Detecting deception in event narratives: the analysis of response latencies and error rates to unexpected questions.
본 연구는 예상치 못한 질문에 대한 반응 지연 시간과 오류율을 분석하는 것이 머신러닝을 통한 높은 분류 정확도를 달성함으로써 자전적 사건에 대해 정직한 화자와 기만적인 화자를 효과적으로 구별할 수 있음을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
인간은 거짓말을 알아채는 데 매우 서툽니다. 일상적인 대화에서 우리는 동전 던지기를 할 때와 다를 바 없이 약 절반 정도의 확률로만 정답을 맞힙니다. 이러한 한계는 증언이 유일한 증거가 되는 경우가 많은 수사 기관과 법정에서 심각한 문제를 야기합니다. 수십 년 동안 연구자들은 거짓을 말할 때 뇌가 어떻게 작동하는지를 살펴봄으로써 기만을 포착할 더 나은 방법을 찾기 위해 노력해 왔습니다. 지배적인 아이디어는 거짓말을 하는 것이 진실을 말하는 것보다 더 많은 정신적 노력을 필요로 한다는 것입니다. 사람이 이야기를 꾸며낼 때, 그들의 뇌는 세부 사항을 만들어내고, 그것들이 일관성을 갖는지 확인하며, 진실을 억제하는 동시에 자연스럽게 들리도록 노력해야 합니다. '인지 부하'라고 알려진 이 추가적인 정신적 작업은 흔적을 남기곤 합니다. 즉, 답변하는 데 시간이 더 오래 걸리거나, 실수를 하거나, 모호한 답변을 내놓게 됩니다. 그러나 이 방법에는 결함이 있습니다. 만약 거짓말쟁이가 사전에 이야기를 충분히 연습했다면, 그들은 이야기를 빠르고 매끄럽게 암송하여 시스템을 속일 수 있습니다. 이를 해결하기 위해 과학자들은 "예상치 못한 질문"이라는 기법을 개발했습니다. 인터뷰어가 준비된 이야기의 주요 지점에 대해 질문하는 대신, 거짓말쟁이가 미처 기억해 두지 못한 세부 사항에 대해 질문하는 것입니다. 이는 기만자가 현장에서 새로운 정보를 즉석에서 만들어내도록 강요하는 반면, 정직한 사람은 단순히 자신의 실제 경험을 기억 속에서 꺼내오게 만듭니다.
이탈리아 파도바 대학교의 연구팀은 최근 실제 수사 인터뷰를 모방하도록 설계된 통제된 환경에서 이 기법을 시험했습니다. 그들은 60명의 자원봉사자를 모집하여 두 그룹으로 나누었습니다. 첫 번째 그룹인 정직한 참가자들은 자신이 실제로 다녀온 가장 최근의 당일 여행에 대해 설명하도록 요청받았습니다. 그들은 자신의 실제 경험에 대한 구체적인 세부 사항을 회상해야 했습니다. 두 번째 그룹인 기만적 참가자들은 당일 여행에 관한 짧은 글을 제공받았고, 그것을 완벽하게 암기하도록 요청받았습니다. 그들은 이 이야기가 자신의 실제 기억인 것처럼 행동하라는 지시를 받았습니다. 두 그룹 모두 모두 음성이 녹음되는 인터뷰에 참여하여 일련의 질문에 답했습니다. 어떤 질문들은 "몇 시에 일어났습니까?"와 같이 표준적이고 예상 가능한 질문이었습니다. 다른 질문들은 "지금 어느 도시에 있습니까?"와 같이 인터뷰 자체에 관한 통제 질문이었습니다. 결정적인 질문은 "목적지에 도착하는 데 시간이 얼마나 걸렸습니까?"와 같은 예상치 못한 질문들이었습니다. 이 질문들은 거짓말쟁이를 당황하게 만들기 위해 설계되었습니다. 연구진은 세 가지를 측정했습니다: 질문을 받은 후 말을 시작할 때까지 걸린 시간, 오답을 말한 횟수, 그리고 기술적으로는 맞지만 모호하거나 불완전한 답변을 한 횟수입니다.
