Telefonbedrägerier (vishing) utgör ett växande problem i dagens digitala samhällen och bedragare utvecklar ständigt nya metoder för att undgå upptäckt. Befintliga motåtgärder som används idag är ofta otillräckliga, vilket motiverar behovet av alternativa tillvägagångssätt. Detta arbete undersöker huruvida sentimentanalys kan användas för att särskilja bedrägerisamtal från vanliga samtal, baserat på hypotesen att bedrägerisamtal uppvisar större sentimentfluktuationer till följd av bedragares manipulativa retoriska tekniker. Två sentimentanalysverktyg tillämpades: det lexikon och regelbaserade verktygen VADER samt den djupinlärningsbaserade och förtränade modellen Twitter-RoBERTa. Verktygen analyserade totalt 60 samtalstranskript bestående av 30 bedrägerisamtal och 30 vanliga samtal, på både menings- och repliknivå. Resultaten visar att det i flera fall går att visuellt urskilja bedrägerisamtal genom sentimentfluktuationer och vissa statistiska tester pekar på signifikanta skillnader mellan samtalstyperna. Samtidigt framkom motsägelsefulla resultat, vilket kan antyda att sentimentanalys ensamt inte är ett tillräckligt tillförlitligt verktyg för att kunna identifiera bedrägerisamtal. Fynden från detta arbete bidrar till insikter inom ett outforskat område av sentimentanalys som kan ligga till grund för vidare forskning kring bedrägeridetektion.   Nyckelord: telefonbedrägeri, sentimentanalys, VADER, RoBERTa  

Phone fraud (vishing) constitutes a growing threat in today’s digital societies, with fraudsters constantly developing new methods to evade detection. Existing countermeasures are often insufficient, motivating the need for alternative approaches. This study investigates whether sentiment analysis can be used to distinguish fraudulent calls from regular calls, based on the hypothesis that fraudulent calls exhibit greater sentiment fluctuations due to fraudsters known manipulative rhetorical techniques. Two sentiment analysis tools were applied: the lexicon- and rule-based tool VADER and the deep learning-based, pre-trained model Twitter-RoBERTa. The tools were used to analyse a total of 60 phone call transcripts consisting of 30 fraudulent calls and 30 regular calls, on both sentence- and utterance-level. The results show that in several cases, fraudulent calls can be visually identified through their sentiment fluctuations, and certain statistical tests indicate significant differences between the call types. However, conflicting results also emerged, suggesting that sentiment analysis alone may not be a sufficiently reliable tool for identifying fraudulent calls. The findings from this study contributes new insights in an unexplored area of sentiment analysis which can lay the foundation for further research in fraud detection. Keywords: phone fraud, sentiment analysis, VADER, RoBERTa