Cognitive Load as a Key to Lie Detection: A Psycholinguistic Exploration of Pause and Hesitation in True and Fabricated Narratives
Notice bibliographique
Résumé
This study investigates the role of pauses and hesitations as crucial non-verbal cues in deception detection, emphasizing the influence of cognitive load, as framed by the theoretical framework established by Memon et al. (2003). By examining cognitive indicators such as filled and silent pauses, repetitions, slips of the tongue, word omissions, speech rearrangements, sentence incompletions, and drawl, this research sheds light on the mental processes underlying language production in deceptive communication. Utilizing a comprehensive experimental design, we collected narratives from 30 native Persian speakers who recounted both truthful experiences and fabricated scenarios over a one-week period. This design aimed to minimize situational cognitive load and emotional anxiety by allowing participants ample preparation time and enabling them to record their narratives in a familiar home setting, thus isolating the cognitive demands inherent in the act of fabrication itself. Our dataset comprised 60 transcribed video recordings, which were meticulously coded for the specified disfluency types and analyzed using Praat software for phonetic detail where necessary (e.g., pause duration). Statistical analysis via paired sample t-tests in SPSS, with Bonferroni correction for multiple comparisons, revealed a significant increase ( p < .006) in the frequency of silent pauses (≥200 ms in duration) during the narration of fabricated stories compared to truthful ones. This finding suggests that the cognitive effort required for deception persists and manifests measurably, even when lies are premeditated and delivered in a low-stakes environment. Despite the controlled setting designed to reduce anxiety and planning demands, our findings underscore the potential reliability of specific non-verbal cues, particularly silent pauses, as indicators reflecting the cognitive architecture of deception. The study emphasizes the importance of integrating analyses of both verbal content and non-verbal behaviours in developing more nuanced and effective lie detection methodologies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».