SHAP ile yorumlanabilir makine öğrenimi, kişilik özellikleri ve fizyolojik verilerden dürüst olmayan davranışı tahmin ediyor

Bu araştırma neden önemli

Kendimizi dürüst insanlar olarak görmek isteriz, ama küçük ayartmalar—bir gider raporunu şişirmek, notu abartmak veya sessizce fazladan para almak—her yerde karşımıza çıkar. Bu çalışma şaşırtıcı bir soruyu soruyor: kısa süreli dürüst olmayan davranışlar, kim olduğumuzdan ve bedenimizin o anda nasıl tepki verdiğinden önceden tahmin edilebilir mi? Kişilik testlerini, giyilebilir sensörleri ve modern bilgisayar algoritmalarını birleştirerek araştırmacılar, özelliklerimizde ve fizyolojimizdeki küçük ipuçlarının ne zaman gerçeği bükme eğiliminde olacağımızı öngörebilip öngöremeyeceğini inceliyorlar.

Çalışmanın düzeni

Araştırma ekibi önce HEXACO adında altı geniş eğilimi ölçen standart bir kişilik anketini dolduran 58 üniversite öğrencisi işe aldı; bu eğilimler dışadönüklük, düzenlilik, merak veya alçakgönüllülük gibi özellikleri kapsıyordu. Ardından katılımcılara basit sensörler bağlandı: kalp aktivitesi için bir göğüs bandı ve cilt teri ile nabız değişiklikleri için parmak sensörleri. Bu cihazlar, insanların gergin veya çatışma yaşadığında sıklıkla değişen kalp hızı desenlerinde, cildin elektriksel aktivitesinde ve parmaktaki kan nabzı gücünde ortaya çıkan ince değişiklikleri kaydetti.

Küçük yalanlara davet eden bir oyun

Gerçek seçimleri gözlemlemek için araştırmacılar, hile yapmayı sessizce teşvik eden bilgisayarlı bir yazı tura oyunu kullandı. Her 100 denemede, oyuncular yazı mı tura mı diye tahmin etti, gerçek sonucu gördü ve ardından tahminlerinin doğru olup olmadığını bildirdi; her bildirilen “kazanç” için küçük bir nakit ödül kazandılar. Bilgisayar gerçek kazanma ve kaybetme sayılarını gizlice kontrol ettiği için bilim insanları bir katılımcının yanlışlıkla doğru tahmin ettiğini iddia ettiği anları kesin olarak görebildi. Her deneme, raporun gerçek sonuçla eşleşip eşleşmediğine göre dürüst veya dürüst olmayan olarak etiketlendi ve ekip yüzlerce küçük ahlaki kararın temiz bir kaydını elde etti.

Bilgisayarlara ipuçlarını okumayı öğretmek

Kişilik testi puanları ve anlık beden okumalarıyla donanmış olarak araştırmacılar sekiz farklı makine öğrenimi modeli eğitti—verideki karmaşık örüntüleri arayan bilgisayar sistemleri. Üç tür öngörücü oluşturuldu: yalnızca kişilik özelliklerini kullanan, yalnızca fizyolojik sinyalleri kullanan ve her ikisini birleştiren. Sonuçların adil olması için verileri eğitim ve test setlerine ayırdılar ve modelin öğretildiği verinin ötesinde ne kadar iyi genelleştiğini denetleyen çapraz doğrulama gibi standart yöntemler kullandılar. Ana ölçüt, modelin dürüst ve dürüst olmayan denemeleri çeşitli eşiklerde ne kadar iyi ayırt ettiğini gösteren AUC adlı bir istatistikti.

