Люди лгут каждый день: от безобидного вранья вроде звонка начальнику и сообщения, что вы заболели, хотя это не так, до серьёзных обманов, которые могут привести в суд. Но часто бывает сложно понять, говорит ли человек правду.
Группа учёных из Университета Шарджи в Объединённых Арабских Эмиратах обнаружила, что ИИ может помочь в решении этой проблемы, но только если машины будут учитывать культурные и гендерные различия.
«Наша цель — провести всесторонний обзор публикаций, посвящённых компьютерному прогнозированию обмана, особенно с использованием подходов машинного обучения», — пишут учёные.
Команда провела метаанализ 98 статей, опубликованных с 2012 по 2023 год, в которых использовались подходы на основе машинного обучения и алгоритмы глубокого обучения для выявления лжецов.
В частности, исследование было сосредоточено на программах с использованием свёрточных нейронных сетей (CNN). Это тип программы машинного обучения, которая имитирует роль зрительной коры головного мозга для распознавания изображений.
Эти статьи были сопоставлены с традиционными подходами к выявлению лжи, которые не связаны с использованием ИИ, такими как диагностические вопросы, экспертный анализ и использование доказательств.
В рамках исследования команда также проанализировала 35 коротких видеороликов и два часа отснятого материала.
«Мы провели всесторонний анализ выявления обмана, предоставив чёткий обзор вклада в эту область и её ограничений», — говорят авторы.
Выявление обмана — это развивающаяся область, и многие учёные стремятся узнать больше в надежде, что это приведёт к более объективному пониманию человеческого поведения.
Точное выявление обмана также имеет решающее значение для таких сфер жизни общества, как правовая система, где последствия лжи могут быть значительными.
«Ошибочное принятие лжи за правду или наоборот в таких ситуациях может иметь серьёзные последствия для вовлечённых лиц и общества в целом», — отмечают авторы.
По сравнению с традиционными методами выявления лжи программы ИИ и CNN продемонстрировали более высокую эффективность в обнаружении обманчивых утверждений и лжи.
«Более половины статей достигли точности, превышающей 83%, что является заметно высоким показателем, подчёркивающим эффективность используемых моделей машинного и глубокого обучения», — пишут авторы.
«В целом подходы на основе машинного обучения показали производительность, сравнимую с традиционными методами, при этом обеспечив повышенную эффективность».
Хотя это может показаться многообещающим, в исследовании также были выявлены потенциальные проблемы, которые могут возникнуть при использовании методов обнаружения обмана на основе ИИ.
Одним из основных ограничений использования этих алгоритмов для выявления обмана является их неспособность учитывать роль пола, культуры и языка.
«Не учёт культуры, языка и пола может ограничить возможность обобщения результатов на различные группы населения», — пишут авторы.
Команда подчеркнула, что это может быть связано с небольшим размером и отсутствием разнообразия в наборах данных, на основе которых разрабатываются многие программы машинного обучения.
Исследование команды из Университета Шарджи было опубликовано в журнале «Экспертные системы с приложениями».