Detecting deception in event narratives: the analysis of response latencies and error rates to unexpected questions.
Deze studie toont aan dat het analyseren van reactietijden en foutpercentages bij onverwachte vragen effectief onderscheid kan maken tussen eerlijke en misleidende vertellers van autobiografische gebeurtenissen, waarbij een hoge classificatienauwkeurigheid wordt bereikt door middel van machine learning.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Mensen zijn opmerkelijk slecht in het ontdekken van leugens. In alledaagse gesprekken raden we slechts ongeveer de helft van de tijd goed, niet beter dan bij het gooien van een muntje. Deze beperking creëert een serieus probleem voor onderzoekers en rechtbanken, waar getuigenissen vaak het enige beschikbare bewijs zijn. Decennialang hebben onderzoekers geprobeerd een betere manier te vinden om bedrog te ontmaskeren door te kijken naar hoe het brein werkt wanneer men liegt. Het heersende idee is dat het vertellen van een leugen meer mentale inspanning vereist dan het vertellen van de waarheid. Wanneer iemand een verhaal verzint, moet het brein details bedenken, deze controleren op consistentie en de waarheid onderdrukken, terwijl men tegelijkertijd probeert natuurlijk over te komen. Dit extra mentale werk, bekend als cognitieve belasting, laat vaak een spoor achter: de persoon doet er langer over om te antwoorden, maakt meer fouten of geeft vage reacties. Deze methode heeft echter een gebrek. Als een leugenaar zijn verhaal vooraf heeft ingestudeerd, kan hij het snel en vloeiend reciteren, waardoor hij het systeem misleidt. Om dit op te lossen, ontwikkelden wetenschappers een techniek genaamd "onverwachte vragen". In plaats van vragen te stellen over de hoofdpunten van een verhaal dat de persoon heeft voorbereid, stelt de interviewer vragen over details die de leugenaar nooit had kunnen bedenken om te onthouden. Dit dwingt de bedrieger om te stoppen en ter plekke nieuwe informatie op te bouwen, terwijl een eerlijk persoon simpelweg in zijn geheugen graaft naar een echte ervaring.
Een team van onderzoekers aan de Universiteit van Padua in Italië heeft deze techniek onlangs getest in een gecontroleerde setting die ontworpen is om een echt verhoor na te bootsen. Ze verzamelden zestig vrijwilligers en verdeelden hen in twee groepen. De eerste groep, de eerlijke deelnemers, werd gevraagd om de meest recente dagtocht te beschrijven die ze daadwerkelijk hadden ondernomen. Ze moesten de specifieke details van hun eigen ervaring herinneren. De tweede groep, de bedriegende deelnemers, kreeg een kort, geschreven verhaal over een dagtocht en de opdracht dit perfect te onthouden. Er werd hen verteld dat ze moesten doen alsof dit hun eigen echte herinnering was. Beide groepen namen vervolgens deel aan een audio-opgenomen interview waarbij ze een reeks vragen beantwoordden. Sommige vragen waren standaard en verwacht, zoals "Hoe laat werd u wakker?". Anderen waren controle vragen over het interview zelf, zoals "In welke stad bent u?". De cruciale vragen waren de onverwachte vragen, zoals "Hoe lang deed u erover om uw bestemming te bereiken?". Deze waren ontworpen om de leugenaars onverwacht te treffen. De onderzoekers maten drie dingen: hoe lang het elke persoon duurde om te beginnen met spreken nadat een vraag was gesteld, hoe vaak zij een fout antwoord gaven, en hoe vaak zij een antwoord gaven dat technisch gezien correct was, maar vaag of onvolledig.
