Un modelo de detección de engaño mediante el uso de LLM integrado con características de emoción | JoVE Visualize

Área de la Ciencia:

Inteligencia artificial
Aprendizaje automático
Procesamiento del lenguaje natural

Sus antecedentes:

Los métodos tradicionales de detección de mentiras dependen en gran medida de los interrogadores humanos, lo que introduce subjetividad y posibles juicios erróneos.
El desarrollo de sistemas de detección de engaños objetivos y precisos es crucial para las aplicaciones legales y forenses.

Objetivo del estudio:

Proponer y evaluar un modelo de detección de engaño mejorado por la emoción, Detección de mentiras utilizando XGBoost con características de emoción basadas en RoBERTa (LieXBerta), para mejorar la objetividad y la precisión.
Para integrar las características emocionales, faciales y de acción para una detección de engaño más robusta.

Principales métodos:

Utilizó el Robustly Optimized BERT Pretraining Approach (RoBERTa) para extraer las características emocionales de los textos de interrogatorio.
Combinó rasgos emocionales extraídos con rasgos faciales y de acción.
Utilizó un clasificador de aumento de gradiente extremo (XGBoost) para la tarea de detección de engaños.
Desarrolló un conjunto de datos de texto de prueba enriquecido con características emocionales detalladas para la verificación del modelo.

Principales resultados:

El modelo LieXBerta, que incorpora características emocionales, demostró un rendimiento superior en comparación con los modelos de referencia que utilizan solo características tradicionales y otros modelos clásicos de aprendizaje automático.
El ajuste de parámetros dio como resultado una precisión del 87,50% para el modelo LieXBerta, una mejora del 6,5% con respecto a la línea de base.
Las características reducidas en el modelo sintonizado de LieXBerta disminuyeron el tiempo de ejecución en un 42%, mejorando la eficiencia del entrenamiento y el rendimiento de la predicción.

Conclusiones:

El modelo LieXBerta propuesto mejora significativamente la objetividad y la precisión de la detección del engaño al integrar características emocionales.
El modelo muestra un potencial prometedor para su aplicación en tribunales, ofreciendo una alternativa más confiable a los métodos tradicionales.
La integración de RoBERTa para la extracción de emociones y XGBoost para la clasificación proporciona un marco eficaz para la detección avanzada de engaños.