En çok neyin önemi olduğu ortaya çıktı

Tüm modeller arasında kişilik temelli bir yaklaşım olan AdaBoost en iyi performansı gösterdi ve yaklaşık 0,84 gibi güçlü bir AUC’ye ulaştı. Bu, kalıcı eğilimlerin tek başına hangi denemelerin dürüst olmayacağını şaşırtıcı derecede iyi söyleyebildiği anlamına geliyor. Araştırmacılar yalnızca fizyolojik göstergeleri veya özellikler ile fizyolojiyi birleştirdiklerinde performans biraz daha düşük oldu, ancak yine de saygın düzeydeydi. Bu “kara kutu” modellerin içini görmek için SHAP adlı yorumlanabilirlik yöntemini kullandılar; bu yöntem her özelliğe bir katkı puanı atıyor. Kişilik açısından dürüst olmayanlığa en güçlü pozitif bağlantılar daha yüksek Deneyime Açıklık (Openness) ve daha yüksek Dışadönüklük (Extraversion) iken, daha düşük Sorumluluk (Conscientiousness) da hile yönünde öngörüleri itiyordu. Buna karşılık, önceki çalışmalarda sıkça vurgulanan Dürüstlük–Alçakgönüllülük (Honesty–Humility) özelliği bu düşük riskli bağlamda yalnızca küçük bir rol oynadı.

Ayartma anında bedenin neyi açığa çıkardığı

Fizyolojik sinyaller de ipuçları taşıdı, ancak özellikler kadar güçlü değildi. Çok düşük frekanslı kalp hızı değişkenliğindeki desenler önemli bir bedensel öngörücü olarak öne çıktı: daha yüksek değerler dürüst olmayan olarak etiketlenme olasılığı ile ilişkili bulundu. Diğer önemli bir sinyal, uyarılma veya stres altında kan damarları daraldığında genellikle düşen parmak nabız genliği (pulse amplitude) idi; daha düşük nabız genliği daha fazla dürüst olmayanlık tahminiyle ilişkilendirildi. Terlemeyi yansıtan cilt iletkenliği ölçümleri de katkı sağladı, ancak daha sınırlı ölçüde. Yazarlar, basit bir oyunda bile küçük çaplı hilenin gerilim, çatışma veya heyecanla ilişkili ince bedensel tepkiler uyandırabileceğini öne sürüyor, ancak bu sinyaller uzun görev boyunca ortalandığında birbirine karışabilir.

Sınırlamalar, açık sorular ve gerçek dünya önemi

Modeller bu laboratuvar oyunu için iyi çalışsa da yazarlar birkaç çekinceyi vurguluyor. Çalışma tek bir kültürel bağlamdan nispeten küçük bir genç yetişkin grubunu içeriyordu, bu nedenle sonuçlar daha yaşlı, daha çeşitli nüfuslara veya itibarların ve ilişkilerin söz konusu olduğu yüksek riskli durumlara genellenemeyebilir. Fizyolojik ölçümler bütün oturum boyunca ortalandı; tekil denemelere bağlanmamış olmaları, öngörü gücünü zayıflatmış olabilir. Ayrıca birçok kişilik özelliği birbirine bağlı olduğundan, herhangi bir tek özelliğe atfedilen önem dikkatle yorumlanmalı. Yine de bu çalışma, anketleri, biyosinyalleri ve yorumlanabilir algoritmaları bir araya getirerek kişisel yapının ve bedensel durumların gündelik dürüstlüğü nasıl şekillendirdiğini anlamaya yönelik erken bir plan sunuyor.

Günlük dürüstlük için bunun anlamı

Basitçe söylemek gerekirse, bu araştırma hızlı, düşük maliyetli hilenin rastgele olmadığını öne sürüyor: meraklı, dışadönük veya disiplinli olmak gibi kalıcı eğilimlerle yüzleşme anında kaydedilen geçici bedensel tepkilerin bir karışımını yansıtıyor. Çalışma, bilgisayarların bu örüntüleri yeterince iyi öğrenerek belirli bir denemede kimin gerçeği çarpıtabileceği hakkında şanstan daha iyi tahminler yapabileceğini gösteriyor ve nedenlerini açıklıyor. Gerçek hayatta bireyleri yargılamak için bir araç olmaktan çok uzak olsa da bu yaklaşım dürüstlüğü incelemenin daha nüanslı yollarına işaret ediyor ve nihayetinde kurumların küçük ama maliyetli yalanların çekiciliğini azaltacak daha adil ortamlar ve korunma önlemleri tasarlamasına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: dürüst olmayan davranış, kişilik özellikleri, fizyolojik sinyaller, makine öğrenimi, ahlaki karar verme