Interpretable machine learning with SHAP predicts honest behavior from personality traits and physiological data

Dlaczego te badania są istotne

Lubimy myśleć o sobie jako o ludziach uczciwych, a jednak drobne pokusy — dopisywanie wydatków, zawyżanie ocen czy po cichu zabieranie reszty — są wszechobecne. To badanie stawia intrygujące pytanie: czy krótkie akty nieuczciwości można przewidzieć z wyprzedzeniem na podstawie naszej osobowości i tego, jak reaguje nasze ciało w danym momencie? Łącząc testy osobowości, noszone czujniki i współczesne algorytmy komputerowe, autorzy sprawdzają, czy drobne sygnały w cechach i fizjologii mogą prognozować, kiedy jesteśmy bardziej skłonni nagiąć prawdę.

Jak przebiegło badanie

Zespół zrekrutował 58 studentów uniwersytetu, którzy najpierw wypełnili standardowy kwestionariusz osobowości HEXACO, mierzący sześć szerokich tendencji, takich jak towarzyskość, uporządkowanie, ciekawość czy skromność. Następnie uczestnicy zostali podłączeni do prostych czujników: paska na klatkę piersiową do monitorowania aktywności serca oraz czujników na palcu rejestrujących przewodnictwo skóry i zmiany pulsu. Urządzenia te rejestrowały subtelne zmiany w rytmie serca, aktywności elektrycznej skóry i sile pulsu w palcu — sygnały, które często zmieniają się, gdy człowiek czuje napięcie lub konflikt.

Gra zachęcająca do drobnych kłamstw

Aby zaobserwować rzeczywiste wybory, badacze zastosowali komputerową grę w rzucanie monetą, która dyskretnie sprzyjała oszustwu. W każdej z 100 rund gracze typowali orła lub reszkę, widzieli rzeczywisty wynik, a następnie raportowali, czy ich typ był poprawny, zdobywając drobną nagrodę pieniężną za każde zgłoszone „wygrane”. Ponieważ komputer tajnie kontrolował liczbę rzeczywistych wygranych i przegranych, naukowcy mogli dokładnie zobaczyć, kiedy uczestnik fałszywie twierdził, że trafił. Każdą rundę oznaczono jako uczciwą lub nieuczciwą w zależności od zgodności zgłoszenia z faktycznym wynikiem, co dało czysty zapis setek drobnych decyzji moralnych.

Nauczanie komputerów, by czytały wskazówki

Posiadając wyniki z testu osobowości i chwilowe odczyty ciała, badacze wytrenowali osiem różnych modeli uczenia maszynowego — systemów komputerowych wyszukujących złożone wzorce w danych. Zbudowali trzy rodzaje predyktorów: jeden używający tylko cech osobowości, drugi tylko sygnałów fizjologicznych, i trzeci łączący oba źródła. Aby zachować rzetelność wyników, podzielili dane na zbiory treningowe i testowe oraz zastosowali cross‑validation, standardową metodę sprawdzania, jak dobrze model uogólnia poza danymi, na których się uczył. Główną miarą była statystyka nazwana AUC, odzwierciedlająca zdolność modelu do rozróżniania nieuczciwych i uczciwych prób w różnych progach.

Co okazało się najważniejsze

Spośród wszystkich modeli najlepiej wypadł podejście oparte na cechach osobowości wykorzystujące AdaBoost, osiągając silne AUC około 0,84. Oznacza to, że stabilne cechy same w sobie zaskakująco dobrze wskazywały, które rundy będą nieuczciwe. Gdy badacze użyli tylko wskaźników fizjologicznych lub połączyli cechy i fizjologię, wydajność była nieco niższa, choć nadal przyzwoita. Aby zajrzeć do wnętrza tych „czarnych skrzynek”, zastosowali metodę interpretowalności zwaną SHAP, która przypisuje każdej cechy wartość wkładu. W przypadku osobowości najsilniejsze pozytywne powiązania z nieuczciwością miały wyższa Otwartość na doświadczenie i wyższa Ekstrawersja, podczas gdy niższa Sumienność także skłaniała prognozy ku oszustwu. Z kolei cecha Uczciwość‑Pokora — często podkreślana w poprzednich pracach — odegrała w tym konkretnym, niskostawkowym kontekście tylko małą rolę.

Co ciało ujawnia w obliczu pokusy

Sygnały fizjologiczne również zawierały wskazówki, choć nie tak silne jak cechy osobowości. Wzorce w bardzo niskoczęstotliwościowej zmienności rytmu serca okazały się kluczowym predyktorem: wyższe wartości wiązały się z większym prawdopodobieństwem oznaczenia rundy jako nieuczciwej. Kolejnym istotnym sygnałem była amplituda impulsu w palcu, która zwykle spada, gdy naczynia krwionośne się kurczą pod wpływem pobudzenia lub stresu; niższa amplituda pulsu korelowała z większą przewidywaną nieuczciwością. Miary przewodnictwa skóry, odzwierciedlające drobne zmiany w poceniu się, również się przyczyniały, ale w mniejszym stopniu. Autorzy sugerują, że nawet drobne oszustwo w prostej grze może wywołać subtelne reakcje ciała związane z napięciem, konfliktem lub podekscytowaniem, choć te sygnały mogą się zlewać, gdy są uśrednione przez długi przebieg zadania.

Ograniczenia, otwarte pytania i znaczenie w praktyce

Choć modele dobrze sprawdziły się w tej laboratoryjnej grze, autorzy podkreślają kilka zastrzeżeń. Badanie objęło stosunkowo małą grupę młodych dorosłych z jednego kontekstu kulturowego, więc wyniki mogą nie uogólniać się na starsze, bardziej zróżnicowane populacje ani na sytuacje o wysokich stawkach, gdy w grę wchodzą reputacja i relacje. Miary fizjologiczne były uśrednione dla całej sesji, a nie powiązane z poszczególnymi próbami, co mogło osłabić ich moc predykcyjną. Ponieważ wiele cech osobowości jest ze sobą powiązanych, przypisywanie wagi pojedynczej cesze należy interpretować ostrożnie. Mimo to praca oferuje wstępny plan łączenia kwestionariuszy, biosygnałów i interpretowalnych algorytmów, by zrozumieć, jak osobiste predyspozycje i stany ciała kształtują codzienną uczciwość.

Co to oznacza dla codziennej uczciwości

Mówiąc prosto, badanie sugeruje, że szybkie, niskokosztowe oszustwo nie jest przypadkowe: odzwierciedla mieszankę trwałych tendencji — jak ciekawość, towarzyskość czy dyscyplina — oraz przelotnych pobudzeń ciała, które odczuwamy w obliczu pokusy. Praca pokazuje, że komputery potrafią nauczyć się tych wzorców na tyle dobrze, by dokonywać przewidywań lepszych niż przypadek, kto w danej rundzie może zniekształcić prawdę i dlaczego. Choć daleko do wykorzystania jako narzędzie do oceniania ludzi w życiu codziennym, podejście to wskazuje na bardziej wyrafinowane sposoby badania uczciwości i może w przyszłości pomóc instytucjom projektować uczciwsze środowiska oraz zabezpieczenia ograniczające pokusę drobnych, ale kosztownych kłamstw.

Cytowanie: 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

Słowa kluczowe: dishonest behavior, personality traits, physiological signals, machine learning, moral decision-making