Интерпретируемое машинное обучение с SHAP предсказывает честное поведение по чертам личности и физиологическим данным

Почему это исследование важно

Мы любим думать о себе как о честных людях, но маленькие искушения — подкорректировать отчёт о расходах, приукрасить оценку или незаметно взять лишнюю сдачу — подстерегают повсюду. В этом исследовании поставлен неожиданный вопрос: можно ли заранее предсказать краткие акты нечестности по тому, кто мы такие, и по тому, как наше тело реагирует в моменте? Объединив опросники личности, носимые сенсоры и современные компьютерные алгоритмы, авторы проверяют, могут ли крошечные признаки в наших чертах и физиологии предвосхитить, когда мы с большей вероятностью склонны искажать правду.

Как была устроена работа

В исследовании приняли участие 58 студентов университета, которые сначала заполнили стандартный опросник личности HEXACO, измеряющий шесть широких склонностей — например, общительность, организованность, любознательность или скромность. Затем участников подключили к простым сенсорам: нагрудному ремню для активности сердца и датчикам на пальце для отслеживания потоотделения и пульсовых изменений. Эти устройства фиксировали тонкие сдвиги в паттернах сердечного ритма, электрическую активность кожи и силу пульсовой волны в пальце — сигналы, которые часто меняются, когда человек испытывает напряжение или внутренний конфликт.

Игра, приглашающая к маленькой лжи

Чтобы наблюдать реальные решения, исследователи использовали компьютеризированную игру с подбрасыванием монеты, которая тихо поощряла обман. В каждом из 100 испытаний игроки предсказывали орёл или решку, видели реальный исход, а затем сообщали, угадали ли они, получая небольшое денежное вознаграждение за каждое заявленное «выигрышное» событие. Поскольку компьютер тайно контролировал число реальных выигрышей и поражений, учёные могли точно определить, когда участник ложно заявил о верном предсказании. Каждое испытание помечалось как честное или нечестное в зависимости от соответствия отчёта реальному исходу, давая чистую запись сотен мелких моральных решений.

Обучение компьютеров распознавать подсказки

Имея в распоряжении результаты теста личности и покадровые телесные показатели, авторы обучили восемь разных моделей машинного обучения — компьютерных систем, ищущих сложные закономерности в данных. Они построили три типа предсказателей: один использовал только черты личности, другой — только физиологические сигналы, а третий комбинировал оба источника. Чтобы обеспечить честную проверку, данные разделили на обучающую и тестовую выборки и применили кросс-валидацию, стандартный метод, который оценивает, насколько модель обобщает за пределы обучающего набора. Основной мерой качества был показатель AUC, отражающий, как хорошо модель отличает нечестные испытания от честных при разных порогах.

Что оказалось наиболее важным

Из всех моделей лучше всех показала себя модель на основе черт личности — AdaBoost — достигнув высокого AUC примерно 0,84. Это означает, что устойчивые черты сами по себе удивительно хорошо предсказывали, какие испытания будут нечестными. Когда исследователи использовали только физиологические индикаторы или комбинировали черты и физиологию, результат оказался немного ниже, хотя всё ещё достойным. Чтобы заглянуть внутрь этих «чёрных ящиков», они применили метод интерпретируемости SHAP, который присваивает каждому признаку вклад в предсказание. В плане личности сильными положительными связями с нечестностью оказались большая открытость опыту и большая экстраверсия, тогда как более низкая добросовестность также смещала предсказания в сторону обмана. В отличие от этого, черта Честность–Скромность — которую часто выдвигали в предыдущих работах — сыграла лишь незначительную роль в этой конкретной ситуации с низкой ставкой.

Что тело выдает при искушении

Физиологические сигналы тоже несли подсказки, но не так сильно, как черты. Ведущим телесным предиктором оказались паттерны очень-нискочастотной вариабельности сердечного ритма: более высокие значения были связаны с большей вероятностью пометки испытания как нечестного. Другой важный сигнал — амплитуда пульса в пальце, которая обычно падает, когда сосуды сужаются при возбуждении или стрессе; более низкая амплитуда пульса ассоциировалась с более частыми предсказанными нечестными ответами. Показатели проводимости кожи, отражающие мелкие изменения потоотделения, тоже вносили вклад, но в меньшей степени. Авторы предполагают, что даже незначительный обман в простой игре может вызывать тонкие телесные реакции, связанные с напряжением, внутренним конфликтом или возбуждением, хотя эти сигналы могут стираться при усреднении по длительной сессии.

Ограничения, открытые вопросы и практическая значимость

Хотя модели хорошо работали в условиях лабораторной игры, авторы подчёркивают несколько оговорок. Группа была относительно небольшой и состояла из молодых людей из одной культурной среды, поэтому результаты могут не обобщаться на старшие, более разнообразные популяции или на ситуации с высокими ставками, где на кону репутация и отношения. Физиологические меры усредняли за всю сессию, а не привязывали к отдельным испытаниям, что могло ослабить их предсказательную силу. И поскольку многие черты личности взаимосвязаны, значимость, приписанная отдельной черте, следует трактовать осторожно. Тем не менее работа даёт ранний план по сочетанию опросников, биосигналов и интерпретируемых алгоритмов для понимания того, как личностный профиль и состояние тела формируют повседневную честность.

Что это значит для повседневной честности

Проще говоря, исследование показывает: быстрый, недорогой обман не случаен — он отражает сочетание устойчивых склонностей, таких как любознательность, общительность или дисциплинированность, и мимолётных телесных волнений, которые проявляются при искушении. Работа демонстрирует, что компьютеры могут научиться распознавать эти паттерны достаточно хорошо, чтобы делать предсказания лучше случайных о том, кто на конкретном испытании «подправит» правду, и почему. Хотя это далеко от инструмента для осуждения людей в реальной жизни, подход указывает путь к более тонкому изучению честности и в будущем может помочь организациям проектировать более справедливые условия и механизмы, уменьшающие притягательность маленьких, но затратных лжи.

Цитирование: 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

Ключевые слова: нечестное поведение, черты личности, физиологические сигналы, машинное обучение, моральное принятие решений