Тюнинг лада 12 фото: Фото тюнинга автомобилей ВАЗ

Bentley Continental GT «Ультратанк» делает гусеницы в России. Буквально

Когда цикл автомобильных новостей в последний раз обратил внимание на Россию, он должен был чествовать маньяков, которые соединили три дешевых четырехцилиндровых двигателя, чтобы создать 12-цилиндровую «Ладу».Наш последний визит на родину направлен на диаметральную противоположность: Bentley Continental GT первого поколения, установленный на нестандартных гусеницах для тяжелых условий эксплуатации. Синий мутант, созданный российским YouTube-каналом AcademeG, получил название Ultratank, и его ждет крупный план в сиквеле Akira .

Хроника сборки началась в августе прошлого года, спустя некоторое время после того, как ведущий AcademeG купил самый дешевый Continental GT, который он смог найти. Похоже, такая покупка — поучительная история в России не меньше, чем здесь, потому что Bentley’s 6.0-литровый твин-турбо W12 нуждался в дорогостоящем ремонте, начиная с новых турбин. Похоже, это был сигнал, чтобы выбросить весь двигатель, трансмиссию и раму.

AcademeG отвез купе в компанию Swap-Point, которая заменила стандартный двигатель на 4,3-литровый V8 для японского рынка Toyota, используемый в Toyota Crown Majesta, Celsior, Soarer и Lexus GS, LS и SC 430. Двигатель передает мощность на твердый задний мост только через автомат гидротрансформатора. Оттуда крутящий момент передается на гусеницы для тяжелых транспортных средств размером 98.4 дюйма в длину. Пассажирский поддон и верхние части Bentley в основном пережили трансформацию, но трубчатая конструкция каркаса заменила переднюю и заднюю часть стандартной архитектуры.

Девять месяцев спустя Ultratank сделал свои первые шаги. Русские взяли своего ребенка в лес поиграть и — под наблюдением некоторых коз и пастухов — доказали, что, несмотря на несколько проблем, они все поняли правильно. Ходить по гусеницам лучше всего на низких оборотах, но двигателю не нравятся низкие обороты. На гусеницах не было достаточного натяжения, а резиновые выступы, выравнивающие гусеницы с колесами, недостаточно прочны, поэтому гусеницы соскакивали с колес во время крутых поворотов.И тормозов нет. Для замедления требуется пиление колеса, которое тормозит внутренний протектор, когда Ultratank начинает поворачиваться.

Тем не менее, машина и испытание были признаны успешными. Команда настроит движок, добавит двери и подправит треки, но, если верить русскому переводу YouTube, «все просто идеально». Вы можете проверить всю сборку, ожидая обновлений о следующих больших изменениях, включая более высокую максимальную скорость: сейчас Ultratank достигает максимальной скорости 31 миля в час, и AcademeG хочет удвоить ее.Когда это произойдет, Ultratank будет работать примерно так же быстро, как фанатский радиоуправляемый автомобиль Ultratank, который русский ютубер Паша Эс построил в честь оригинала, но с более крутой стереосистемой.

College GameDay, построенный Home Depot, завершился самым посещаемым сезоном с 2015 года

• В среднем 1 956 000 зрителей на шоу, почти 36 миллионов поклонников
• Установление рекордов, поднятие планки: самые последовательные шоу — более двух миллионов зрителей и тройка самых популярных шоу по рекордным показателям сезона
• Новый Обратный отсчет до GameDay Pre-show среди цифрового роста бренда

College GameDay Построено The Home Depot завершился самым популярным сезоном шоу с 2015 года и вторым лучшим с тех пор, как шоу расширилось до трех часов семь сезонов назад (2013).Предыгровое шоу (9:00 — полдень по восточноевропейскому времени), которое выигрывало 11 раз «Эмми», собрало в среднем 1 956 000 зрителей на ESPN и ESPNU, что на 3% больше, чем в прошлом сезоне в тех же двух сетях, и на 6% больше, чем в сезоне 2017 года, когда шоу было только на ESPN. . Зрителей было всего 5000 зрителей, меньше их количества зрителей в 2015 году (1 961 000 зрителей), что является лучшим показателем с 2013 года.

В последний час игры College GameDay (с 11:00 до полудня) производство только на ESPN собрало в среднем 2 382 000 зрителей, что также на 3% больше, чем в последний час на ESPN в прошлом сезоне.В целом за все три часа сериал « College GameDay » собрал 35 900 000 зрителей, что также является рекордным показателем за несколько сезонов.

