KNOWLEDGE
首頁

應用教學

KNOWLEDGE
首頁

應用教學

如何判斷一個人是否說謊? - SR Research

MAY 02 ,2024

文章分類:產品應用

 

 

以下譯自 SR Research's Blog - How to Tell if Someone is Lying by Ljiljana Velisavljevic

 


 

人會說謊,而有些人不只經常說謊甚至還十分熟練。有鑑於這個讓人不安的事實(某種程度不足為奇),如果能透過客觀的方式來知道一個人何時說謊,這對於我們所有人來說都是有好處的。儘管有些說法宣稱看往特定方向(例如:向右看)就是一個人在說謊的徵兆,但這些主張都已經被駁斥(以及這裡)。據此,還有沒有任何可靠的跡象能顯示出有人在說謊呢?

 

科學文獻顯示,事實上眼睛確實是可以讓謊言露出馬腳,但最能揭露謊言的是瞳孔大小,而非凝視方向。研究表示,在各種情況下,人們在說謊時的瞳孔相較於說實話時的瞳孔還要來得大。而這些差異是相當細微而不自知的,科學家們通常會使用靈敏的眼動追蹤設備來測量瞳孔大小,一般沒在注意的觀察者是不太可能發現到任何差異。此外,大部分的實驗性研究都是針對群體間的比較,而對於群體而言是正確的東西,不一定對於該群體中的個體本身也是一樣正確的。

 

在接下來的段落中,我們將了解一些探討瞳孔大小與說謊之間關係的研究。

 

 

瞳孔擴張( Pupil Dilation )與說謊( Lying )

 

模擬犯罪研究( Mock Crime Studies )

在一項發表於1943年的早期模擬犯罪研究中,讓「有罪」和「無罪」的參與者身處於大學演講廳,有罪組參與者被告知要拿走遺留在座位下的錢(幾乎不會超過1毛錢)並對後續與這項罪行相關的問題說謊;同時,無罪組參與者則只被簡單的告知要離開演講廳並如實地回答所有問題。

 

與模擬犯罪有關的犯罪問題如下:

  • 你剛剛在演講廳裡嗎?
  • 你有拿錢嗎?
  • 你對我說的是實話嗎?

 

描述性的結果說明,有罪參與者在做出欺騙反應時,瞳孔會擴大後隨之快速收縮回來;相反地,這種瞳孔反應只有在少數誠實的受訪者中才看得到。

最近一項模擬犯罪的研究比較了有罪組和無罪組參與者的瞳孔大小,也顯示出類似的模式,欺騙性回答時的瞳孔直徑比誠實回答時的瞳孔直徑還要更大。其他研究者的研究則呈現了透過電腦施測問卷和觀看與犯罪有關的圖片時,也都能觀察到瞳孔尺寸相對增加的現象。

 

單純說謊研究( Simple Lie Studies )

與模擬犯罪研究不同,有些研究著重在於人們故意提供真實或欺騙的訊息,不一定要與犯罪有關。例如,在一項十分簡單的實驗中,參與者口頭回答有關他們的年齡、身高、體重、出生地、身體殘疾的問題。在回答完這5個問題之後,實驗者隨即告訴參與者這個研究的目的在於探究瞳孔大小與欺騙性反應之間的關係,而參與者需評價他們的答案為完全真實、部分欺騙或是完全欺騙。這個研究的作者 Ira Heilveil 運用了自我評估程序,因為他相信:

 

…為了使欺騙發生,欺騙者必須在欺騙發生的當下就意識到欺騙行為的存在。
– Ira Heilveil, 1976

 

統計結果顯示,回答訪問者問題時,欺騙性回答的平均瞳孔直徑(5.74mm)比誠實回答時的平均瞳孔直徑(5.15mm)還要來的大。其他最近的研究也呈現了類似的結果,不管是一般事實或非個人事件教師評量問卷同伴賽局、以及目擊犯罪(無論是被一般人或機器人審問),都指出相較於如實陳述,說謊時的瞳孔直徑會有所擴張。

