Video killed the radio star? The influence of presentation modality on detecting high‐stakes, emotional lies
Notice bibliographique
Résumé
Purpose In many contexts in which high‐stakes lies occur (such as security settings or the courtroom), observers must evaluate whether the stories they hear are credible. However, little research has evaluated the ability of observers to detect high‐stakes lies, nor the influence of the manner in which the deception is presented on judgment accuracy. This study investigated whether the presentation modality of high‐stakes lies influences both explicit and implicit deception detection accuracy. Methods Participants ( N = 231) were randomly assigned to one of four presentation modalities: audiovisual, video‐only, audio‐only, or transcript‐only and asked to evaluate the honesty of targets – half of whom were sincere and half deceptive killers – making a plea for the return of a missing relative both explicitly (direct lie/truth decision) and implicitly (via emotional reactions). Results Overall, explicit deception detection accuracy was slightly above chance ( M = 52.5%), and honest pleas were accurately identified at a higher rate than deceptive pleas. Although there were no differences in overall accuracy across modality, observers reading transcripts exhibited a truth bias, which resulted in them detecting truthful pleas at a higher rate than with the other groups. Although explicit accuracy was at the level of chance, implicit reactions indicated that observers were able to unconsciously discern liars from truth‐tellers. Conclusions Despite the high‐stakes nature of the lies presented here, they were difficult to detect. Lies presented via written language were missed at a higher rate when assessed using explicit but not implicit judgments.
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 | 0,001 |
| 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 ».