Νέο μοντέλο τεχνητής νοημοσύνης χρησιμοποιεί εκφράσεις του προσώπου για να ανιχνεύσει τα ψέματα!
Η μηχανική μάθηση είναι ένα υποσύνολο της τεχνητής νοημοσύνης (AI) που περιλαμβάνει τη χρήση αλγορίθμων και στατιστικών μοντέλων για να μπορέσουν οι υπολογιστές να μάθουν και να βελτιωθούν από την εμπειρία χωρίς να είναι ρητά προγραμματισμένοι. Με άλλα λόγια, είναι μια μέθοδος διδασκαλίας των υπολογιστών να εκτελούν συγκεκριμένες εργασίες μαθαίνοντας από δεδομένα, πρότυπα και παραδείγματα, αντί να βασίζονται σε προκαθορισμένους κανόνες.
Η ανίχνευση της εξαπάτησης μπορεί να είναι σημαντική σε διάφορες καταστάσεις, όπως η ανάκριση θυμάτων εγκλημάτων ή υπόπτων και η συνέντευξη ασθενών με προβλήματα ψυχικής υγείας. Μερικές φορές, οι ανθρώπινοι συνεντευκτές μπορεί να δυσκολεύονται να κάνουν τις σωστές ερωτήσεις ή να εντοπίσουν με ακρίβεια την εξαπάτηση.
Για να αντιμετωπίσουν αυτές τις προκλήσεις, οι ερευνητές προσπάθησαν να αναπτύξουν ένα αυτοματοποιημένο σύστημα ανίχνευσης εξαπάτησης με χρήση μηχανικής μάθησης. Ο στόχος ήταν να δημιουργηθεί ένα δίκαιο και ακριβές σύστημα που θα βοηθούσε τους συνεντευξιαζόμενους να λένε την αλήθεια, ενώ θα αναγνώριζε σωστά τους γνήσιους υπόπτους χωρίς να κατηγορεί λανθασμένα αθώους ανθρώπους. Η ομάδα, αποτελούμενη από τους Kento Tsuchiya, Ryo Hatand και Hiroyuki Nishiyama, επικεντρώθηκε στη χρήση των εκφράσεων του προσώπου και των παλμών για τον εντοπισμό της εξαπάτησης.
Στη μελέτη τους, συνέλεξαν δεδομένα από τέσσερις άνδρες μεταπτυχιακούς φοιτητές. Αντί να χρησιμοποιήσουν τεχνητά σενάρια συνέντευξης, ακολούθησαν μια πιο φυσική προσέγγιση. Στα υποκείμενα έδειξαν τυχαίες εικόνες και τους ζήτησαν να μιλήσουν ελεύθερα γι’ αυτές, ενώ έκαναν παραπλανητικές δηλώσεις.
Κατά τη διάρκεια αυτών των συνεντεύξεων, οι ερευνητές χρησιμοποίησαν μια διαδικτυακή κάμερα για να καταγράψουν τις εκφράσεις του προσώπου των υποκειμένων και ένα έξυπνο ρολόι για να μετρήσουν τους παλμούς τους. Τα υποκείμενα έλαβαν οδηγίες να εξαπατούν τον συνεντευκτή καθώς μιλούσαν. Μετά από κάθε συνεδρία, τα ίδια τα υποκείμενα αναγνώριζαν ποια σημεία του καταγεγραμμένου βίντεο περιείχαν παραπλανητικές δηλώσεις.
Οι ερευνητές χρησιμοποίησαν μια τεχνική μηχανικής μάθησης που ονομάζεται Random Forest (RF) για να δημιουργήσουν το μοντέλο ανίχνευσης εξαπάτησης. Χρησιμοποίησαν όλα τα δεδομένα που συλλέχθηκαν, συμπεριλαμβανομένων των εκφράσεων του προσώπου και των παλμών, για να δημιουργήσουν ένα σύνολο δεδομένων για την εκπαίδευση του μοντέλου μηχανικής μάθησης.
