Detecting deception in event narratives: the analysis of response latencies and error rates to unexpected questions.
本研究は、予期せぬ質問に対する反応潜時と誤答率を分析することが、自伝的事象の誠実な語り手と欺瞞的な語り手を効果的に区別できることを示しており、機械学習を通じて高い分類精度を達成している。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
人間は嘘を見抜くことが驚くほど苦手である。日常会話において、私たちが正解を導き出せる確率は約半分であり、コイン投げで決めるのと大差ない。この限界は、証言が唯一の手がかりとなることも多い捜査官や裁判所にとって、深刻な問題を生じさせている。数十年にわたり、研究者たちは、嘘をついている時の脳の働きを調べることで、欺瞞を見破るより優れた方法を見つけ出そうと試みてきた。有力な説は、嘘をつくことは真実を話すよりも多くの精神的努力を必要とするというものである。人が作り話をする際、その脳は詳細を考案し、それらが一貫しているかを確認し、さらに自然に聞こえるように努めながら、真実を抑制しなければならない。この「認知負荷」として知られる余分な精神的作業は、しばしば痕跡を残す。つまり、回答に時間がかかったり、間違いが増えたり、あるいは曖昧な回答をしたりするのである。しかし、この手法には欠点がある。もし嘘つきが事前に話を練習していた場合、その話を素早く滑らかに暗唱することができ、システムを欺いてしまう。これを解決するために、科学者たちは「予期せぬ質問（unexpected questions）」と呼ばれる技法を開発した。準備してきた物語の主要な点についてではなく、嘘つきが記憶しておくことを想定していなかった詳細について質問するのだ。これにより、欺瞞者はその場で新しい情報を構築することを強いられる一方で、正直な人は単に実際の経験を記憶の中から引き出すことになる。
イタリアのパドヴァ大学の研究チームは最近、実際の捜査インタビューを模した制御された環境の中で、この技法を検証した。彼らは60人のボランティアを集め、二人組のグループに分けた。第一のグループ（正直な参加者）には、実際に最近行った日帰り旅行について説明するよう求めた。彼らは自分自身の経験の具体的な詳細を想起しなければならなかった。第二のグループ（欺瞞的な参加者）には、日帰り旅行に関する短い文章を与え、それを完璧に暗記するように指示した。彼らは、その物語を自分自身の本当の記憶であるかのように振る舞うよう命じられた。両グループとも、録音されたインタビューを受け、一連の質問に回答した。質問の中には、「何時に起床しましたか？」といった標準的で予想されるものもあれば、「今、どの都市にいますか？」といったインタビュー自体に関するコントロール質問もあった。決定的な質問は、「目的地に到着するまでどのくらい時間がかかりましたか？」といった予期せぬ質問であった。これらは、嘘つきの不意を突くように設計されていた。研究者たちは、質問された後に話し始めるまでの時間、誤った回答をした頻度、そして技術的には正しいものの曖昧または不完全な回答をした頻度の3つの要素を測定した。
結果は、質問が予期せぬものだった場合にのみ、二つのグループ間に明確な差があることを示した。準備していなかった詳細について尋ねられた際、日帰り旅行について嘘をついていた人々は、正直な人々よりも回答に著しく時間を要した。彼らはまた、はるかに多くの間違いを犯し、より曖昧な回答を行った。正直なグループにとっても、予期せぬ質問は予想される質問よりも困難ではあったが、回答時間やエラーの増加幅ははるかに小さかった。研究者たちは、嘘つきたちが特に苦労したのは、物語の整合性を保ちながら新しい詳細を考案しなければならなかったためであることを見出した。この余分な精神的作業が彼らの動きを鈍らせ、ミスを引き起こしたのである。対照的に、正直な人々は単に自身の記憶を掘り起こしており、それは異なる種類の精神的作業ではあるものの、その場での構築を必要とするものではなかった。研究ではまた、参加者に質問がどの程度難しいと感じたかを尋ねた。嘘つきたちは、正直な人々よりも予期せぬ質問をはるかに難しいと評価しており、彼らが余分な負担を感じていたことが裏付けられた。
これらの知見を実際のケースで嘘を見抜くために利用できるかどうかを確認するため、研究者たちはコンピュータ・アルゴリズムを用いてデータを分析した。彼らは、反応時間、エラー率、および曖昧さのスコアを機械学習モデルに投入した。コンピュータが一人ひとりの回答の全パターンを分析したとき、正直なグループと欺瞞的なグループを非常に高い精度で区別し、大多数の嘘つきを正しく特定することができた。しかし、コンピュータが単一の回答を個別に判断しようとした場合、信頼性は大幅に低下し、嘘を見逃したり、正直な人を誤って告発したりすることが頻繁にあった。このことは、一瞬の躊躇だけでは欺瞞を証明するには不十分であり、多くの質問にわたる行動の全体的なパターンこそが真実を明らかにするということを示唆している。研究者たちはまた、ある単純なルールをテストした。もしある人の予期せぬ質問への平均回答時間が、他の質問への平均回答時間よりも特定の秒数以上遅い場合、その人は嘘をついている可能性が高いというルールである。このルールは嘘つきを捕まえる上ではうまく機能したが、多くの正直な人々をも容疑者としてフラグを立ててしまったため、単独で使用するには誤検知（誤報）が多すぎた。
この研究は、欺瞞の仕組みを理解するための有望な新しいツールを提供しているが、著者らはその限界についても慎重に注記している。実験は、実際の犯罪捜査におけるような強大なプレッシャーとは異なり、嘘をつくことによる代償が最小限である低リスクの環境で行われた。研究における嘘つきは単に物語を暗記していただけであり、実際の嘘つきはしばしば自身の生活の中に複雑な虚偽を織り交ぜるものである。さらに、研究は単一のインタビュアーとコーダーに依存しており、それがバイアスをもたらした可能性があり、また参加者は主に大学生であり、一般の人々を代表していない可能性がある。こうした限界はあるものの、本研究の結果は、予期せぬ質問を行うことが嘘つきへの精神的負荷を高める強力な方法であり、その欺瞞を維持することを困難にするということを示唆している。研究は、単一のテストで完璧なものは存在しないが、反応時間にエラー率を組み合わせ、コンピュータ分析を用いることで、最終的には人間の直感が逃してしまう嘘を見抜く助けになることを示している。この研究は、インタビューが単に事実を集めるためのものではなく、話し手の精神を穏やかに追い込み、躊躇やエラーという単純で測定可能な兆候を通じて、隠された嘘の努力を明らかにするものへと向かう未来を示唆している。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。