅行"但没有社交媒体帖子佐证），以及 C 初创公司在候选人声称加入前 3 个月成立（潜在的创立日期差异）。
应用场景
- •招聘决策的就业历史验证
- •法律调查的不在场证明验证
- •尽职调查的活动模式分析
- •法律程序的按时间顺序证据呈现
关键数据
| 指标 | 数值 | 来源 |
|---|---|---|
| 事件类别 | 6+ types | Seme schema |
| 空白检测阈值 | 6 months | Analysis config |
| 异常检测准确率 | 91% | Internal benchmarks |
| 时间线分辨率 | Day-level precision | Seme methodology |
相关术语
平台数据
15-20
来源/调查
78%
平均信任分
25+
术语定义
10-30 min
调查时间