למידת מכונה ניתנת לפרשנות עם SHAP חוזה התנהגות כנה מתוך מאפייני אישיות ונתונים פיזיולוגיים

מדוע המחקר הזה חשוב

אנו אוהבים להאמין שאנחנו אנשים ישרים, אך פיתויים קטנים — להגדיל דוח הוצאות, להגזים בציון, או לקחת עוד עודף בשקט — נמצאים בכל מקום. המחקר הזה שואל שאלה בולטת: האם אפשר לחזות מעשים קצרים של חוסר יושרה מראש על סמך מי שאנחנו ואיך גופנו מגיב ברגע? על ידי שילוב מבחני אישיות, חיישנים לבישים ואלגוריתמים מודרניים, החוקרים בוחנים האם רמזים זעירים במאפיינים שלנו ובפיזיולוגיה יכולים לנבא מתי סביר שנעגל את האמת.

כיצד נערך המחקר

הצוות גייס 58 סטודנטים אקדמיים שמילאו תחילה שאלון אישיות סטנדרטי בשם HEXACO, שמודד שישה מנחים רחבים כגון מוחצנות, ארגון, סקרנות או צניעות. לאחר מכן המשתתפים חוברו לחיישנים פשוטים: רצועת חזה לפעילות הלב וחיישני אצבע להזעה ושינויים בדופק. המכשירים האלה הקלטו שינויים דקים בדפוסי קצב לב, בפעילות החשמלית של העור ובעוצמת פולס הדם באצבע — אותות שבדרך כלל משתנים כאשר אנשים מרגישים מתוחים או בספק.

משחק המזמין שקרים קטנים

כדי לצפות בבחירות אמיתיות, החוקרים השתמשו במשחק מטבע ממוחשב שהמריץ בגיבוי רמיזה להונאה. בכל אחד מ-100 ניסיונות, השחקנים ניחשו עץ או פלי, ראו את התוצאה האמיתית ואז דיווחו אם ניחושם היה נכון, והרווחו תשלום מזערי על כל "ניצחון" מדווח. כיוון שהמחשב שלט בסתר במספר הניצחונות וההפסדים האמיתיים, המדענים יכלו לראות בדיוק מתי משתתף רימה ודיווח כי ניחש נכון. כל ניסוי סומן ככנה או לא כנה בהתבסס על התאמת הדיווח לתוצאה האמיתית, מה שיצר רישום נקי של מאות החלטות מוסריות זעירות.

להכשיר מחשבים לקרוא את הרמזים

מצוידים בציוני מבחן האישיות ובמדידות הגוף רגע-רגע, החוקרים אימנו שמונה מודלים שונים של למידת מכונה — מערכות מחשב המחפשות דפוסים מורכבים בנתונים. הם בנו שלושה סוגי מנבאים: אחד המשתמש רק במאפייני אישיות, אחד המשתמש רק באותות פיזיולוגיים, ואחד שמשלב את השניים. כדי לשמור על הוגנות התוצאות, חילקו את הנתונים לסטי אימון ובדיקה והשתמשו באימות צולב, שיטה סטנדרטית הבודקת עד כמה מודל מוכלל מעבר לנתונים שעליהם הוא הוכשר. המדד העיקרי היה סטטיסטיקה הנקראת AUC, המשקפת עד כמה המודל מבחין בין ניסויים לא כנים לכנים על פני ספים רבים.

מה התברר כחשוב ביותר

מבין כל המודלים, גישה מבוססת אישיות בשם AdaBoost הצטיינה והגיעה ל-AUC חזק של כ-0.84. משמעות הדבר היא שמאפיינים יציבים לבדם היו מפתיעים בחיזוי אילו ניסיונות יהיו לא כנים. כאשר החוקרים השתמשו רק במדדי פיזיולוגיה, או בשילוב של תכונות ופיזיולוגיה, הביצועים היו מעט נמוכים יותר, אם כי עדיין מכובדים. כדי להציץ בתוך "תיבות שחורות" אלו השתמשו בשיטת פרשנות בשם SHAP, המייחסת לכל תכונה ציון תרומה. מבחינת האישיות, הקישורים החיוביים החזקים ביותר לחוסר יושרה היו פתיחות גבוהה יותר לחוויה ומוחצנות גבוהה יותר, בעוד שמודעות עצמית (Conscientiousness) נמוכה יותר דחפה גם היא את התחזיות לכיוון רמאות. בניגוד לכך, תכונת היושר–צניעות (Honesty–Humility) — שלעולם הודגשה בעבודות קודמות — שיחקה תפקיד משני בלבד בסביבה זו, שנבדקה בסיכון נמוך.