Дополнительный College GameDay Основные моменты аудитории

• Среди самых просматриваемых серий: College GameDay Самая популярная серия в этом сезоне вышла в эфир 30 ноября, когда 2 311 000 зрителей посмотрели, когда роуд-шоу впервые проводилось в Миннеаполисе. Помимо того, что это лучшая аудитория 2019 года, зрители занимают третье место среди всех трехчасовых серий College GameDay (101 шоу).
• Новый рекорд: College GameDay в среднем более 2,1 миллиона зрителей на четырех шоу подряд (9, 16, 23, 30 ноября), показ впервые с момента расширения до трех часов.
• Поклонники отзываются на рассказы историй: Практически каждую неделю в программе College GameDay , отмеченной наградой «Эмми», зрители выходили за рамки игрового поля и открывали для зрителей внутреннюю историю личностей, создающих американский футбол. Исследование Nielsen показывает, что аудитория College GameDay выросла в среднем на 4% за время проведения этих мероприятий в течение сезона.

• Больше времени, потраченное на GameDay: College GameDay установило новый рекорд времени, потраченного на просмотр шоу в этом сезоне, так как фанаты смотрели в среднем 48 минут при настройке каждую субботу, лучшая оценка шоу с момента расширения до трех часов в 2013 году.
• Ключевые демонстрации помогают Общий рост: GameDay привел к увеличению числа ключевых демонстраций, включая людей 25–34 и 25–54 человек.

Обратный отсчет до GameDay : Большой дебютный сезон, достигает 21 миллиона зрителей
College GameDay расширил свое цифровое присутствие в этом сезоне, представив новый локальный обратный отсчет до шоу GameDay каждую неделю (8: 30-9 а.м) и уделяет повышенное внимание различным платформам социальных сетей.

• Обратный отсчет до GameDay за свой дебютный сезон посмотрели 22 миллиона зрителей, при этом каждое шоу собрало в среднем 1,4 миллиона поклонников. Шоу было доступно каждую неделю в приложении ESPN, Facebook, Twitter и YouTube.
• College GameDay в Snapchat посетили 14,3 миллиона зрителей, что на 17% больше, чем в прошлом году. Из этих фанатов более 93% — люди в возрасте от 13 до 34 лет, а 74% зрителей — в возрасте от 13 до 24 лет.

College GameDay Основные моменты шоу

• College GameDay начал сезон с роуд-шоу номер 365 (24 августа) и закончился роуд-шоу 382 (14 декабря).
• Шоу началось с пяти новых площадок этого сезона: Disney World (24 августа), Эймс, штат Айова (14 сентября), Brookings, S.D. (26 октября), Мемфис, штат Теннеси (2 ноября) и Миннеаполис (30 ноября). Теперь GameDay побывали в 75 школах и 89 разных городах с момента своего первого роуд-шоу в 1993 году.
• College GameDay в этом сезоне снова познакомился с рядом локаций:
  • Небраска (28 сентября): впервые с 2007 г.
  • Техас (7 сентября): впервые с 2009 года
  • Флорида (5 октября): впервые с 2012 г.
  • Грузия (21 сентября): впервые с 2013 г.
• Тренер Корсо выбрал в этом сезоне три новых головных убора: штат Айова, штат Массачусетс и Миннесота. С 1996 года он надел 61 головной убор.

Сезон 2020 начнется за границей
College GameDay пройдет на месте проведения плей-офф College Football, New Year Six и национального чемпионата CFP; Однако никогда не рано ждать следующего сезона. College GameDay откроет сезон 2020 года в Дублине, Ирландия. , перед матчем Notre Dame vs. Navy 29 августа, что станет первым в истории College GameDay за пределами США.

Обратите внимание:

Среднее количество просмотров за сезон в College GameDay не включает специальные передачи для Недели 0 и военно-морского флота, как и все сравнения за год. Обратный отсчет до колледжа GameDay включает специальные предложения для армии и флота.

Если не указано иное, статистика просмотров включает ESPN и ESPNU как в этом сезоне, так и в сезоне 2018 года, когда ESPNU начал одновременную трансляцию шоу.

Количество просмотров конкретного шоу в этом сезоне отражает последние данные Nielsen, которые включают дополнительные потоковые отчеты от Nielsen, поскольку исходные данные были доступны.

-30-

Контактное лицо для СМИ: Дерек Волнер по телефону 860-384-9986; [адрес электронной почты защищен] и @DerekVolner

