Kan kunstig intelligens hjælpe ofre for misbrug med at afsløre traumatiske vidnesbyrd?

Når børn er ofre for forbrydelser, det juridiske vidnesbyrd, de afgiver, er kendt som retsmedicinske interviews. Imidlertid, da ofre ofte er traumatiserede og potentielt misbrugte af deres pårørende, kan de være tilbageholdende med at komme med anklager eller afsløre relevant information.

Som sådan, der er udviklet en protokol for omhyggeligt at udtrække så meget relevant information om en forbrydelse som muligt. Endnu, hvad nu hvis kunstig intelligens kunne være et nyttigt værktøj til at hjælpe unge ofre med at fortælle deres historier? Hvad hvis AI kunne støtte interviewere med værktøjer til at hjælpe med at indsamle information på en passende måde?

Dette er emnet for et papir præsenteret på 2018 ACM International Conference on Multimodal Interaction, for nylig i Boulder, Colorado.

Papiret, præsenteret af ph.d.-studerende fra USC Viterbi School of Engineering Signal Analysis and Interpretation Laboratory, Victor Ardulov og Manojkumar Prabakaran Abitha, sammen med SAIL grundlægger Shri Narayanan, dokumenterer en tværfaglig indsats i samarbejde med professor ved USC Gould School of Law, og børnevidneekspert, Thomas D. Lyon og hans team, at afgøre, om og hvordan computerstøttede værktøjer nøjagtigt kan vurdere produktiviteten af ​​retsmedicinske interviews. Ud over, papiret dokumenterer, hvordan forskere forsøgte at identificere potentielle sproglige og paralingvistiske påvirkninger såsom følelser i interviewprocessen.

Ardulov, hvem er hovedforfatteren af ​​papiret præsenteret på den nylige ACM-konference, sagde, at formålet med undersøgelsen var at få feedback om, hvordan børn har en tendens til at svare baseret på subtile variationer i spørgsmål.

Udfordringen for retsmedicinske interviewere er at stille de rigtige spørgsmål, på den rigtige måde, på det rigtige tidspunkt for at sikre, at ofrene kommer med relevant og objektiv information om begåede forbrydelser. Dette er især vigtigt, når børn kan være det eneste vidne til en forbrydelse. Nøglen er at maksimere produktiviteten uden at re-traumatisere barnet eller tvinge et unøjagtigt vidnesbyrd.

Forskere som Lyon, som etablerede USC's Gould Child Interviewing Lab, er klar over, hvordan forholdet er opbygget mellem interviewer og interviewperson, den tone, der stilles spørgsmål i, pauser og endda spørgsmålsrækkefølge kan påvirke, hvor meget meningsfuld information der deles. Imidlertid, dette menes at være det første forsøg på at udvikle og anvende tilpasset software til automatisk at detektere og kategorisere talemønstre i løbet af de retsmedicinske interviews.

I mere end to årtier, Narayanan har udviklet tale- og sprogteknologier til at underdrive børns tale og sprog, og i at udvikle prisvindende AI-baserede samtalegrænseflader til børn. Han siger "... sprogligt informeret datavidenskab og beregningsteknikker tilbyder et rigt sæt værktøjer til at hjælpe med at forstå ikke kun, hvad et barn forsøger at kommunikere, men også deres følelsesmæssige og kognitive tilstand. Dette er teknologierne vores [SAIL] laboratorium på USC forsøger at udvikle sig sammen med vores samarbejdspartnere."

Viterbis Narayanan mødte Goulds Lyon for omkring et årti siden på tværfagligt samarbejde mellem USC-professorer. De to begyndte først at arbejde på dette projekt for omkring halvandet år siden, hvor Narayanans ph.d.-kandidater Ardulov og Manoj Kumar gik i spidsen for at finde måder at kvantificere bestemte faktorer i tale, som kunne påvirke outputtet af interviewet, såsom hyppigheden eller længden af ​​interviewet. en interviewers pauser, den tid, et barn får til at svare, og i hvor høj grad tempoet i interviewerens tale afspejler det interviewede barns tale.

Lyon blev interesseret i Narayanans arbejde med en forventning om, at "teknologi kan opfange finesser i et interview - kvaliteter, som er sværere at samle op og tælle."

Resultaterne af det fremlagte papir

De anonyme lydudskrifter af to hundrede retsmedicinske interviews, som Lyon indsamlede fra sager om overgreb på børn, blev transskriberet fra lydfiler og derefter kodet til en række forskellige dimensioner. Forskerne fra SAIL Lab, som tidligere har udviklet værktøjer til automatisk at analysere tale (såsom hvem der talte og hvor længe) og rige adfærdsaspekter (såsom følelser), samt hvordan mennesker interagerer med hinanden, udviklet skræddersyede modeller til hvert interview. Når dette var gjort, forskerne ville så lede efter mønstre i interviewene og i interaktionen mellem intervieweren og den interviewede.

Generelt, resultaterne fra forskerne stemmer overens med tidligere undersøgelser inden for juridisk psykologi. Interviews udføres normalt i to faser - en rapportopbygningsfase, der ikke er relateret til forbrydelsen eller misbruget, og derefter et andet interview fokuserede på det påståede misbrug. I dette studie, måden, som børn i disse interviews reagerede på, var stærkt korreleret til deres alder. For yngre børn, det følelsesmæssige indhold af interviewerens ord havde indflydelse på, hvor meget information de var villige til at dele i løbet af interviewfasen. Ældre børn var mere påvirket af den måde, interviewerens udtrykte deres ord (tonehøjden og lydstyrken).

Næste skridt

Håbet er, at en computerassistent til interviews kan antage forskellige former. Først, det kunne være et middel til at træne retsmedicinske interviewere – enten ved hjælp af en virtuel assistent, der informerer interviewere under en interaktion, eller som en simuleret børnesamtale.

Begge disse tilgange afhænger af tilgængeligheden af ​​store datasæt af spørgsmål og svar-interaktioner og strenge matematiske modeller for, hvordan børn reagerer og påvirkes af interviewerens input. Det er beslægtet, Ardulov siger, til, hvordan Google autofuldfører de sætninger, du indtaster, og tilbyder forslag baseret på det enorme antal historiske input.

Lyon forestiller sig, at disse modeller kunne være gode værktøjer for dem, der arbejder som børnefortalere. "Det kunne give yderligere information til at strukturere og forfine protokoller, " han siger.

Lyon siger, "Forestil dig en automatiseret transskription af et interview, hvor en interviewer, der holder en iPad, får de fremhævede ord eller sætninger, der kan informere hans/hendes næste spørgsmål og guide interviewet."

Han tilføjer, at dette ville være en måde, hvorpå interviews ikke behøver at bruge noter, og den faktiske software kunne pege på mulige modsætninger og uoverensstemmelser.

For at gøre dette, den næste fase af forskningen ville være at skabe mere sofistikerede modeller, hvorved forskerne ser på specifikke interaktioner, eller særlige sekvenser af spørgsmål for at forstå, hvad der giver den mest relevante information fra et barn.