Detecting Deception through RST: A Case Study of the Casey Anthony Trial
Notice bibliographique
Résumé
Many researchers have used linguistic analyses to determine if features, such as syntactic patterns or word choice, vary based on the truth or untruth of an utterance. For example, Newman et al. (2003) examined lying in written communication, finding that deceptive utterances used more total words but fewer personal pronouns. However, relatively few studies have focused on speech or writing style, which can be used to aid in authorship attribution and plagiarism identification (Cristani et al., 2012), and would thus seem to prove valuable for detecting deception. Recently, efforts have been made to remedy this by extending the application of linguistic feature analysis. For example, Rubin and Lukoianova (2014) applied Mann and Thompson’s (1987) Rhetorical Structure Theory (RST) to elicited written narratives that participants self-identified as either truthful or deceitful. Their findings suggest that RST relations, illustrative of functional relationships between ‘spans’ of text, vary based on the truthfulness of the narratives. However, this study, like previous studies, relies on researcher-prompted untruths rather than naturally occurring ones. As such, participants have little motivation to make the deception believable, unlike in real-world situations. The present study thus combines linguistic analysis with an examination of naturally occurring deception in the high-stakes setting of the State of Florida versus Casey Marie Anthony , in order to determine if findings like those of Rubin and Lukoianova (2014) are generalizable to deceptive statements in real-world settings. From publically available legal case documents, a corpus of 724 words (65 text segments) was selected and RST relations were coded. While some of Rubin and Lukoianova’s (2014) findings were minimally supported, no strong correlation between relations and the truth value of an utterance were found, suggesting the need for additional research in this area.
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 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».