Για να αξιολογήσουν την απόδοση του μοντέλου, χρησιμοποίησαν μια τεχνική 10πλής διασταυρούμενης επικύρωσης. Αυτό περιελάμβανε τη διαίρεση του συνόλου δεδομένων σε δέκα μέρη, χρησιμοποιώντας εννέα μέρη για εκπαίδευση και ένα μέρος για δοκιμή. Η διαδικασία αυτή επαναλήφθηκε δέκα φορές και υπολογίστηκαν οι μέσες μετρικές επιδόσεων, όπως η ακρίβεια, η ακρίβεια, η ανάκληση και η βαθμολογία F1 (μια μετρική επιδόσεων που εξισορροπεί την ακρίβεια και την ανάκληση).
Τα αποτελέσματα της μελέτης έδειξαν πολλά υποσχόμενες επιδόσεις για το μοντέλο ανίχνευσης εξαπάτησης. Η ακρίβεια και η βαθμολογία F1 για κάθε θέμα κυμάνθηκαν από 75% έως 80%, με την υψηλότερη ακρίβεια να είναι περίπου 87%. Ορισμένες κοινές ενδείξεις που χρησιμοποίησε το μηχάνημα για την ανίχνευση της εξαπάτησης περιλάμβαναν αλλαγές στον παλμό, κινήσεις του βλέμματος και συγκεκριμένες περιοχές του προσώπου γύρω από τα μάτια και το στόμα.
Οι ερευνητές πιστεύουν ότι η προσέγγισή τους με τη μηχανική μάθηση θα μπορούσε να αποτελέσει ένα πολύτιμο εργαλείο για την ανίχνευση της εξαπάτησης στις ανθρώπινες αλληλεπιδράσεις. Ωστόσο, σημείωσαν ότι “για να επιτύχουμε στατιστικά αυστηρά αποτελέσματα χρησιμοποιώντας την προσέγγισή μας, χρειαζόμαστε ουσιαστικά αρκετές χιλιάδες καταγεγραμμένα βίντεο και πλουσιότερα δεδομένα αισθητήρων με τη βοήθεια ενός τεράστιου αριθμού ατόμων, τα οποία μπορεί να έχουν διαφορετικό πολιτισμικό υπόβαθρο και νευροδιαφορετικές καταστάσεις, αλλά αυτό ήταν δύσκολο για εμάς. Ως εκ τούτου, περιορίσαμε την προσοχή μας στην παροχή κάποιας ανάλυσης τύπου μελέτης περίπτωσης με τη βοήθεια λίγων υποκειμένων με βάση το εύρος της προτεινόμενης μεθόδου μας στην παρούσα βιβλιογραφία”.
Λόγω της δυσκολίας απόκτησης ενός τεράστιου και ποικίλου συνόλου δεδομένων, οι ερευνητές έπρεπε να εργαστούν με περιορισμένους πόρους. Αυτός ο περιορισμός ενδέχεται να επηρεάσει τη συνολική ισχύ των συμπερασμάτων τους και να περιορίσει το εύρος της ανάλυσής τους.
Με άλλα λόγια, χρειάζονταν λεπτομερή δεδομένα από έναν πολύ μεγάλο αριθμό ανθρώπων για να αναπτύξουν ένα ακριβές σύστημα ανίχνευσης εξαπάτησης. Λόγω της δυσκολίας απόκτησης ενός τεράστιου και ποικίλου συνόλου δεδομένων, επικεντρώθηκαν στην πραγματοποίηση μιας μικρότερης μελέτης με λίγους μόνο συμμετέχοντες. Αυτό περιόρισε την ανάλυσή τους, αλλά παρόλα αυτά παρείχε κάποιες χρήσιμες πληροφορίες που θα μπορούσαν να θέσουν τις βάσεις για μελλοντικές μελέτες.
Η μελέτη με τίτλο “Detecting deception using machine learning with facial expressions and pulse rate” (Ανίχνευση εξαπάτησης με χρήση μηχανικής μάθησης με εκφράσεις προσώπου και ρυθμό παλμών) συντάχθηκε από τους Kento Tsuchiya,Ryo Hatano και Hiroyuki Nishiyama.
Το διάβασα στο enallaktikidrasi.com