결과는 명확한 차이를 보여주었으나, 이는 오직 예상치 못한 질문을 했을 때만 나타났습니다. 준비하지 않은 세부 사항에 대해 질문을 받았을 때, 당일 여행에 대해 거짓말을 하는 사람들은 정직한 사람보다 답변하는 데 훨씬 더 오랜 시간이 걸렸습니다. 그들은 또한 훨씬 더 많은 실수를 저질렀고 더 모호한 답변을 내놓았습니다. 정직한 그룹의 경우, 예상치 못한 질문이 예상된 질문보다 더 어렵기는 했지만, 시간 지연과 오류의 증가 폭은 훨씬 작았습니다. 연구진은 거짓말쟁이들이 자신의 가짜 이야기에 부합하면서도 나머지 서사의 일관성을 유지하기 위해 새로운 세부 사항을 만들어내야 했기 때문에 어려움을 겪는다는 것을 발견했습니다. 이 추가적인 정신적 작업이 그들을 느리게 만들고 실수하게 만든 것입니다. 반면, 정직한 사람들은 단순히 자신의 기억을 더듬고 있었는데, 이는 다른 종류의 정신적 과업이긴 하지만 즉석에서 무언가를 구축해야 하는 것과는 달랐습니다. 연구진은 또한 참가자들에게 질문이 얼마나 어렵다고 느꼈는지 물었습니다. 거짓말쟁이들은 정직한 사람들보다 예상치 못한 질문을 훨씬 더 어렵다고 평가했으며, 이는 그들이 추가적인 부담을 느꼈음을 확인시켜 주었습니다.
이러한 발견이 실제 사건에서 거짓말쟁이를 식별하는 데 사용될 수 있는지 확인하기 위해, 연구진은 데이터를 분석하는 데 컴퓨터 알고리즘을 사용했습니다. 그들은 응답 시간, 오류율, 모호성 점수를 머신러닝 모델에 입력했습니다. 컴퓨터가 한 개인의 전체 답변 패턴을 살펴보았을 때, 정직한 그룹과 기만적인 그룹을 매우 높은 정확도로 구별해 낼 수 있었으며, 대다수의 거짓말쟁이를 올바르게 식별했습니다. 그러나 컴퓨터가 단일 답변을 독립적으로 판단하려고 할 때는 신뢰도가 훨씬 낮아져, 거짓말을 놓치거나 정직한 사람을 잘못 몰아세우는 경우가 많았습니다. 이는 이는 단 한 번의 망설임이 기만을 입증하기에는 부족하며, 여러 질문에 걸친 전반적인 행동 패턴이 진실을 드러낸다는 것을 시사합니다. 연구진은 또한 간단한 규칙을 테스트했습니다: 만약 어떤 사람의 예상치 못한 질문에 대한 평균 답변 시간이 다른 질문들에 대한 평균 시간보다 특정 초 단위의 분수만큼 더 느리다면, 그 사람은 거짓말을 하고 있을 가능성이 높다는 규칙이었습니다. 이 규칙은 거짓말쟁이를 잡아내는 데는 효과적이었지만 많은 정직한 사람들도 용의자로 지목했기에, 단독으로 사용하기에는 오경보(false alarm)가 너무 잦았습니다.
이 연구는 기만이 어떻게 작동하는지 이해하는 데 있어 유망한 새로운 도구를 제공하지만, 저자들은 그 한계를 주의 깊게 언급하고 있습니다. 실험은 실제 형사 수사와 달리 거짓말의 결과가 미미한 낮은 이해관계의 환경에서 진행되었습니다. 연구의 거짓말쟁이들은 단순히 이야기를 암기한 것이었으나, 실제 거짓말쟁이들은 종종 자신의 삶 속에 복잡한 허구를 엮어내야 합니다. 더욱이, 본 연구는 단 한 명의 인터뷰어와 코더에게 의존했기에 편향이 개입되었을 수 있으며, 참가자들은 대부분 대학생들로 일반 인구를 대표하기 어려울 수 있습니다. 이러한 제한점에도 불구하고, 이번 연구 결과는 예상치 못한 질문을 던지는 것이 거짓말쟁이의 인지 부하를 높여 기만을 유지하기 어렵게 만드는 강력한 방법임을 시사합니다. 연구는 단 하나의 테스트도 완벽할 수는 없지만, 응답 시간과 오류율을 결합하고 컴퓨터 분석을 활용한다면 궁극적으로 조사관들이 인간의 직관이 놓치는 거짓말을 포착하는 데 도움이 될 수 있음을 보여줍니다. 이 연구는 인터뷰가 단순히 사실을 수집하는 것을 넘어, 화자의 정신을 부드럽게 압박하여 망설임과 오류라는 단순하고 측정 가능한 징후를 통해 숨겨진 거짓의 노력을 드러내는 방향으로 나아가야 함을 시사합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.