Is the Truth in Your Words? Distinguishing Children’s Deceptive and Truthful Statements
Notice bibliographique
Résumé
Children’s ( N = 48) and adults’ ( N = 28) truthful and deceptive statements were compared using a linguistics-based computer software program. Children (4 to 7 years of age) and adults (18 to 25 years of age) participated in a mock courtroom experiment, in which they were asked to recount either a true or fabricated event. Testimonies were then analyzed using Linguistic Inquiry and Word Count Software (LIWC; Pennebaker et al. 2007). This software has been previously used to detect adults’ deceptive statements (e.g., Bond and Lee, 2005). To date, no research has used this method on children’s narratives, nor has this software been used to compare those narratives to adult counterparts. Markers generated through the LIWC program achieved detection rates of 72.40% for samples of both children’s and adults’ narratives combined. In contrast, adult laypersons’ ( N = 48) detection rates, for the same narratives (i.e., both children and adults) were close to chance. More specifically, detection rates were above chance for truth (65.00%) and below chance for lies (45.00%). Thus, the linguistic profile provided through LIWC yielded greater accuracy for evaluating the veracity of children’s and adults’ narratives compared to adult laypersons’ detection accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».