מה הגוף מגלה בזמן הפיתוי

אותות פיזיולוגיים נשאו גם הם רמזים, אם כי לא בחוזק של המאפיינים. דפוסים בסטיית קצב לב בתדר נמוך מאוד (very-low-frequency HRV) עלו כמנבאים מרכזיים בגוף: ערכים גבוהים נקשרו לסבירות מוגברת שנסמן כלא כנה. אות חשוב נוסף היה אמפליטודת פולס האצבע, שנוטה לרדת כאשר כלי הדם מתכווצים במצב עוררות או לחץ; אמפליטודה נמוכה יותר נקשרה ליותר חיזוי של חוסר יושרה. מדדים של הולכת העור, המשקפים שינויים זעירים בהזעה, גם הם תרמו אך במידה פחותה. המחברים מציעים שגם רמאות קלה במשחק פשוט יכולה לעורר תגובות גוף עדינות הקשורות למתח, קונפליקט או התרגשות, אם כי אותות אלה עלולים לבלבל כשהם ממוצעים על פני משימה ארוכה.

מגבלות, שאלות פתוחות ורלוונטיות לעולם האמיתי

בעוד שהמודלים עבדו היטב למשחק המעבדה הזה, המחברים מדגישים כמה הסתייגויות. המחקר כלל קבוצה יחסית קטנה של צעירים ממקבץ תרבותי אחד, ולכן התוצאות עשויות שלא להיות תקפות באותה מידה לאוכלוסיות מגוונות יותר או למבוגרים, או למצבי הימור גבוהים שבהם מונח על הכף יוקרה או יחסים. המדדים הפיזיולוגיים הותאמו בממוצע לאורך כל הסשן במקום להיות מקושרים לניסיונות בודדים, מה שעשוי להחליש את כוח החיזוי שלהם. וכיוון שמאפייני אישיות רבים קשורים זה לזה, יש לפרש בזהירות את החשיבות שיוחסה לכל תכונה בודדת. עם זאת, העבודה מציעה מתווה ראשוני לשילוב שאלונים, ביו-סיגנלים ואלגוריתמים ניתנים לפרשנות להבנת האופן שבו הרכב אישי ומצב הגוף מעצבים יושרה יומיומית.

מה זה אומר לגבי יושרה יומיומית

במלים פשוטות, המחקר מציע שהונאה מהירה ובעלת עלות נמוכה אינה מקרית: היא משקפת תערובת של נטיות מתמשכות — כמו סקרנות, מוחצנות או משמעת — ותזוזות גופניות חולפות שנרשמות כאשר אנו נתקלים בפיתוי. המחקר מראה שמחשבים יכולים ללמוד לקרוא דפוסים אלה מספיק טוב כדי לבצע תחזיות מעל לסיכוי אקראי לגבי מי יתכחש לאמת בניסיון נתון, ולמה. אף שמדובר רחוק מלהיות כלי לשיפוט יחידים בחיים האמיתיים, הגישה מצביעה על דרכים מעודנות יותר לחקור יושרה, ועל פוטנציאל לסייע בסופו של דבר למוסדות לעצב סביבות הוגנות יותר ואמצעי מניעה שמצמצמים את המשיכה לשקרים קטנים אך יקרים.

ציטוט: Meng, Y., Chen, Y., Zhang, Z. et al. Interpretable machine learning with SHAP predicts honest behavior from personality traits and physiological data. Sci Rep 16, 13457 (2026). https://doi.org/10.1038/s41598-026-41677-y

מילות מפתח: התנהגות לא כן, מאפייני אישיות, אותות פיזיולוגיים, למידת מכונה, קבלת החלטות מוסרית