人工智能如何提高目击者识别的准确性
假设发生了一起抢劫案，警察要求目击者从一组嫌疑人中辨认出一名嫌疑人。“我记得他的眼睛，”一名目击者说，而另一名目击者则简单地说：“我认出他了。”由于一种被称为特征证明效应的认知偏差，第一个目击者将被视为不太可信。这与人们在目击者辨认出嫌疑人时如何解读信心和记忆可靠性有关。研究表明，提供特征详细描述的目击者会引起怀疑，而一般性的识别陈述往往被视为更准确。
现在想象一下，在执法部门评估证人陈述之前，人工智能系统会对其进行分析。它使用自然语言处理，从中立的角度评估每个证人使用的语言，不受特征证明效应导致的潜在人为偏见的影响。人工智能还可以根据准确的可能性提供数字分数，帮助调查人员专注于更有可能准确的陈述。
利兹商学院组织领导力和信息分析学助理教授 David Dobolyi 最近在《记忆与认知应用研究杂志》上合作撰写了一项研究，探讨了先进的人工智能工具如何增强对证人陈述的理解，减轻偏见并改善执法环境中的决策。
多博利表示，人工智能和自然语言处理可以更深入地了解目击者的可靠性。
“传统的分析很基础——只是计算单词数。但随着人工智能的最新进展，我们可以用更复杂的方式评估陈述，”他解释道。
这项研究由弗吉尼亚大学心理学系研究生劳伦·凯尔索 (Lauren Kelso) 领导，新墨西哥州立大学心理学助理教授杰西·格拉布曼 (Jesse Grabman) 和弗吉尼亚大学心理学教授查德·多德森 (Chad Dodson) 共同撰写，重点研究人工智能如何帮助陪审员和执法人员评估目击者的信心和准确性。
“仅仅因为某人说他们有信心并不意味着他们是对的。最严重的错误来自于非常自信的证人，而实际上他们是错的，”多博利说。
在这项研究中，1,010 名参与者评估了一系列目击者指认，每个指认都附有信心声明。参与者被分成四组：一组没有得到任何人工智能的帮助，而另一组则得到不同类型的人工智能支持，包括对指认准确性的预测和图形解释。每组都根据特征或识别依据评估目击者指认的准确性，让研究人员能够分析人工智能的帮助如何影响他们的判断。
结果表明，人工智能的帮助显著降低了那些认为人工智能有用的参与者的特征证明偏差。那些认为人工智能非常有用的人倾向于对特征和识别陈述的准确性给出相似的评分，从而有效地克服了这种偏差。相比之下，那些不认为人工智能有益的参与者则继续表现出偏见。
尽管多博利告诫人们不要盲目信任人工智能，但他表示，他看到了人工智能在法律背景下支持更明智决策的潜力。
他说： “我们希望能够帮助人们做出更好、更少偏见的决策的工具——如果我们能够确认它们的准确性的话。”
随着研究的进展，多博利表示强调人工智能决策的透明度非常重要。
他说：“我们必须了解人工智能为什么会提出建议，特别是在目击者证词等高风险情况下。”
页:
[1]