De resultaten toonden een duidelijk verschil tussen de twee groepen, maar alleen bij de onverwachte vragen. Wanneer ze werden gevraagd naar details die ze niet hadden voorbereid, deden de mensen die loog over hun dagtocht er aanzienlijk langer over om te antwoorden dan de eerlijke mensen. Ze maakten ook veel meer fouten en gaven meer vage antwoorden. Voor de eerlijke groep waren de onverwachte vragen ook moeilijker dan de verwachte vragen, maar de toename in tijd en fouten was veel kleiner. De onderzoekers ontdekten dat de leugenaars specifiek worstelden omdat ze nieuwe details moesten verzinnen die pasten bij hun valse verhaal, terwijl ze de rest van het narratief consistent moesten houden. Dit extra mentale werk vertraagde hen en zorgde ervoor dat ze fouten maakten. In contrast hiermee waren de eerlijke mensen simpelweg aan het graven in hun eigen geheugen, wat een andere soort mentale taak was, maar er niet dezelfde mate van constructie ter plekke vereiste. De studie vroeg de deelnemers ook hoe moeilijk zij de vragen vonden. De leugenaars beoordeelden de onverwachte vragen als veel moeilijker dan de eerlijke mensen deden, wat bevestigde dat zij de extra spanning voelden.
Om te zien of deze bevindingen gebruikt konden worden om een leugenaar in een echte zaak te identificeren, gebruikten de onderzoekers computeralgoritmen om de gegevens te analyseren. Ze voedden de reactietijden, foutpercentages en vaagheidsscores in een machine learning-model. Wanneer de computer naar het volledige patroon van antwoorden van één persoon keek, was het in staat om tussen de eerlijke en de bedriegende groepen te onderscheiden met een zeer hoge nauwkeurigheid, waarbij het overgrote deel van de leugenaars correct werd geïdentificeerd. Echter, wanneer de computer probeerde een enkel antwoord in isolatie te beoordelen, was het veel minder betrouwbaar en miste het vaak de leugen of beschuldigde het ten onrechte een eerlijk persoon. Dit suggereert dat een enkel moment van aarzeling niet genoeg is om bedrog te bewijzen; het is het algemene patroon van gedrag over vele vragen dat de waarheid onthult. De onderzoekers testten ook een eenvoudige regel: als de gemiddelde tijd van een persoon om de onverwachte vragen te beantwoorden meer dan een specifiek fractie van een seconde langzamer was dan hun gemiddelde tijd voor de andere vragen, waren zij waarschijnlijk aan het liegen. Deze regel werkte goed om leugenaars te vangen, maar markeerde ook veel eerlijke mensen als verdachten, wat betekende dat het te gevoelig was voor vals alarm om alleen te worden gebruikt.
De studie biedt een veelbelovend nieuw instrument voor het begrijpen van hoe bedrog werkt, maar de auteurs zijn voorzichtig met het benoemen van de beperkingen. Het experiment vond plaats in een omgeving met lage inzet, waarbij de gevolgen van liegen minimaal waren, in tegen tegenstelling tot een echt strafrechtelijk onderzoek waar de druk enorm is. De leugenaars in de studie waren simpelweg een verhaal aan het memoriseren, terwijl echte leugenaars vaak complexe onwaarheden in hun eigen leven moeten verweven. Bovendien vertrouwde de studie op een enkele interviewer en codeur, wat voor bias had kunnen zorgen, en de deelnemers waren voornalijkelijk universiteitsstudenten, die mogelijk niet representatief zijn voor de algemene bevolking. Ondanks deze beperkingen suggereren de bevindingen dat het stellen van onverwachte vragen een krachtige manier is om de mentale belasting op een leugenaar te verhogen, waardoor hun bedrog moeilijker te handhaven is. Het onderzoek wijst erop dat hoewel geen enkele test perfect is, het combineren van reactietijden met foutpercentages en het gebruik van computeranalyse uiteindelijk onderzoekers kan helpen om leugens te ontdekken die de menselijke intuïtie mist. Het werk wijst naar een toekomst waarin interviews niet alleen worden ontworpen om feiten te verzamelen, maar om de geest van de spreker voorzichtig te belasten, waardoor de verborgen inspanning van een leugen zichtbaar wordt door de eenvoudige, meetbare tekenen van aarzeling en fouten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.