Maltreated and non-maltreated children’s truthful and dishonest reports: Linguistic and syntactic differences
Notice bibliographique
Résumé
Introduction: Adults are typically poor judges of the veracity of statements, requiring the need for alternative methods for detecting lies. One alternative method to human lie-detectors is using computer-based linguistic analysis which may present a more reliable method for detecting dishonesty. Moreover, while previous research has examined linguistic differences between typically developing children's and adults' truthful and dishonest reports, no study to date has examined whether maltreated children exhibit different linguistic cues to dishonesty. Thus, the current study examined maltreated and nonmaltreated children's linguistic and syntactic cues to children's truthful and dishonest reports. Methods: Nine- to 12-year-olds, half of whom were maltreated, played a computer game with a confederate: half of the children experienced a transgression (i.e., playing a forbidden game and crashing the computer) and were coached to conceal it, and half of the children experienced no transgression (i.e., simply played a computer game). All children were then interviewed about the event. The current study utilized automated linguistic and syntactic analysis software to compare children's truthful reports (no transgression occurred) with dishonest reports. Results and Discussion: Results indicated that maltreated and non-maltreated children did not differ in their indicators of dishonesty. Dishonest reporters used more first-person plural pronouns and cognitive mechanism terms and had less syntactically complex reports compared to truthful reporters. Finally, first-personal plural pronouns, cognitive mechanism terms, and syntactic complexity accurately classified (74.2%) the veracity of children's reports. The current findings present a new indicator of dishonesty (syntactic complexity) and suggest that indicators from typically developing populations may apply to maltreated children when coaching occurred.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».