Обнаружение поддельной личности с помощью неожиданных вопросов и динамики мыши

Abstract

Обнаружение поддельных идентификационных данных — серьезная проблема безопасности.Современные методы обнаружения памяти использовать нельзя, поскольку они требуют предварительного знания истинной личности респондента. Здесь мы сообщаем о новом методе обнаружения поддельных идентификационных данных, основанном на использовании неожиданных вопросов, которые могут быть использованы для проверки личности респондента без какой-либо предварительной автобиографической информации. В то время как рассказчики правды автоматически отвечают на неожиданные вопросы, лжецы должны «строить» и проверять свои ответы. Этот недостаток автоматизма отражается в движениях мыши, используемых для записи ответов, а также в количестве ошибок.Ответы на неожиданные вопросы сравниваются с ответами на ожидаемые и контрольные вопросы (т. Е. Вопросы, на которые лжец также должен отвечать правдиво). Параметры, которые кодируют движение мыши, были проанализированы с использованием классификаторов машинного обучения, и результаты показывают, что траектории мыши и ошибки в неожиданных вопросах эффективно отличают лжецов от правдивых. Кроме того, мы показали, что лжецы могут быть идентифицированы также, когда они отвечают правдиво. Неожиданные вопросы в сочетании с анализом движения мыши могут эффективно выявить участников с поддельными именами без необходимости получения какой-либо предварительной информации об испытуемом.

Образец цитирования: Monaro M, Gamberini L, Sartori G (2017) Обнаружение поддельной личности с помощью неожиданных вопросов и динамики мыши. PLoS ONE 12 (5): e0177851. https://doi.org/10.1371/journal.pone.0177851

Редактор: Чжун-Кэ Гао, Тяньцзиньский университет, КИТАЙ

Поступила: 10 января 2017 г .; Принята к печати: 4 мая 2017 г .; Опубликован: 18 мая 2017 г.

Авторские права: © 2017 Monaro et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все соответствующие данные находятся в документе и его файлах с вспомогательной информацией.

Финансирование: Автор (ы) не получил специального финансирования для этой работы.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Использование поддельных идентификационных данных — очень распространенная проблема. Люди могут подделывать свою личную информацию по ряду причин. Фальшивая автобиографическая информация, например, наблюдается в спорте, когда игроки утверждают, что они моложе, чем они есть на самом деле [1]. Социальные сети изобилуют фальшивыми профилями [2]. Поддельная личность также является серьезной проблемой в сфере безопасности [3]. Фактически считается, что большое количество террористов скрывается среди мигрантов с Ближнего Востока, въезжающих в Европу.Обычно у мигрантов нет документов, и их идентификационные данные часто основываются на самодекларировании. Среди мигрантов считается, что большое количество террористов выдают ложные данные при въезде на границу. Например, один из террористов, участвовавших в подрыве террориста-смертника в аэропорту Брюсселя 22 марта 2016 г., использовал личность бывшего футболиста миланского «Интера» [4]. В этих случаях инструменты биометрической идентификации (например, отпечатки пальцев) не могли быть применены, поскольку большинство подозреваемых ранее были неизвестны.Интересно, что в принципе можно применить методы обнаружения.

С самого начала, начиная с пионерской работы Бенусси [5], идентификация ложных реакций в основном основывалась на использовании физиологических показателей [6]. Совсем недавно были внедрены методы, основанные на времени реакции (RT). Они основаны на задержках реакции на представленный интересующий стимул. Существует широкий консенсус относительно того факта, что обман когнитивно сложнее, чем установление истины, и что эта более высокая когнитивная сложность отражается в ряде показателей когнитивных усилий, включая, например, время реакции [7].Есть свидетельства того, что процесс подавления правдивого ответа, который активируется автоматически, и замена его обманчивым ответом может быть сложной когнитивной задачей. Однако в некоторых случаях ответить ложью быстрее, чем правдиво [8]. Фактически, разные типы лжи могут различаться по своей когнитивной сложности и могут требовать разного уровня когнитивных усилий. Например, когнитивные усилия могут быть минимальными, когда субъект просто отрицает факт, который действительно произошел.

Напротив, оно может быть очень высоким при фабрикации сложной лжи, например, когда Улисс, герой «Одиссея », сказал Полифему, что его настоящее имя «Ничейный». Эта ложь была направлена ​​на то, чтобы обмануть Полифема, но также должна была быть легко распознана одноглазыми товарищами Полифема как ложь.

Обнаружение памяти на основе RT имеет ряд преимуществ по сравнению с альтернативными психофизиологическими методами, особенно когда большое количество субъектов находится под пристальным вниманием. Во-первых, RT менее чувствительны к сильным индивидуальным изменениям или изменениям окружающей среды, например, в случае физиологических параметров.Во-вторых, этот метод имеет беспрецедентную особенность, заключающуюся в том, что его можно применять, используя просто компьютер, и применять к большому количеству испытуемых через Интернет. В настоящее время два метода обнаружения памяти, основанные на RT, которые используются для представления слов или предложений, могут быть адаптированы в качестве инструментов для проверки личности. Тест на скрытую информацию (CIT-RT) [9] и автобиографический тест на неявную ассоциацию (aIAT) [10] — это методы, основанные на RT, которые прошли тщательную проверку с удовлетворительными результатами [11].

