Als kinderen slachtoffer zijn van misdrijven, de juridische getuigenis die ze geven, staat bekend als forensische interviews. Echter, aangezien slachtoffers vaak getraumatiseerd zijn en mogelijk misbruikt worden door hun verzorgers, kunnen ze terughoudend zijn om beschuldigingen naar voren te brengen of relevante informatie vrij te geven.

Als zodanig, er is een protocol ontwikkeld om zorgvuldig zoveel mogelijk relevante informatie over een misdrijf te extraheren. Nog, wat als kunstmatige intelligentie een handig hulpmiddel zou kunnen zijn om jonge slachtoffers te helpen hun verhaal te vertellen? Wat als AI interviewers zou kunnen ondersteunen met tools om op een gepaste manier informatie te verzamelen?

Dit is het onderwerp van een paper gepresenteerd op de 2018 ACM International Conference on Multimodal Interaction, onlangs in Boulder, Colorado.

De krant, gepresenteerd door promovendi van de USC Viterbi School of Engineering Signal Analysis and Interpretation Laboratory, Victor Ardulov en Manojkumar Prabakaran Abitha, samen met SAIL-oprichter Shri Narayanan, documenteert een multidisciplinaire inspanning in samenwerking met USC Gould School of Law professor, en kindgetuigendeskundige, Thomas D. Lyon en zijn team, om te bepalen of en hoe computerondersteunde tools de productiviteit van forensische interviews nauwkeurig kunnen beoordelen. In aanvulling, de paper documenteert hoe onderzoekers tijdens het interviewproces probeerden mogelijke taalkundige en paralinguïstische invloeden, zoals emoties, te identificeren.

Ardulov, wie is de hoofdauteur van de paper gepresenteerd op de recente ACM-conferentie, zei dat het doel van het onderzoek was om feedback te krijgen over hoe kinderen de neiging hebben om te antwoorden op basis van subtiele variaties in het stellen van vragen.

De uitdaging voor forensische interviewers is het stellen van de juiste vragen, op de juiste manier, op het juiste moment om ervoor te zorgen dat slachtoffers relevante en onbevooroordeelde informatie over gepleegde misdrijven krijgen. Dit is vooral belangrijk wanneer kinderen de enige getuige kunnen zijn van een misdrijf. De sleutel is om de productiviteit te maximaliseren zonder het kind opnieuw te traumatiseren of een onjuiste getuigenis af te dwingen.

Geleerden als Lyon, die het Gould Child Interviewing Lab van het USC heeft opgericht, weten hoe de verstandhouding tussen interviewer en geïnterviewde is opgebouwd, de toon waarop de vragen worden gesteld, pauzes en zelfs de volgorde van vragen kunnen van invloed zijn op de hoeveelheid zinvolle informatie die wordt gedeeld. Echter, dit wordt beschouwd als de eerste poging om aangepaste software te ontwikkelen en toe te passen om automatisch spraakpatronen te detecteren en te categoriseren in de loop van de forensische interviews.

Al meer dan twee decennia, Narayanan heeft spraak- en taaltechnologieën ontwikkeld om de spraak en taal van kinderen te onderschatten, en bij het ontwikkelen van bekroonde op AI gebaseerde gespreksinterfaces voor kinderen. Hij zegt:"... taalkundig geïnformeerde datawetenschap en computationele technieken bieden een rijke reeks hulpmiddelen om niet alleen te helpen begrijpen wat een kind probeert te communiceren, maar ook hun emotionele en cognitieve staat van zijn. Dit zijn de technologieën die ons [SAIL]-lab bij USC probeert te ontwikkelen met onze medewerkers."