 

機器人應用( Robot Application )

在最近一項有趣的欺騙與瞳孔測量研究中,一組研究人員設計了一種能利用瞳孔訊息去偵測謊言的機器人,雖然人們很難判斷某人何時在說謊,但「機器視覺」可以快速利用當下完整詳細的訊息,根據微小的差異來進行判斷。

 

在一項研究機器人與誠實及說謊的人進行互動的研究裡,每位參與者皆配戴眼動儀,並將連續性的瞳孔資訊提供給機器人。在這項任務中,參與者須對6張一系列的卡片進行準確(其中5張)或欺騙性(其中1張)的描述。如下照片呈現了機器人和這副牌中的5張卡片,1張在人的手上,另外4張在畫面右側。

 

Robot Lie Detection

 

在第一部分中,機器人要猜測那人描述的6張卡片中哪張是騙人的,透過計算每次卡片描述期間的平均瞳孔擴張程度,選擇擴張程度最高的卡片,據此,機器人成功地偵測出欺騙性描述的卡片,其準確率達88%。

 

而在第二部分中,在每張卡片描述後,機器人要去分類這些描述是真實的或是虛假的並進行確認。透過比較平均瞳孔直徑和第一部分取得的資訊,機器人分類的準確率達71%。然而,如果機器人在每次互動後都更新其資訊,準確率將可提升到78%。

 

 

瞳孔擴張與認知負荷( Cognitive Load )

 

為什麼我們說謊時瞳孔會擴張呢?有許多的理論,但過去幾十年中最受關注的理論是認知負荷理論(cognitive load theory)。

 

認知負荷(Cognitive Load)是指像是說謊之類的任務需要佔據工作記憶(working memory)的可用資源 — 工作記憶是暫時保存資訊、控制注意力、計劃的暫存區,也是感官與長期記憶(long-term memory)的中繼點。由於工作記憶會被可容納的資訊量與持續時間長度等因素限制住,因此工作記憶的高認知負荷對於其他系統就會產生連鎖反應。瞳孔直徑是目前公認在認知負荷上的一種生理標誌,當認知負荷增加時則瞳孔直徑也會隨之增大。

 

根據認知負荷理論,為了編造謊言,工作記憶會有相當程度的認知負荷,它需要組織和保存與謊言相關的資訊,也需要在長期記憶中尋找資訊來建構謊言。對大部分的人而言,當場說謊比有計畫的說謊困難,而說實話也比說謊還要來的容易。因為說謊通常會造成較高的認知負荷,而較高的認知負荷則會與瞳孔直徑擴張有所關連。相對於說實話,一個人說謊時,瞳孔直徑往往會較為擴張。

 

值得指出的是,雖然就大多數人而言,說謊比說實話需要較多的認知需求,但也不是所有人都是如此。訓練有素且有效率的說謊者在主動欺騙時不一定會增加其瞳孔的大小,因此我們離真正的測謊儀還有一段距離。

 


 

References & Image Credits

References

Berrien, F. K., & Huntington, G. H. (1943). An exploratory study of pupillary responses during deception. Journal of Experimental Psychology, 32(5), 443–449. https://doi.org/10.1037/h0063488

Cook, A. E., Hacker, D. J., Webb, A. K., Osher, D., Kristjansson, S. D., Woltz, D. J., & Kircher, J. C. (2012). Lyin’ eyes: Ocular-motor measures of reading reveal deception. Journal of Experimental Psychology: Applied18(3), 301–313. https://doi.org/10.1037/a0028307

Debey, E., De Schryver, M., Logan, G. D., Suchotzki, K., & Verschuere, B. (2015). From junior to senior Pinocchio: A cross-sectional lifespan investigation of deception. Acta Psychologica160, 58–68. https://doi.org/10.1016/j.actpsy.2015.06.007

Dionisio, D. P., Granholm, E., Hillix, W. A., and Perrine, W. F. (2001). Differentiation of deception using pupillary responses as an index of cognitive processing. Psychophysiology 38, 205–211. https://doi.org/10.1111/1469-8986.3820205

Fang, X., Sun, Y., Zheng, X., Wang, X., Deng, X., & Wang, M. (2021). Assessing deception in questionnaire surveys with eye-tracking. Frontiers in Psychology12https://doi.org/10.3389/fpsyg.2021.774961

Ganis, G. (2003). Neural correlates of different types of deception: An fMRI investigation. Cerebral Cortex, 13(8), 830–836. https://doi.org/10.1093/cercor/13.8.830

Gonzalez-Billandon, J., Aroyo, A. M., Tonelli, A., Pasquali, D., Sciutti, A., Gori, M., Sandini, G., & Rea, F. (2019). Can a robot catch you lying? A machine learning system to detect lies during interactions. Frontiers in Robotics and AI6https://doi.org/10.3389/frobt.2019.00064

Heilveil, I. (1976). Deception and pupil size. Journal of Clinical Psychology32(3), 675–676. https://doi.org/10.1037/1076-898x.2.2.164

Mann, S., Vrij, A., Nasholm, E., Warmelink, L., Leal, S., & Forrester, D. (2012). The direction of deception: Neuro-linguistic programming as a lie detection tool. Journal of Police and Criminal Psychology27(2), 160–166. https://doi.org/10.1007/s11896-011-9097-8

Pasquali, D., Gonzalez-Billandon, J., Aroyo, A. M., Sandini, G., Sciutti, A., & Rea, F. (2021). Detecting lies is a child (robot)’s play: Gaze-based lie detection in HRI. International Journal of Social Roboticshttps://doi.org/10.1007/s12369-021-00822-5

Van Bockstaele, B., Verschuere, B., Moens, T., Suchotzki, K., Debey, E., & Spruyt, A. (2012). Learning to lie: Effects of practice on the cognitive cost of lying. Frontiers in Psychology3https://doi.org/10.3389/fpsyg.2012.00526

Walczyk, J. J., Igou, F. P., Dixon, A. P., & Tcholakian, T. (2013). Advancing lie detection by inducing cognitive load on Liars: A review of relevant theories and techniques guided by lessons from polygraph-based approaches. Frontiers in Psychology4https://doi.org/10.3389/fpsyg.2013.00014

Webb, A. K., Honts, C. R., Kircher, J. C., Bernhardt, P., & Cook, A. E. (2009). Effectiveness of pupil diameter in a probable‐lie comparison question test for deception. Legal and Criminological Psychology14(2), 279–292. https://doi.org/10.1348/135532508×398602

Wang, J. T., Spezio, M., & Camerer, C. F. (2010). Pinocchio’s pupil: Using eyetracking and pupil dilation to understand truth telling and deception in sender-receiver games. American Economic Review, 100(3), 984–1007. https://doi.org/10.1257/aer.100.3.984

Wiseman, R., Watt, C., ten Brinke, L., Porter, S., Couper, S. L., & Rankin, C. (2012). The eyes don’t have it: Lie detection and neuro-linguistic programming. PLoS ONE7(7), e40259. https://doi.org/10.1371/journal.pone.0040259

 

Image Credits

1. Header Photo by 3803658 – Pixabay Content License.
2. Robot Detecting Lies Image by Dario Pasquali, Jonas Gonzalez-Billandon, Alexander Mois Aroyo, Giulio Sandini, Alessandra Sciutti, and Francesco Rea published under the Creative Commons Attribution 4.0 International License

 


 

未來還會持續推出不同產品知識或應用方面的文章喔!還請多多關注我們!

歡迎加入我們的社群頁面,隨時獲得最新消息!