Apprendimento automatico interpretabile con SHAP predice comportamenti onesti a partire da tratti di personalità e dati fisiologici

Perché questa ricerca è importante

Ci piace credere di essere persone oneste, eppure piccole tentazioni — gonfiare un rimborso spese, esagerare un voto o tenere qualche spicciolo in più — sono ovunque. Questo studio pone una domanda sorprendente: atti brevi di disonestà possono essere previsti in anticipo a partire da chi siamo e da come il nostro corpo reagisce nel momento? Combinando test della personalità, sensori indossabili e algoritmi moderni, i ricercatori esplorano se minuscoli indizi nei nostri tratti e nella nostra fisiologia possano prevedere quando siamo più propensi a piegare la verità.

Come è stato progettato lo studio

Il team ha reclutato 58 studenti universitari che per prima cosa hanno completato un questionario standard di personalità chiamato HEXACO, che misura sei ampie tendenze come essere estroversi, organizzati, curiosi o modesti. Successivamente, i partecipanti sono stati connessi a sensori semplici: una fascia toracica per l’attività cardiaca e sensori al dito per sudorazione e variazioni del polso. Questi dispositivi hanno catturato sottili variazioni nei modelli di frequenza cardiaca, nell’attività elettrica della pelle e nell’ampiezza dell’impulso sanguigno al dito — segnali che spesso cambiano quando le persone si sentono tese o in conflitto.

Un gioco che invita a piccole bugie

Per osservare scelte reali, i ricercatori hanno utilizzato un gioco informatizzato di lancio di moneta che incoraggiava silenziosamente il comportamento disonesto. In ciascuna delle 100 prove, i giocatori indovinavano testa o croce, vedevano l’esito reale e poi dichiaravano se il loro indovinello era stato corretto, guadagnando una piccola ricompensa in denaro per ogni “vittoria” dichiarata. Poiché il computer controllava segretamente il numero di vittorie e sconfitte reali, gli scienziati potevano vedere esattamente quando un partecipante dichiarava falsamente di aver indovinato correttamente. Ogni prova è stata etichettata come onesta o disonesta in base alla corrispondenza tra la dichiarazione e l’esito reale, fornendo al team un registro netto di centinaia di piccole decisioni morali.

Insegnare ai computer a leggere gli indizi

Dotati dei punteggi del test di personalità e delle letture corporee momento per momento, i ricercatori hanno addestrato otto diversi modelli di machine learning — sistemi informatici che cercano schemi complessi nei dati. Hanno costruito tre tipi di predittori: uno usando solo i tratti di personalità, uno usando solo i segnali fisiologici e uno combinando entrambi. Per mantenere i risultati equi, hanno suddiviso i dati in set di addestramento e di test e hanno usato la cross-validation, un metodo standard che verifica quanto bene un modello si generalizzi oltre i dati su cui è stato istruito. La misura principale è stata una statistica chiamata AUC, che riflette quanto bene il modello distingue le prove disoneste da quelle oneste attraverso molte soglie.

Cosa è risultato più importante

Tra tutti i modelli, un approccio basato sulla personalità chiamato AdaBoost ha ottenuto le migliori prestazioni, raggiungendo una solida AUC di circa 0,84. Questo significa che i tratti stabili da soli erano sorprendentemente efficaci nel prevedere quali prove sarebbero state disoneste. Quando i ricercatori hanno usato solo indicatori fisiologici, o hanno combinato tratti e fisiologia, le prestazioni sono state leggermente inferiori, sebbene ancora rispettabili. Per guardare dentro a questi modelli “scatola nera”, hanno usato un metodo di interpretabilità chiamato SHAP, che assegna a ciascuna caratteristica un punteggio di contributo. Per la personalità, i legami positivi più forti con la disonestà sono stati un’alta Apertura mentale (Openness to Experience) e una maggiore Estroversione, mentre una Conscientiousness più bassa ha spinto le predizioni verso l’inganno. Al contrario, il tratto Onestà–Umiltà (Honesty–Humility) — spesso evidenziato in lavori precedenti — ha giocato solo un ruolo minore in questo specifico contesto a bassa posta in gioco.

Cosa rivela il corpo durante la tentazione

Anche i segnali fisiologici fornivano indizi, sebbene non con la stessa potenza dei tratti. Sono emersi pattern nella variabilità della frequenza cardiaca a bassissima frequenza come predittori corporei chiave: valori più alti erano associati a una maggiore probabilità di essere etichettati come disonesti. Un altro segnale importante è stata l’ampiezza del polso al dito, che tende a diminuire quando i vasi sanguigni si contraggono sotto eccitazione o stress; un’ampiezza del polso più bassa è stata collegata a una maggior predizione di disonestà. Anche le misure della conduttanza cutanea, che riflettono piccole variazioni della sudorazione, hanno contribuito ma in misura minore. Gli autori suggeriscono che anche un inganno minimo in un gioco semplice può provocare reazioni corporee sottili legate a tensione, conflitto o eccitazione, sebbene questi segnali possano amalgamarsi quando mediati su un compito lungo.

Limiti, questioni aperte e rilevanza nel mondo reale

Pur funzionando bene per questo gioco di laboratorio, gli autori sottolineano diverse cautele. Lo studio ha coinvolto un gruppo relativamente piccolo di giovani adulti di un contesto culturale unico, quindi i risultati potrebbero non generalizzarsi a popolazioni più anziane o diverse o a situazioni ad alta posta in gioco in cui sono in gioco reputazioni e relazioni. Le misure fisiologiche sono state mediate sull’intera sessione anziché collegate a prove individuali, il che può aver indebolito il loro potere predittivo. E poiché molti tratti di personalità sono interconnessi, l’importanza assegnata a un singolo tratto dovrebbe essere interpretata con cautela. Tuttavia, il lavoro offre un primo modello per combinare questionari, biosignali e algoritmi interpretabili per comprendere come il profilo personale e gli stati corporei influenzino l’onestà quotidiana.

Cosa significa per l’onestà di tutti i giorni

In termini semplici, questa ricerca suggerisce che il barare rapido e a basso costo non è casuale: riflette un mix di tendenze durature — come essere curiosi, socievoli o disciplinati — e fremiti corporei fugaci che si manifestano quando affrontiamo una tentazione. Lo studio mostra che i computer possono imparare a leggere questi schemi abbastanza bene da fare previsioni superiori al caso su chi altererà la verità in una data prova e perché. Sebbene sia lontano dall’essere uno strumento per giudicare le persone nella vita reale, l’approccio indica modi più sfumati per studiare l’onestà e potrebbe in futuro aiutare le istituzioni a progettare ambienti e salvaguardie più equi che riducano l’attrazione di piccole ma costose menzogne.

Citazione: 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

Parole chiave: comportamento disonesto, tratti di personalità, segnali fisiologici, apprendimento automatico, processo decisionale morale