Detecting deception in event narratives: the analysis of response latencies and error rates to unexpected questions.
Diese Studie zeigt, dass die Analyse von Antwortlatenzen und Fehlerraten bei unerwarteten Fragen effektiv zwischen ehrlichen und täuschenden Erzählern autobiografischer Ereignisse unterscheiden kann, wobei durch maschinelles Lernen eine hohe Klassifizierungsgenauigkeit erreicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Menschen sind bemerkenswert schlecht darin, Lügen zu entlarven. Im alltäglichen Gespräch erraten wir die Wahrheit nur etwa die Hälfte der Zeit, nicht besser als beim Münzwurf. Diese Einschränkung schafft ein ernstes Problem für Ermittler und Gerichte, in denen Zeugenaussagen oft die einzige verfügbare Beweisquelle sind. Jahrzehntelang haben Forscher versucht, einen besseren Weg zu finden, Täuschung zu entlarven, indem sie untersuchen, wie das Gehirn arbeitet, wenn es lügt. Die vorherrschende Vorstellung ist, dass das Erzählen einer Lüge mehr geistige Anstrengung erfordert als das Erzählen der Wahrheit. Wenn eine Person eine Geschichte erfindet, muss ihr Gehirn Details erfinden, diese auf Konsistenz prüfen und die Wahrheit unterdrücken, während sie gleichzeitig versucht, natürlich zu klingen. Diese zusätzliche geistige Arbeit, bekannt als kognitive Belastung (cognitive load), hinterlässt oft eine Spur: Die Person braucht länger für eine Antwort, macht mehr Fehler oder gibt vage Antworten. Diese Methode hat jedoch einen Makel. Wenn ein Lügner seine Geschichte im Voraus geübt hat, kann er sie schnell und flüssig vortragen und so das System täuschen. Um dies zu lösen, entwickelten Wissenschaftler eine Technik namens „unerwartete Fragen“. Anstatt nach den Hauptpunkten einer Geschichte zu fragen, die die Person vorbereitet hat, stellt der Interviewer Fragen zu Details, an die der Lügner nie gedacht hat, um sie auswendig zu lernen. Dies zwingt den Betrüger dazu, innezuhalten und vor Ort neue Informationen aufzubauen, während eine ehrliche Person einfach in ihr Gedächtnis nach einer echten Erfahrung greift.
Ein Team von Forschern der Universität Padua in Italien testete diese Technik kürzlich in einem kontrollierten Setting, das ein echtes Ermittlungsinterview nachahmt. Sie versammelten sechzig Freiwillige und teilten sie in zwei Gruppen auf. Die erste Gruppe, die ehrlichen Teilnehmer, wurde gebeten, den jüngsten Tagesausflug zu beschreiben, den sie tatsächlich unternommen hatten. Sie mussten die spezifischen Details ihrer eigenen Erfahrung abrufen. Die zweite Gruppe, die täuschenden Teilnehmer, erhielt eine kurze, schriftliche Geschichte über einen Tagesausflug und wurde angewiesen, diese perfekt auswendig zu lernen. Ihnen wurde gesagt, sie sollten so tun, als sei diese Geschichte ihre eigene echte Erinnerung. Beide Gruppen nahmen anschließend an einem Audio-aufgezeichneten Interview teil, bei dem sie eine Reihe von Fragen beantworteten. Einige Fragen waren Standard und erwartet, wie zum Beispiel: „Um wie viel Uhr sind Sie aufgewacht?“ Andere waren Kontrollfragen zum Interview selbst, wie zum Beispiel: „In welcher Stadt befinden Sie sich?“ Die kritischen Fragen waren die unerwarteten, wie zum Beispiel: „Wie lange haben Sie gebraucht, um Ihr Ziel zu erreichen?“ Diese waren darauf ausgelegt, die Lügner unvorbereitet zu erwischen. Die Forscher maßen drei Dinge: wie lange es jeweils dauerte, bis eine Person nach einer Frage zu sprechen begann, wie oft sie die falsche Antwort gab und wie oft sie eine Antwort gab, die technisch korrekt, aber vage oder unvollständig war.
