The truth about lies: What works in detecting high‐stakes deception?
Notice bibliographique
Résumé
In this paper, we provide our view of the current understanding of high‐stakes lies often occurring in forensic contexts. We underscore the importance of avoiding widespread pitfalls of deception detection and challenging prevailing assumptions concerning strategies for catching liars. The promise and limitations of each of non‐verbal/body language, facial, verbal/linguistic, and physiological channels in detecting deception are discussed. In observing the absence of a single cue or behavioural channel that consistently reveals deception, a holistic approach with concurrent attention to multiple channels of a target's behaviour (ideally videotaped for review) and changes from baseline behaviour is recommended whenever possible. Among the best‐validated cues to be considered together include: illustrators, blink and pause rate, speech rate, vague descriptions, repeated details, contextual embedding, reproduction of conversations, and emotional ‘leakage’ in the face. While advocating a reliance on empirical evidence, we observe that few studies of high‐stakes deception yet have been conducted. Further, some manifestations of lying are highly idiosyncratic and difficult to address in quantitative research, pointing to the need for keen observation skills, and psychological insight. A recurring theme is the need for the field to devise innovative approaches for studying high‐stakes lies to promote ecological validity. Ultimately, such work will provide a strong foundation for the responsible application of deception research in forensic and security settings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,104 | 0,262 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,011 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,014 |
| Communication savante | 0,014 | 0,024 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,009 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».