眼动作为欺骗指标：一种机器学习方法
人机交互
2025-05-06 v1 人工智能
机器学习
摘要
注视行为可能增强测谎仪的鲁棒性，但相关研究仍不充分。本研究评估了人工智能模型（利用注视点、眼跳、眨眼和瞳孔大小）在两个数据集上检测隐蔽信息测试中欺骗行为的效能。第一个数据集使用Eyelink 1000采集，包含来自一项计算机化实验的眼动数据，该实验中87名参与者揭示、隐藏或伪造了先前所选卡牌的值。第二个数据集使用Pupil Neon采集，涉及36名参与者执行类似任务，但需面对一名实验者。XGBoost在二分类任务（揭示 vs. 隐藏）中达到了最高74%的准确率，在更具挑战性的三分类任务（揭示 vs. 隐藏 vs. 伪造）中达到了49%的准确率。特征分析确定眼跳次数、持续时间、幅度和最大瞳孔大小是预测欺骗最重要的指标。这些结果证明了利用眼动和人工智能增强测谎仪的可行性，并鼓励未来研究在此基础上进行改进。
引用
@article{arxiv.2505.02649,
title = {Eye Movements as Indicators of Deception: A Machine Learning Approach},
author = {Valentin Foucher and Santiago de Leon-Martinez and Robert Moro},
journal= {arXiv preprint arXiv:2505.02649},
year = {2025}
}