Даже если нам удается получить разумные результаты, мы используем ручную аннотацию для обучения нашей машинной системы обучения. Будущая работа могла бы заключаться в обучении с использованием наших данных VAD после работы Ко и др. (2018), которая увеличила точность по сравнению с VAD, а также использование скорости на глубокой нейронной сети. Эти две модификации позволили бы нам извлечь те же самые функции, которые рассматривались в нашей работе, и использовать другие наборы данных, как Idiap Wolf Corpus в качестве более общего теста для нашей системы машинного обучения. Другим усовершенствованием, которое, как мы думаем, должно быть учтено в будущей работе, является сочетание акустопрозодических, лексических характеристик, которые, как было продемонстрировано, являются действительными маркерами для обнаружения лжи, с характеристиками, рассматриваемыми в нашей нынешней системе обнаружения лжи.
Позднее была предложена модель детектирования залегания с точностью 88% с использованием кепстрального коэффициента частоты расплава и шага. Эти исследования дают нам уверенность в том, что наша нынешняя модель обнаружения ложных срабатываний может выиграть в производительности, если включить в нее функции рабочей речи, такие как время отклика.
Разработка роботов, способных обнаруживать ложь, может иметь множество применений в реальной жизни, она наделяет робота способностью понимать, заслуживает ли человек доверия, и он может адаптироваться к такому поведению. Помимо применения этих возможностей в таких областях, как обучение (понимание того, выполнил ли ребенок домашнее задание), здравоохранение/домашнее хозяйство (принимают ли пациенты медитацию) или правоохранительная деятельность (выявление возможных преступников), в нашем обществе они могут иметь разную ценность. Более того, они также могут быть использованы в более негативных коннотациях, таких как роботы социальной инженерии; или при изучении передачи полномочий от реального человека к его аналогу, чтобы подчеркнуть силу лживых сигналов, так как робот может быть использован для представления фигуры, имеющей авторитет, например, учителя, врача или сотрудника правоохранительных органов.
4.1. Заключение
Учитывая все результаты классификации, было продемонстрировано, что красноречие, время ответа, среднее и минимальное расширение зрачка, количество саккад и тип вопроса могут быть использованы для обучения системы детектора лжи. Глядя на ошибки классификации различных рассмотренных моделей между роботом и данными человека, взаимодействие с человеком-интервьюером дало лучшую точность в обнаружении лжи. Кроме того, психологический профиль участников не помог улучшить показатели. Это можно объяснить тем, что в ходе эксперимента не было обнаружено экстремальных психологических признаков, которые могли бы существенно повлиять на поведенческие реакции. Для улучшения результатов, достигнутых в данном исследовании, можно рассмотреть несколько путей. Первый способствует получению большего набора данных, считая, что в данном исследовании набор данных довольно мал (1054 экземпляра). Кроме того, мы предполагаем, что ограничение экспериментальной среды также может повлиять на результаты. На самом деле, мы полагаем, что в реальном опросном сценарии маркеры обмана могли бы быть еще более очевидны. Улучшение сбора данных путем проектирования более качественного экологического эксперимента ближе к сценариям, в которых будет работать робот, является важным шагом в достижении цели построения системы детектора лжи для роботизированной платформы.
Кроме того, можно было бы отслеживать дальнейшие поведенческие или физиологические характеристики для улучшения характеристик предлагаемой системы. Iacob и Tapus (2018) недавно исследовали обнаружение лжи при взаимодействии человеческого робота, используя неинвазивные измерения, и обнаружили статистически значимую разницу в оценочной вариабельности сердечных сокращений между лжецами и кассирами правды. Спатиотемпоральные особенности, такие как вариабельность размера зрачка во времени или эволюция шага голоса, также могут быть хорошими кандидатами для обнаружения лжи. Сочетание этих особенностей с теми, которые изучались в данном исследовании, может привести к продвижению в поиске универсального роботизированного детектора лжи. С другой стороны, учитывая способность системы обобщать новые ответы участника, по которым она была ранее обучена (в рамках обобщения), достигнутые результаты продемонстрировали возможность разработки надежной системы детектора лжи.
"Всем спасибо за внимание! Ставьте лайки и подписывайтесь на канал!"