Machine-learning classification of documented pedophilic sexual interest from eye-tracking patterns

Decennialang heeft de beoordeling van seksuele interesse in kinderen zwaar geleund op wat mensen zeggen. Clinici en forensische experts zijn afhankelijk van interviews, zelfgerapporteerde geschiedenissen en de bereidheid van individuen om gedachten of handelingen toe te geven die zij als sociaal onacceptabel of juridisch gevaarlijk beschouwen. Toch leidt de aard van het onderwerp zelf — schaamte, angst voor consequenties en de wens om zichzelf te beschermen — vaak tot onvolledige of onoprechte antwoorden. Dit creëert een aanzienlijke kloof in het begrip, met name in juridische en behandelingssettings waar de belangen enorm groot zijn. Om deze kloof te overbruggen, hebben onderzoekers lang gezocht naar indirecte manieren om aantrekkingskracht te meten, zoekend naar fysiologische of gedragsmatige signalen die de bewuste controle kunnen omzeilen. Een dergelijke weg is eye-tracking, een technologie die registreert precies waar iemand naar kijkt en hoe lang dat duurt. De onderliggende gedachte is simpel: waar de ogen naartoe gaan, volgt de geest vaak, en deze patronen kunnen voorkeuren onthullen die een persoon probeert te verbergen.

Een nieuwe studie uit Duitsland neemt dit concept een stap verder door eye-tracking data te combineren met geavanceerde computeranalyse. Onderzoekers wilden zien of ze het onderscheid konden maken tussen mannen met een gedocumenteerde seksuele interesse in prépubere kinderen en mannen zonder die interesse, enkel door te kijken naar de manier waarop hun ogen over een scherm bewogen. Ze vroegen de deelnemers niet om hun gevoelens te beschrijven of afbeeldingen te beoordelen. In plaats daarvan observeerden ze hoe de ogen van de deelnemers reageerden op foto's van volwassenen en kinderen terwijl de deelnemers specifieke taken uitvoerden. Het doel was om te zien of een machine kon leren om de subtiele, automatische verschillen in de blik te herkennen die de twee groepen van elkaar scheiden, wat een potentieel instrument zou kunnen bieden ter ondersteuning van het klinisch oordeel in situaties met hoge inzet.

De studie omvatte 124 volwassen mannen die werden gerekruteerd van vijf verschillende locaties in Duitsland. De groep werd verdeeld in twee hoofdcategorieën: 34 mannen met een gedocumenteerde diagnose pedofilie, van wie velen forensische patiënten waren met een geschiedenis van misdrijven tegen kinderen, en 90 mannen zonder deze diagnose. Deze controlegroep bestond uit gezonde vrijwilligers, evenals enkele individuen die andere soorten misdrijven hadden gepleegd, maar geen seksuele vergrijpen tegen kinderen. Om hun ogen te testen, zaten de deelnemers voor een scherm en voltooiden zij drie verschillende taken. In de eerste taak kregen ze twee afbeeldingen naast elkaar te zien — één van een volwassene en één van een kind van hetzelfde geslacht — en kregen ze de opdracht te beslissen welke zij aantrekkelijker vonden. In de tweede taak moesten ze mentale puzzels oplossen waarbij ze 3D-vormen roteerden, terwijl er tijdens het proces foto's van volwassenen of kinderen op het scherm verschenen als afleiding. De derde taak bestond simpelweg uit het beoordelen van hoe opwindend of aangenaam diverse afbeeldingen waren. Tijdens deze oefeningen registreerde een hogesnelheidscamera elke oogbeweging, waarbij exact werd genoteerd waar ze naar keken, hoe lang ze daar bleven en hoe snel hun blik verschoift.

De onderzoekers voerden deze enorme hoeveelheid visuele data vervolgens in een machine learning-systeem. Dit computerprogramma was ontworpen om complexe patronen te vinden die menselijke waarnemers wellicht zouden missen. Het keek naar duizenden kleine details, zoals hoe lang iemand staarde naar het hoofd of de romp van een kind versus een volwassene, hoe snel hun ogen naar een afleidende afbeelding bewogen, en hoe hun aandacht verschoif tussen een puzzel en een foto. Het systeem werd getraind om de twee groepen te onderscheiden op basis van enkel deze oogbewegingen. De resultaten waren opmerkelijk. Wanneer de computer de data van de initiële oriëntatietaak en de afleidingstaak samen analyseerde, identificeerde het met een hoge mate van nauwkeurigheid of een man een gedocumenteerde pedofiele interesse had of niet. Specifiek classificeerde het model ongeveer 88 procent van de gevallen correct in totaal. Het was bijzonder goed in het correct identificeren van mannen zonder deze interesse, waarbij het bijna alle gevallen correct als negatief labelde wanneer het werd getest op een aparte groep gezonde vrijwilligers.

