Interpreteerbare machine learning met SHAP voorspelt oneerlijk gedrag aan de hand van persoonlijkheidskenmerken en fysiologische gegevens

Waarom dit onderzoek ertoe doet

We geloven graag dat we eerlijke mensen zijn, maar kleine verleidingen—een onkostendeclaratie wat aandikken, een cijfer iets mooier voorstellen of stiekem extra wisselgeld houden—komen overal voor. Deze studie stelt een prikkelende vraag: kunnen korte handelingen van oneerlijkheid van tevoren voorspeld worden op basis van wie we zijn en hoe ons lichaam op dat moment reageert? Door persoonlijkheidstests, draagbare sensoren en moderne computeralgoritmen te combineren, onderzoeken de onderzoekers of kleine aanwijzingen in onze eigenschappen en fysiologie kunnen voorspellen wanneer we eerder geneigd zijn de waarheid te buigen.

Opzet van de studie

Het team rekruteerde 58 universiteitsstudenten die eerst een standaard persoonlijkheidsvragenlijst invulden, genaamd HEXACO, die zes brede neigingen meet zoals extraversie, ordezin, nieuwsgierigheid of bescheidenheid. Vervolgens werden deelnemers aangesloten op eenvoudige sensoren: een borstband voor hartactiviteit en fingersensoren voor huidzweet en pulssignalen. Deze apparaten legden subtiele verschuivingen vast in hartslagpatronen, elektrische activiteit van de huid en de sterkte van bloedpulsen in de vinger—signalen die vaak veranderen wanneer mensen gespannen of in conflict zijn.

Een spel dat kleine leugens uitlokt

Om echte keuzes te observeren gebruikten de onderzoekers een gecomputeriseerd muntwerpspel dat heimelijk aanzet tot bedriegen. In elk van 100 ronden raadden spelers kop of munt, zagen de werkelijke uitkomst en rapporteren vervolgens of hun gok correct was, waarbij ze een kleine geldbeloning ontvingen voor elke opgegeven "winst." Omdat de computer onopgemerkt het aantal echte overwinningen en verliezen controleerde, konden de wetenschappers precies zien wanneer een deelnemer valselijk rapporteerde dat hij correct had geraden. Elke ronde werd als eerlijk of oneerlijk gelabeld op basis van de overeenstemming tussen het rapport en de werkelijke uitkomst, wat het team een heldere registratie gaf van honderden kleine morele beslissingen.

Computers leren de aanwijzingen te lezen

Met scores uit de persoonlijkheidstest en moment-tot-moment lichaamsmetingen trainden de onderzoekers acht verschillende machine-learningmodellen—computersystemen die naar complexe patronen in gegevens zoeken. Ze bouwden drie soorten voorspellers: één die alleen persoonlijkheidskenmerken gebruikte, één die alleen fysiologische signalen gebruikte en één die beide combineerde. Om de resultaten eerlijk te houden, splitsten ze de data in trainings- en testsets en gebruikten kruisvalidatie, een standaardmethode die controleert hoe goed een model generaliseert voorbij de data waarop het getraind is. De belangrijkste maatstaf was een statistiek genaamd AUC, die aangeeft hoe goed het model oneerlijke van eerlijke ronden onderscheidt over veel drempels heen.

Wat uiteindelijk het meest telde

Van alle modellen presteerde een op persoonlijkheid gebaseerde aanpak genaamd AdaBoost het beste, met een sterke AUC van ongeveer 0,84. Dit betekent dat stabiele eigenschappen op zichzelf verrassend goed voorspelden welke ronden oneerlijk zouden zijn. Toen de onderzoekers alleen fysiologische indicatoren gebruikten, of eigenschappen en fysiologie combineerden, was de prestatie iets lager, maar nog steeds respectabel. Om in deze “black box”-modellen te kijken, gebruikten ze een interpreteerbaarheidsmethode genaamd SHAP, die elke eigenschap een bijdragepunt toekent. Voor persoonlijkheid waren de sterkste positieve verbanden met oneerlijkheid hogere Openheid voor Ervaring en hogere Extraversie, terwijl lagere Zorgvuldigheid de voorspellingen ook richting bedrog duwde. Daarentegen speelde de eigenschap Eerlijkheid–Bescheidenheid—die in eerdere studies vaak werd benadrukt—slechts een kleine rol in deze specifieke, lage-inzet situatie.

Wat het lichaam verraadt tijdens verleiding

Fysiologische signalen droegen ook aanwijzingen, zij het minder krachtig dan eigenschappen. Patronen in zeer-laag-frequente hartslagvariabiliteit kwamen naar voren als een belangrijke lichamelijke voorspeller: hogere waarden waren geassocieerd met een grotere kans om als oneerlijk te worden aangemerkt. Een ander belangrijk signaal was de vingerpulsamplitude, die doorgaans daalt wanneer bloedvaten zich vernauwen door opwinding of stress; lagere pulsamplitude was gekoppeld aan meer voorspelde oneerlijkheid. Maten van huidgeleiding, die kleine veranderingen in zweet weerspiegelen, droegen ook bij maar in mindere mate. De auteurs suggereren dat zelfs klein bedrog in een simpel spel subtiele lichamelijke reacties kan oproepen die samenhangen met spanning, innerlijk conflict of opwinding, hoewel deze signalen kunnen vervagen wanneer ze over een lange taak worden gemiddeld.

Beperkingen, open vragen en relevantie in de echte wereld

Hoewel de modellen goed werkten voor dit laboratoriumspel, benadrukken de auteurs verschillende kanttekeningen. De studie omvatte een relatief kleine groep jonge volwassenen uit één culturele context, dus de resultaten zijn mogelijk niet generaliseerbaar naar oudere, diversere populaties of naar situaties met veel op het spel, waar reputaties en relaties meespelen. Fysiologische metingen werden gemiddeld over de hele sessie in plaats van gekoppeld aan individuele ronden, wat hun voorspellende kracht had kunnen verzwakken. En omdat veel persoonlijkheidskenmerken onderling verbonden zijn, moet de aan een enkel kenmerk toegekende belangrijkheid voorzichtig worden geïnterpreteerd. Toch biedt het werk een vroege blauwdruk voor het combineren van vragenlijsten, biosignalen en interpreteerbare algoritmen om te begrijpen hoe persoonlijke aanleg en lichamelijke toestanden alledaagse eerlijkheid vormen.

Wat dit betekent voor alledaagse eerlijkheid

Kort gezegd suggereert dit onderzoek dat snel, laagdrempelig valsspelen niet volledig willekeurig is: het weerspiegelt een mix van duurzame neigingen—zoals nieuwsgierigheid, extraversie of gedisciplineerdheid—en vluchtige lichamelijke prikkels die opspelen wanneer we verleiding ervaren. De studie laat zien dat computers deze patronen goed genoeg kunnen leren om bovengemiddelde voorspellingen te doen over wie op een gegeven moment de waarheid zal verbuigen, en waarom. Hoewel het nog lang geen instrument is om individuen in het echte leven te beoordelen, wijst de aanpak op genuanceerdere manieren om eerlijkheid te bestuderen en kan het uiteindelijk instellingen helpen eerlijkere omgevingen en maatregelen te ontwerpen die de verleiding van kleine maar kostbare leugens verminderen.

Bronvermelding: 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

Trefwoorden: oneerlijk gedrag, persoonlijkheidskenmerken, fysiologische signalen, machine learning, morele besluitvorming