Viterbi's Narayanan ontmoette Gould's Lyon ongeveer tien jaar geleden tijdens een multidisciplinaire samenwerkingsworkshop tussen USC-professoren. De twee begonnen pas ongeveer anderhalf jaar geleden aan dit project te werken, waarbij Narayanan's promovendi Ardulov en Manoj Kumar het voortouw namen bij het vinden van manieren om bepaalde factoren in spraak te kwantificeren die de output van het interview zouden kunnen beïnvloeden, zoals de frequentie of lengte van pauzes van een interviewer, de tijd die een kind krijgt om te reageren, en de mate waarin het tempo van de spraak van de interviewer overeenkomt met de spraak van het geïnterviewde kind.

Lyon raakte geïnteresseerd in het werk van Narayanan met de verwachting dat "technologie de subtiliteiten van een interview kan oppikken - kwaliteiten, die zijn moeilijker op te pikken en te tellen."

Bevindingen van de gepresenteerde paper

De anonieme audiotranscripties van tweehonderd forensische interviews die Lyon verzamelde uit gevallen van kindermisbruik, werden getranscribeerd uit audiobestanden en vervolgens gecodeerd voor verschillende dimensies. De onderzoekers van het SAIL Lab, die eerder tools heeft ontwikkeld voor het automatisch analyseren van spraak (zoals wie sprak en voor hoe lang) en rijke gedragsaspecten (zoals emoties), en hoe mensen met elkaar omgaan, ontwikkelde aangepaste modellen voor elk interview. Toen dit eenmaal gedaan was, de onderzoekers gingen dan op zoek naar patronen in de interviews en in de interactie tussen interviewer en geïnterviewde.

In het algemeen, de bevindingen van de onderzoekers sluiten aan bij eerdere onderzoeken op het gebied van rechtspsychologie. Interviews worden normaal gesproken in twee fasen uitgevoerd:een fase voor het opbouwen van een verstandhouding die geen verband houdt met het misdrijf of het misbruik, en vervolgens een tweede interview gericht op het vermeende misbruik. In dit onderzoek, de manier waarop kinderen in deze interviews reageerden, hing sterk samen met hun leeftijd. Voor jongere kinderen, de emotionele inhoud van de woorden van de interviewer was van invloed op de hoeveelheid informatie die ze bereid waren te delen tijdens de fase van het interview. Oudere kinderen werden meer beïnvloed door de manier waarop de interviewer hun woorden uitsprak (de toonhoogte en luidheid).

Volgende stappen

De hoop is dat een computerhulp voor interviews verschillende vormen kan aannemen. Eerst, het kan een middel zijn om forensische interviewers op te leiden, hetzij door middel van een virtuele assistent die interviewers informeert tijdens een interactie, of als een gesimuleerd kindinterview.

Beide benaderingen hangen af ​​van de beschikbaarheid van grote datasets van vraag- en antwoordinteracties en rigoureuze wiskundige modellen van hoe kinderen reageren en worden beïnvloed door de input van de interviewer. Het is verwant, Ardulov zegt, hoe Google de zinnen die u invoert automatisch aanvult en suggesties doet op basis van het enorme aantal historische invoer.

Lyon stelt zich voor dat deze modellen geweldige hulpmiddelen kunnen zijn voor degenen die als pleitbezorgers van kinderen werken. "Het zou aanvullende informatie kunnen bieden om protocollen te structureren en te verfijnen, " hij zegt.

Lyon zegt, "Stel je een geautomatiseerde transcriptie van een interview voor waarbij een interviewer die een iPad vasthoudt de gemarkeerde woorden of zinsdelen krijgt die zijn/haar volgende vraag kunnen informeren en het interview kunnen leiden."

Hij voegt eraan toe dat dit een manier zou zijn voor interviews zonder aantekeningen te hoeven maken, en de eigenlijke software zou kunnen wijzen op mogelijke tegenstrijdigheden en inconsistenties.

Om dit te doen, de volgende fase van het onderzoek zou zijn om meer geavanceerde modellen te creëren waarbij de onderzoekers naar specifieke interacties kijken, of bepaalde reeksen vragen om te begrijpen wat de meest relevante informatie van een kind oplevert.