Wat deze resultaten mogelijk maakte, was niet alleen het kijken naar één enkele gedraging, maar het combineren van vele kleine signalen. De studie vond dat mannen met een pedofiele interesse vaker en langer naar afbeeldingen van kinderen keken dan de andere mannen, zelfs wanneer zij probeerden op een andere taak te focussen. Ze vertoonden ook een ander aandachtspatroon wanneer kinderen als afleiding verschenen, waarbij ze vaak eerder en langer naar hen keken dan de controlegroep, wat wijst op een zwakkere bekwaamheid om seksueel relevante stimuli te negeren. In contrast hiermee kozen de mannen zonder deze interesse consequent voor het kijken naar afbeeldingen van volwassenen en waren zij beter in staat om de afbeeldingen van kinderen te negeren om zich op hun puzzels te concentreren. Interessant genoeg had de computer niet al deze verzamelde data nodig. Zelfs toen de onderzoekers het model terugbrachten tot slechts een handvol van de belangrijkste kenmerken van oogbewegingen, bleef de nauwkeurigheid zeer hoog. Dit suggereert dat het signaal robuust is en niet afhankelijk is van een complex web van variabelen.

De studie onderzocht ook of deze oogpatronen veranderden afhankelijk van de achtergrond van de deelnemers. De onderzoekers keken naar mannen die misdaden tegen kinderen hadden gepleegd versus mannen die dat niet hadden gedaan, mannen die momenteel in de gevangenis zaten versus mannen die vrij waren, en mannen die toegaven deze gedachten te hebben versus mannen die ze ontkenden. Het machine learning-model presteerde consistent goed over bijna al deze verschillende subgroepen. Het was in staat om dezelfde patronen van oogbewegingen te detecteren, ongeacht of de man een forensische patiënt was of een gezonde vrijwilliger, of hij zijn interesses openlijk toegaf of probeerde te ontkennen. Deze consistentie is significant omdat het suggereert dat de eye-tracking methode een fundamenteel aspect van seksuele interesse vastlegt dat standhoudt, zelfs wanneer een persoon probeert dit te verbergen. De enige uitzonderingen waren in zeer kleine groepen met specifieke strafbladen, waar de steekproefomvang te klein was om harde conclusies te trekken.

De onderzoekers benadrukken echter voorzichtig wat deze technologie wel en niet is. Ze benadrukken dat dit geen diagnostisch instrument is dat een klinisch interview of een juridisch oordeel kan vervangen. De studie was een proof of concept, die aantoont dat eye-tracking data gebruikt kan worden om individuen in een onderzoekssetting met hoge nauwkeurigheid te classificeren. De auteurs wijzen erop dat fout-positieven — het onterecht labelen van een onschuldig persoon als iemand met een pedofiele interesse — ernstige gevolgen kunnen hebben, waardoor de methode verdere tests vereist in grotere en diversere groepen voordat het ooit gebruikt kan worden in echte klinische of juridische besluitvorming. Ze merken ook op dat de studie niet bewezen heeft dat oogbewegingen leidend gedrag veroorzaken, maar enkel dat ze correleren met een gedocumenteerde diagnose. De emotionele impact van de taken werd ook gemonitord, en hoewel de computerscores gekoppeld waren aan veranderingen in gevoelens zoals woede of verdriet, vond de studie geen bewijs dat de emotionele staten van de deelnemers vóór de test de resultaten voorspelden.

Uiteindelijk biedt dit werk een blik op een toekomst waarin de beoordeling van seksuele interesse minder zal rusten op wat mensen zeggen en meer op wat hun ogen doen. Door eenvoudige visuele taken te combineren met krachtige computeranalyse, hebben de onderzoekers aangetoond dat het mogelijk is om onderscheidende aandachtspatronen te detecteren die mannen met een seksuele interesse in kinderen differentiëren van mannen zonder. Hoewel de technologie nog niet klaar is voor de rechtszaal of de kliniek, suggereren de bevindingen dat de ogen een sleutel kunnen bevatten tot het begrijpen van een verborgen aspect van menselijk gedrag dat al lang moeilijk te meten is. De studie concludeert dat, met verdere validatie, deze methoden deel kunnen uitmaken van een nieuwe generatie instrumenten die moeilijker te misleiden zijn, preciezer in hun beoordelingen en potentieel transformatief voor hoe de samenleving preventie en behandeling benadert.