Die Ergebnisse zeigten einen deutlichen Unterschied zwischen den beiden Gruppen, aber nur bei den unerwarteten Fragen. Als sie nach Details gefragt wurden, die sie nicht vorbereitet hatten, brauchten die Menschen, die über ihren Tagesausflug lügten, signifikant länger für die Antwort als die ehrlichen Menschen. Sie machten auch viel mehr Fehler und gaben vager Antworten. Für die ehrliche Gruppe waren die unerwarteten Fragen ebenfalls schwieriger als die erwarteten, aber die Zunahme von Zeit und Fehlern war wesentlich geringer. Die Forscher fanden heraus, dass die Lügner speziell deshalb Schwierigkeiten hatten, weil sie neue Details erfinden mussten, die zu ihrer gefälschten Geschichte passten und gleichzeitig den Rest der Erzählung konsistent hielten. Diese zusätzliche geistige Arbeit verlangsamte sie und führte zu Fehlern. Im Gegensatz dazu griffen die ehrlichen Menschen einfach in ihre eigenen Erinnerungen, was eine andere Art der geistigen Aufgabe war, die jedoch nicht die gleiche Ebene des spontanen Konstruierens erforderte. Die Forscher fragten die Teilnehmer auch, wie schwierig sie die Fragen fanden. Die Lügner bewerteten die unerwarteten Fragen als viel schwieriger als die ehrlichen Menschen, was bestätigte, dass sie die zusätzliche Belastung spürten.
Um zu sehen, ob diese Erkenntnisse in einem echten Fall zur Identifizierung eines Lügners verwendet werden könnten, nutzten die Forscher Computer-Algorithmen, um die Daten zu analysieren. Sie speisten die Antwortzeiten, Fehlerraten und Vagheitswerte in ein Machine-Learning-Modell ein. Wenn der Computer das gesamte Antwortmuster einer einzelnen Person betrachtete, war er in der Lage, zwischen der ehrlichen und der täuschenden Gruppe mit sehr hoher Genauigkeit zu unterscheiden und die große Mehrheit der Lügner korrekt zu identifizieren. Wenn der Computer jedoch versuchte, eine einzelne Antwort isoliert zu beurteilen, war er viel weniger zuverlässig und übersah oft die Lüge oder beschuldigte eine ehrliche Person fälschlicherweise. Dies deutet darauf hin, dass ein einzelner Moment des Zögerns nicht ausreicht, um Täuschung zu beweisen; es ist das gesamte Verhaltensmuster über viele Fragen hinweg, das die Wahrheit offenbart. Die Forscher testeten auch eine einfache Regel: Wenn die durchschnittliche Antwortzeit einer Person bei den unerwarteten Fragen um mehr als einen spezifischen Bruchteil einer Sekunde langsamer war als ihre durchschnittliche Zeit für die anderen Fragen, war sie wahrscheinlich am Lügen. Diese Regel funktionierte gut, um Lügner zu überführen, markierte aber auch viele ehrliche Menschen als Verdächtige, was bedeutete, dass sie zu anfällig für Fehlalarme war, um allein verwendet zu werden.
Die Studie bietet ein vielversprechendes neues Werkzeug für das Verständnis darüber, wie Täuschung funktioniert, aber die Autoren geben sorgfältig auch deren Grenzen an. Das Experiment fand in einem Umfeld mit geringem Einsatz statt, in dem die Konsequenzen des Lügens minimal waren, anders als in einer echten strafrechtlichen Untersuchung, in der der Druck immens ist. Die Lügner in der Studie lernten lediglich eine Geschichte auswendig, während echte Lügner oft komplexe Unwahrheiten in ihr eigenes Leben einweben müssen. Zudem beruhte die Studie auf einem einzelnen Interviewer und Kodierer, was Bias (Voreingenommenheit) hätte einführen können, und die Teilnehmer waren überwiegend Universitätsstudenten, die möglicherweise nicht die allgemeine Bevölkerung repräsentieren. Trotz dieser Einschränkungen legen die Ergebnisse nahe, dass das Stellen unerwarteter Fragen eine wirkungsvolle Methode ist, um die kognitive Belastung eines Lügners zu erhöhen und seine Täuschung schwerer aufrechtzuerhalten. Die Forschung deutet darauf hin, dass, obwohl kein einzelner Test perfekt ist, die Kombination von Antwortzeiten mit Fehlerraten und die Verwendung von Computeranalysen schließlich helfen könnte, Investigatoren dabei, Lügen aufzuspüren, die die menschliche Intuition übersieht. Die Arbeit weist den Weg in eine Zukunft, in der Interviews nicht nur darauf ausgelegt sind, Fakten zu sammeln, sondern den Geist des Sprechers sanft zu stressen, um die verborgene Anstrengung einer Lüge durch die einfachen, messbaren Zeichen von Zögern und Fehlern zu enthüllen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.