Három dologban lehet biztos az életben: halál, adó - és hazugság. Ez utóbbit minden bizonnyal úgy tűnik, megerősítette az Egyesült Királyság legutóbbi Brexit -népszavazása, a szám az Hagyja el a kampányt felajánlások többet keres mint disznótorta mint a szilárd igazságokat.

De az internetes reklámozástól, a vízumkérelmektől és a tudományos cikkektől a politikai blogokig, a biztosítási igényekig és a társkereső profilokig számtalan helyen tudunk digitális hazugságot mondani. Tehát hogyan lehet észrevenni ezeket az online szálakat? Nos, Stephan Ludwig a Westminsteri Egyetemről, Ko de Ruyter a City University London Cass Business School -ból, Mike Friedman a Louvaini Katolikus Egyetemről, és a tiéd valóban kifejlesztett egy digitális hazugságvizsgálót - és az internetes valótlanságok egész sorát képes feltárni .

Új kutatásunkban, nyelvi jelzések segítségével hasonlítottuk össze a hazugságként azonosított e-mailek tízezreit az igaznak ismertekkel. És ebből az összehasonlításból kifejlesztettünk egy szövegelemző algoritmust, amely képes észlelni a megtévesztést. Három szinten működik.

1. Szóhasználat

A kulcsszavas keresés ésszerű megközelítés lehet, ha nagy mennyiségű digitális adatot kezel. Tehát először feltártuk a két dokumentumkészlet közötti szóhasználatbeli különbségeket. Ezek a különbségek azonosítják azt a szöveget, amely valószínűleg hazugságot tartalmaz. Azt találtuk, hogy a hazug személyek általában kevesebb személyes névmást használnak, mint én, te és ő, és több melléknevet, például ragyogó, félelmetlen és magasztos. Kevesebb első személyű névmást is használnak, mint én, én, az enyém, ellentmondásos szavakkal, mint amilyen, lehet, kellene, és több második személyű névmást (te, a te) a teljesítményszavakkal (keresni, hős) , győzni).

Kevesebb személyes névmás jelzi a szerző azon próbálkozását, hogy elhatárolódjon szavaitól, míg a több melléknév használata kísérlet arra, hogy a felesleges leírások zűrzavarán keresztül elvonja a figyelmet a hazugságtól. A kevesebb első személyű névmás és az ellentmondó szavak kombinációja a finomság és a pozitív énkép hiányát jelzi, míg a több második személyű névmás a teljesítményszavakkal kombinálva a címzettek hízelgésére tett kísérletet. Ezért a keresési kifejezések ezen kombinációit beépítettük algoritmusunkba.

2. Szerkezeti vizsgálat

A megoldás másik része a kognitív folyamatszavak varianciájának elemzésében rejlik, mint például az ok, mert, tudni és kell - és azonosítottuk a strukturális szavak és a hazugság közötti kapcsolatot.

A hazugok nem tudnak megtévesztő e -maileket generálni a tényleges memóriából, így elkerülik a spontaneitást, hogy elkerüljék az észlelést. Ez nem azt jelenti, hogy a hazugok összességében több kognitív folyamatszót használnak, mint az igazat mondók, de következetesebben tartalmazzák ezeket a szavakat. Például hajlamosak minden mondatot a következőhöz kötni - „tudjuk, hogy ez történt, mert ennek így kell lennie”. Algoritmusunk észleli a folyamatszavak ilyen jellegű használatát a kommunikációban.

3. Cross-email megközelítés

Azt is tanulmányoztuk, hogy az e -mailek feladói hogyan változtatják meg nyelvi stílusukat, miközben számos e -mailt cserélnek valakivel. A tanulmány ezen részéből kiderült, hogy a csere során a küldő egyre inkább használta a fogadó által használt függvényszavakat.

A funkciószavak olyan szavak, amelyek hozzájárulnak a mondat szintaxisához vagy szerkezetéhez, inkább a mondat jelentéséhez - például egy, am, to. A feladók pedig úgy módosították üzeneteik nyelvi stílusát, hogy illeszkedjenek a címzetthez. Ennek következtében algoritmusunk azonosítja és összegyűjti az ilyen egyezéseket.

Izgalmas alkalmazások

A fogyasztói felügyelet ezzel a technológiával „esetleg hazug” pontszámot rendelhet a kétes jellegű hirdetésekhez. A biztonsági cégek és a nemzeti határierők az algoritmus segítségével értékelhetik a dokumentumokat, például a vízumkérelmeket és a leszállókártyákat, hogy jobban ellenőrizzék a belépési és belépési szabályok és előírások betartását. A felsőoktatási vizsgabizottságok titkárai és az akadémiai folyóiratok szerkesztői javíthatják korrekciós eszközeiket a hallgatói dolgozatok és az akadémiai cikkek plágiumok automatikus ellenőrzésére.

Valójában a lehetséges alkalmazások folytatódnak. A politikai blogok sikeresen nyomon követhetik közösségi média interakcióikat a szöveges anomáliák szempontjából, míg a társkereső és véleményező oldalak osztályozzák a felhasználók által küldött üzeneteket „esetleg hazugságuk” alapján. A biztosítótársaságok jobban ki tudják használni a kárellenőrzésre rendelkezésre álló idejüket és erőforrásaikat. A könyvelők, adótanácsadók és igazságügyi szakértők algoritmusunk segítségével megvizsgálhatják a pénzügyi kimutatásokat és az adóköveteléseket, és megtévesztő dohányzó fegyvereket találhatnak.

Az emberek megdöbbentően rosszak abban, hogy tudatosan észleljék a megtévesztést. Valóban, az emberi pontosság a hazugság észlelésében mindössze 54%, aligha jobb a véletlennél. Digitális hazugságérzékelőnk 70% -os pontosságú. A csalás elleni küzdelemre bárhol alkalmazható, ahol a számítógépes tartalomban előfordul, és a technológia fejlődésével a Pinokkió -figyelmeztetések teljesen automatizálhatók, és pontossága még tovább nő. Ahogy Pinokkió orra reflexszerűen jelezte a hazugságot, úgy a digitális hazugságvizsgálónk is. Szálak vigyázz.

A szerzőről

Tom van Laer, a London City University marketing főiskolai oktatója

Ezt a cikket eredetileg közzétették A beszélgetés. Olvassa el a eredeti cikk.

Kapcsolódó könyvek

at InnerSelf Market és Amazon