Using reality monitoring to improve deception detection in the context of the cognitive interview for suspects.
Notice bibliographique
Résumé
Research has found that deception detection accuracy in the context of suspect interrogation hovers around chance levels. Geiselman (2012) adapted the cognitive interview (typically used for witnesses) for use with suspects (CIS) and found that judgments of deception were more accurate than previous interrogation techniques. The current study attempted to use the CIS to improve deception detection with Reality Monitoring (RM: Vrij et al., 2008), which has already been validated in the context of witness statements. One hundred sixty-six undergraduate students were randomly assigned to 2 conditions. In the Truthful condition, participants played a game with a confederate, whereas in the Deceptive condition, participants rehearsed (but did not experience) a synopsis of the game scenario. Participants in the Deceptive condition were also instructed to steal $10 from a confederate's wallet. In both conditions, $10 was purported to be missing and a researcher blind to condition conducted a CIS. Statement veracity was coded using 6 of the RM criteria advanced by Vrij et al. (frequency of visual, auditory, spatial, temporal, cognitive, and affective details). According to results from a MANOVA, truthful and deceptive statements differed significantly on all RM criteria, with the exception of affective details, validating the importance for evaluation of statement veracity (p ≤ .01). Further, a binary logistic regression found that combining the RM criteria together correctly classified 86.6% of statements, χ(²)(6) = 114.4, p < .001, with excellent sensitivity and specificity (.899 and .833, respectively). As well, Visual, Auditory, and Cognitive details uniquely predicted condition. Findings support using RM criteria to detect deception in interviews conducted with the CIS.
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) | 0,000 | 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 ».