该论文关注移动智能设备上儿童面临的在线风险——诱骗(grooming)、诱导性消费与金融诈骗等，这些风险往往嵌套在合规正常的应用内部，而非来自明显恶意程序。作者指出，当前主流做法是「自动化预防与检测」范式，无论是基于规则还是基于 AI 模型，都受制于固有的不可靠性：误报与漏报无法根除，一旦漏报，后果由儿童承担。因此论文主张引入一种互补的、human-in-the-loop(人工介入)的事后取证范式，并据此提出 GUIAuditor——据作者称是首个实现该设想的系统。 GUIAuditor 的核心概念是「GUI Provenance(界面来源溯源)」：把儿童在移动端的交互过程转化为可查询、带语义的交互记录。技术上，系统利用多模态大语言模型(MLLM)将按时间排列的 GUI 事件序列翻译成人类可读的叙事描述，使监护人能够像阅读「事件回放」一样理解发生了什么。为让该方案在手机端可行，论文提出一条证据蒸馏(evidence distillation)流水线：相比业界常用的周期性采样做法，可将需要送入模型分析的数据量削减 89.2% 以上，而准确率损失可忽略，从而显著降低算力与功耗压力。 评估方面，作者构建了包含 295 段交互片段的新数据集。GUIAuditor 在「记录关键事件」任务上取得 95.23% 的 Macro-F1；其两阶段取证查询引擎在超过 90.20% 的自然语言提问中，能把正确证据检索到首位(top-1)，说明监护人用自然语言追问「孩子刚才和谁聊了什么」这类问题具备可用性。端到端测试在三款现代智能手机上完成，完整流水线(含端侧 MLLM 推理)额外带来约 2.1W 功耗、每事件 7.4 秒延迟，峰值内存约 3.1GB。 结论是：事后 GUI 取证在当代移动设备上已具备实际运行可行性，可为监护人主导的安全复核提供有效上下文，是自动化拦截之外的一条补充路径。论文适合移动安全、儿童保护、端侧 AI/隐私计算以及数字取证方向的研究者与工程师阅读。