Eye Movements as Indicators of Deception: A Machine Learning Approach

要約

視線は嘘発見器の頑健性を高める可能性があるが、まだ十分に研究されていない。本研究では、AIモデル（固視、サッカード、まばたき、瞳孔の大きさを使用）が、Concealed Information Testsにおける欺瞞を検出する有効性を、2つのデータセットで評価した。1つ目は、Eyelink 1000で収集されたもので、87人の参加者が事前に選択したカードの価値を明らかにしたり、隠したり、偽ったりしたコンピュータ実験の視線データが含まれている。もう1つはPupil Neonで収集されたもので、36人の参加者が同じようなタスクを行ったが、実験者と向かい合っていた。XGBoostは、二値分類課題（暴露vs.隠蔽）では最高74%の精度を達成し、より困難な三分類課題（暴露vs.隠蔽vs.フェイク）では49%の精度を達成した。特徴分析により、サッケードの数、持続時間、振幅、最大瞳孔径が欺瞞予測に最も重要であることが同定された。これらの結果は、嘘発見器を強化するために視線とAIを使用することの実現可能性を示し、これを改善する可能性のある将来の研究を奨励している。

要約(オリジナル)

Gaze may enhance the robustness of lie detectors but remains under-studied. This study evaluated the efficacy of AI models (using fixations, saccades, blinks, and pupil size) for detecting deception in Concealed Information Tests across two datasets. The first, collected with Eyelink 1000, contains gaze data from a computerized experiment where 87 participants revealed, concealed, or faked the value of a previously selected card. The second, collected with Pupil Neon, involved 36 participants performing a similar task but facing an experimenter. XGBoost achieved accuracies up to 74% in a binary classification task (Revealing vs. Concealing) and 49% in a more challenging three-classification task (Revealing vs. Concealing vs. Faking). Feature analysis identified saccade number, duration, amplitude, and maximum pupil size as the most important for deception prediction. These results demonstrate the feasibility of using gaze and AI to enhance lie detectors and encourage future research that may improve on this.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL