Sappiamo bene quanto sia vero il detto: “le apparenze ingannano!” Tuttavia, è proprio qui che entra in gioco l’Intelligenza Artificiale, dimostrando di avere tutto sotto controllo. Ricercatori della Tokyo University of Science hanno pubblicato uno studio affascinante che esplora come il machine learning possa decifrare il complesso mondo del rilevamento degli inganni.
Questa scoperta riveste un’importanza fondamentale in vari contesti, tra cui l’interrogatorio di vittime o sospetti di reati e l’intervista a pazienti con problemi di salute mentale. Spesso gli intervistatori umani incontrano difficoltà nell’impostare le domande giuste o nell’individuare con precisione quando qualcosa non torna.
Il team di ricercatori, guidato da Kento Tsuchiya, Ryo Hatano e Hiroyuki Nishiyama, ha sviluppato un sistema di rilevamento automatico degli inganni tramite l’utilizzo del machine learning.
L’obiettivo principale era creare uno strumento equo e accurato che aiutasse a garantire sincerità da parte degli intervistati, individuando con precisione coloro che sono effettivamente sospetti, senza accusare ingiustamente individui innocenti.
Concentrandosi su espressioni facciali e frequenza cardiaca, il team ha cercato di individuare con successo il fenomeno dell’inganno.
Nel corso dello studio, i ricercatori hanno raccolto dati da quattro studenti universitari maschi. Tuttavia, anziché utilizzare impostazioni artificiali per le interviste, hanno adottato un approccio più naturale. Ai partecipanti sono state mostrate immagini casuali e sono stati invitati a parlarne liberamente, nel frattempo formulando dichiarazioni ingannevoli.
Durante queste interviste, una webcam ha catturato le espressioni facciali dei partecipanti, mentre uno smartwatch monitorava le pulsazioni. Ai partecipanti è stato chiesto di ingannare l’intervistatore durante la conversazione.
Dopo ogni sessione, i partecipanti hanno individuato le parti dei video in cui avevano formulato dichiarazioni ingannevoli.
Per costruire il modello di rilevamento degli inganni, i ricercatori hanno adottato la tecnica del “Random Forest” (RF) nell’ambito del machine learning. Hanno combinato tutti i dati raccolti, inclusi le espressioni facciali e le pulsazioni, per creare un set di dati da utilizzare per l’addestramento del modello.
Questo set di dati è stato diviso in dieci parti: nove per l’addestramento e una per il test. Questo processo è stato ripetuto dieci volte e sono state calcolate diverse metriche di prestazione, tra cui accuratezza, precisione, richiamo e punteggio F1 (che bilancia precisione e richiamo).
I risultati hanno dimostrato la validità del modello di rilevamento degli inganni, con accuratezza e punteggi F1 compresi tra il 75% e l’80%. La massima precisione ha raggiunto circa l’87%. La macchina è stata in grado di rilevare diversi segnali di inganno, tra cui cambiamenti nella frequenza cardiaca, movimenti degli occhi e specifiche aree facciali attorno agli occhi e alla bocca.
I ricercatori sono convinti che il loro approccio basato sul machine learning possa rivelarsi uno strumento prezioso per individuare l’inganno nelle interazioni umane. Tuttavia, riconoscono la necessità di un set di dati molto più ampio e diversificato, che includa soggetti con background culturali e stati neurodivergenti differenti, per ottenere risultati statisticamente solidi. A causa delle risorse limitate, sono stati costretti a concentrarsi su un caso di studio più piccolo, il che potrebbe influenzare la robustezza delle scoperte e la portata dell’analisi.
La creazione di un sistema preciso di rilevamento degli inganni ha richiesto un’ampia raccolta di dati da un numero significativo di individui. Tuttavia, ottenere un set di dati ampio e diversificato è stato un compito sfidante. Di conseguenza, il team ha condotto uno studio più contenuto, coinvolgendo un numero limitato di partecipanti. Sebbene questo abbia limitato l’analisi, lo studio ha comunque offerto spunti preziosi che possono aprire la strada a ulteriori ricerche future.
Il documento di ricerca dal titolo “Detecting Deception Using Machine Learning with Facial Expressions and Pulse Rate” è stato redatto da Kento Tsuchiya, Ryo Hatano e Hiroyuki Nishiyama.
Questo studio rappresenta un passo avanti significativo nell’individuazione dell’inganno attraverso il machine learning, concentrandosi su espressioni facciali e frequenza cardiaca. Pur presentando alcune limitazioni a causa delle dimensioni ridotte dello studio, le scoperte sono preziose e aprono la strada per ulteriori indagini. Mentre la tecnologia prosegue nella sua evoluzione, la collaborazione tra ricercatori, policy maker e sviluppatori di intelligenza artificiale rimane essenziale per creare strumenti di rilevamento degli inganni efficaci, in grado di proteggere le interazioni umane e preservare l’autenticità in un mondo digitale sempre più complesso.