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

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.