FRANCISCO RANGEL Las técnicas de detección del engaño se basan en la propia definición de engaño y en la detección de ciertos estados mentales que se producen en la persona que produce el engaño.
En el marco del Laboratorio PAN en el CLEF procuramos todos los años invitar a keynote speakers que sean relevantes a la tarea y además impactantes en cuanto a su procedencia. En la edición del año 2015 tuvimos el placer de ser deleitados por el Dr. Tommasso Fornaciari de la Policía Nacional Italiana que nos hizo un repaso de las tecnologías para la detección del engaño, desde la máquina de la verdad, hasta las técnicas estilométricas de las que en ocasiones hemos hablado relativas al author profiling, identificación de autoría o detección de plagio, entre otras como las conocidas de análisis del sentimiento o la detección de spam.
Las técnicas de detección del engaño se basan en la propia definición de engaño “an act that is intended to foster in another person a belief or understanding which the deceiver considers to be false” [1], y en la detección de ciertos estados mentales que se producen en la persona que produce el engaño. Sin embargo, como nos indica el Dr. Fornaciari, no hay manera directa de acceder a dichos estados mentales [2] y por lo tanto hay que utilizar técnicas que midan respuestas en el cuerpo que se presuponen asociadas a dichos estados.
Es en ello en lo que se basan todas las técnicas revisadas en su presentación (y que encarecidamente recomendamos su lectura), como una de las más conocidas y que es usada hasta en programas de televisión populares: la máquina de la verdad.
La máquina de la verdad, o polígrafo, fue construido en 1921 por John Augustus Larson [3] sobre la base de la detección de cambios en ciertas actividades fisiológicas producidos durante la generación de la mentira: actividad electro-dérmica, presión de la sangre, pulso y respiración. La hipótesis que se asume es que el polígrafo puede detectar signos de estrés que se supone relacionados con la producción de declaraciones engañosas. Para ello se realiza una entrevista (CQT) [4, 5] que mide la respuesta fisiológica en las actividades descritas ante preguntas sobre el hecho criminal combinadas con preguntas de control. Su tasa de acierto en la identificación de mentirosos es de entre un 83% y un 89%, lo que ayudó a su popularización. Sin embargo, entre un 53% y un 75% de los inocentes fue identificado correctamente [6] lo que implica que hay una tasa de entre el 15% y el 47% de inocentes identificados como mentirosos, lo que ha hecho que se cuestione a nivel ético y legal la aplicación de este tipo de técnicas para decidir sobre el futuro de una persona.
Esta es sólo una de las muchas tecnologías que explicó en su exposición el Dr. Fornaciari, terminando por las técnicas estilométricas que estamos acostumbrados a utilizar en lingüística computacional, y que como veíamos al principio, nos sirven para automatizar tareas de otro modo imposible en el entorno big data de los medios sociales. Sin embargo es una llamada a la cordura a la hora de hablar de generación de inteligencia en las organizaciones. La generación de inteligencia no puede dejarse en manos de máquinas, la toma de decisiones no puede estar guiada por el resultado de un algoritmo que dice que un X% de los usuarios de una red social determinada (que a su vez está participada por un porcentaje sesgado de la población) habla bien de tal producto, o más difícil aún, que tal partido es el favorito y por lo tanto va a ganar en las próximas elecciones. Porque luego el titular es, “El Big Data no gana unas elecciones”, y la decepción de los usuarios de estas herramientas se torna palpable. Pero como este mismo artículo dice, la bondad de una predicción no depende tanto de “[…]la cantidad masiva de los datos que de su calidad y del talento del científico[…]”. Así que no lo olvidemos, no podemos hablar de inteligencia sin la aplicación de inteligencia humana; no podemos hablar de organización inteligente sin un cambio en la aplicación de su inteligencia de las personas que la componen.
Referencias
[1] Zuckerman, M., DePaulo, B. M., and Rosenthal, R. (1981). Verbal and nonverbal communication of deception. Advances in experimental social psychology, 14(1):59.
[2] Granhag, P. A., Vrij, A., and Verschuere, B. (2015). Detecting Deception: Current Challenges and Cognitive Approaches. John Wiley & Sons.
[3] Britannica, E. (2003). Encyclopædia Britannica’s Great Inventions.
[4] Reid, J. (1947). A revised questioning technique in lie detection tests. Journal of Criminal Law, Criminology, and Police Science, 37:542–547.
[5] Raskin, D. C. (1986). The polygraph in 1986: Scientific, professional, and legal issues surrounding acceptance of polygraph evidence. Utah Law Review,
29:29–74.
[6] Vrij, A. (2008). Detecting Lies and Deceit: Pitfalls and Opportunities. Wiley Series in Psychology of Crime, Policing and Law. John Wiley & Sons, 2nd edition.