Наряду с изучением окуломоторных структур, было продемонстрировано, что речевые особенности речи имеют большое значение для разграничения обманчивого поведения.
- Hung и Chittaranjan (2010) исследовали акустические прозодические особенности, такие как высота тона, энергия, измерение F0 и скорость речи, как возможные маркеры для обнаружения лжецов.
- Mihalcea и Strapparava (2009) изучили вопрос об обнаружении лжецов, использующих специфический язык. Они аннотировали корпус текстов, содержащих утверждения об истине и лжи, и охарактеризовали класс слов, которые могут быть дискриминирующими, чтобы различать утверждения об истине и лжи.
- Хиршберг и др. (2005) объединили обе вышеупомянутые характеристики для выявления обманчивого поведения с точностью, которая была чуть выше их исходных данных (предсказание в большинстве случаев лжи).
- Хотя эти исследования многообещающие (Hirschberg et al., 2005) показывают, что использование этих особенностей может быть мощным маркером обмана, когда они специально подогнаны под говорящего.
- Левитан и др. (2016) также обнаружили, что фонотаксические особенности не могут быть хорошо обобщены для новых динамиков, предполагая, что эти особенности также зависят от динамиков.
- Более того, время ответа на вопросы во время допроса было определено как еще одна переменная, связанная с речью, и возможный признак обманчивого поведения (Сеймур и др., 2000).
- Вальчик и др. (2003) проверяли, может ли разработка обманных ответов быть соотнесена со временем ответа. Они обнаружили, что решение лгать увеличивает время, необходимое для ответа, особенно в открытых вопросах (т.е. в вопросах, на которые можно получить более двух возможных ответов).
Предлагаемая система обнаружения лжи основана на когнитивных рамках обмана, который связан с более высокой когнитивной стоимостью лжи. Это предположение подтверждается выводом о том, что ложь обычно занимает больше времени, чем правда (Walczyk et al., 2003). Среди всех рассмотренных речевых особенностей, связанных с обманом, мы выбираем время для ответа в нашей модели обнаружения лжи, так как было доказано, что она является маркером когнитивной нагрузки.
Учитывая все результаты предыдущих исследований по физиологическим переменным, связанным с обманом, возможным решением проблемы отсутствия точности в обнаружении лжи может стать использование новых технологий в области искусственного интеллекта и социальной робототехники.
В настоящее время роботы начинают использоваться в контексте профессиональной деятельности, требующей социальных навыков, таких как безопасность, образование или здравоохранение (Basoeki et al., 2013; Robinson et al., 2014).
Поэтому существует потребность в разработке социальных роботов, способных понимать, когда люди обманывают их в той же степени, что и людей. Роботы могут использовать датчики и вычислительные возможности для отслеживания специфических поведенческих сигналов, которые могут быть использованы для определения того, когда человек лжет. Движения глаз и особенности речи могут контролироваться минимально инвазивными датчиками, устройство слежения за глазами и микрофон могут быть использованы для их обработки и могут быть интегрированы в роботизированную платформу, не требуя сложной настройки.
В этой работе мы предполагаем, что использование этих поведенческих сигналов, связанных с обманом, уже исследованным при взаимодействии человека и человека (HHI), может быть использовано для разработки системы обнаружения лжи с помощью гуманоидного робота, с неинвазивным подходом к измерениям. Для проверки нашей гипотезы, во-первых, мы измерили поведенческие реакции участников, чтобы оценить, есть ли различия между ложью человеку-интервьюеру или человекоподобному роботу. Был разработан сценарий допроса, в котором участникам говорили, что они были свидетелями преступления и что они должны лгать, чтобы защитить преступников или сказать правду, чтобы привлечь их к ответственности. Гуманоидный робот iCub (Metta et al., 2008) и человеческий конфедерат играли роль опрашивающих. В качестве переменных при оценке поведения учитывались движения глаз, время ответа и красноречие, которые, как уже говорилось выше, варьируются в зависимости от типа обманчивого поведения.
Как и предполагалось, мы наблюдали одну и ту же модель поведения между лжецами и правдолюбами, когда интервьюер был роботом или человеком. После этой проверки мы проверили, можно ли обучить алгоритм обучения обнаружению лжи, основываясь на поведенческих особенностях, выделенных в первом исследовании. Каждый вопрос, собранный в ходе эксперимента, использовался для создания набора данных, на котором случайный алгоритм обучения лесам был обучен маркировать ответ как правду или ложь. Затем модель была протестирована для оценки способности обобщения к новым вопросам и к новым интервьюируемым.
"Всем спасибо за внимание! Ставьте лайки и подписывайтесь на канал!"