CIT-RT — это метод, который состоит из представления важной информации в ряду очень похожих некритических источников отвлекающей информации. Например, если скрытая информация об орудии убийства находится под пристальным вниманием, нож (известное орудие убийства) будет представлен вместе с отвлекающими элементами, которые также являются потенциальным орудием убийства (например, пистолет и т. Д.). Ожидается, что невинные испытуемые будут реагировать на все стимулы. Напротив, от виновного субъекта (со знанием о виновности оружия) ожидаются более длительные ответы по критическому пункту (например,г., нож). При применении для проверки того, соответствует ли автобиографическая информация, которую утверждает испытуемый, истинной личности, CIT эффективно распознает личности лжецов и правдивых [11].

AIAT — это методика обнаружения памяти, которая использует согласованность / несогласованность между предложениями. Он включает стимулы, принадлежащие к четырем категориям: две из них являются логическими категориями, представленными предложениями, которые безусловно истинны (например, « Я перед компьютером ») или заведомо ложны (например,g., « Я поднимаюсь на гору ») для респондента и относящиеся к моменту тестирования. Две другие категории представлены альтернативными версиями исследуемой автобиографической памяти (например, « Я поехал в Париж на Рождество » против « Я поехал в Лондон на Рождество »), причем только одна из двух истинна. . Во время теста испытуемый выполняет задачу категоризации. Истинное автобиографическое событие идентифицируется, потому что оно определяет более быстрые RT при совместном использовании одного и того же моторного ответа с безусловно верными предложениями [12].

Что касается средней точности классификации основанных на RT методов обнаружения лжи, CIT [9] и aIAT [10] имеют такую ​​же точность, что и описанные здесь эксперименты (около 90%). Таким образом, описываемая здесь методика имеет такую ​​же точность, что и современные методы обнаружения лжи на основе RT. Тем не менее, у aIAT и CIT есть важное ограничение: оба требуют, чтобы в тест была включена информация об истинной идентичности. CIT-RT противопоставляет информацию об истинной личности информации о фальшивой личности [11].AIAT также построен таким образом, что из двух контрастирующих воспоминаний одно должно быть истинным, а другое — ложным [10]. Если мы построим aIAT только с заявленной (поддельной) идентичностью, у нас будут две ложные памяти, и тест не будет удовлетворять одному из основных ограничений в применении процедуры. Таким образом, это ограничение доступных методов является серьезной проблемой для приложений в реальных условиях, даже если Мейксер и Розенфельд [13] сделали шаг в этом направлении.Фактически, в большинстве случаев расследования истинная личность субъекта полностью неизвестна экзаменатору, который заинтересован в оценке того, является ли заявленная личность истинной или нет.

Этот документ можно рассматривать как доказательство концепции, репрезентативный пример типов проблем, которые не могут быть решены с помощью современных научных методов обнаружения лжи (CIT и aIAT). Доступные методы нельзя использовать, когда критическая информация, которая оценивается на достоверность (в данном случае, настоящая личность респондента, который пытается скрыть свою личность), недоступна.

Здесь мы представим новую парадигму, которая преодолевает недостатки доступных методов и может использоваться для определения правдивости личной информации. Что наиболее важно, мы покажем, что поддельные личности могут быть обнаружены при отсутствии какой-либо информации об истинной личности подозреваемого. Поддельные личности будут обнаружены с помощью неожиданных вопросов в сочетании с анализом движений мыши во время ответа в задаче двоичной классификации. Мы покажем, что анализ динамики мыши эффективно определяет, верна ли личная информация, которую утверждает испытуемый.В представленных здесь экспериментах участники не реагируют, нажимая кнопки ДА / НЕТ с помощью клавиатуры, как в RT-CIT или aIAT, но вместо этого они должны реагировать, щелкая виртуальные кнопки мыши, появляющиеся на экране компьютера вдоль с вопросами относительно их личности. Использование мыши для записи ответов имеет ряд преимуществ по сравнению с использованием клавиатуры. В то время как нажатие кнопки может разрешить запись только RT, запись с помощью мыши позволяет собирать несколько индикаторов, включая, но не ограничиваясь, RT (например.g., скорость, ускорение и траектория). Этот метод также является многообещающим с точки зрения устойчивости к контрмерам, поскольку большое количество параметров движения кажется, в принципе, более сложным для полного контроля с помощью эффективных, запланированных контрмер для обнаружения лжи.

Было показано, что анализ траекторий мыши может уловить когнитивную сложность при обработке стимулов, когда участники должны давать ответы с множественным выбором. Эта процедура применялась к большому количеству областей и оказалась полезной для выявления когнитивной сложности, связанной с проверкой отрицательных предложений [14], расовыми установками [15], восприятием [16], предполагаемой памятью [17] и лексическими решениями [18]. ].Duran et al. представил новаторское расследование по детекции лжи [19]. Авторы записывали двигательные траектории (авторы не использовали мышь для записи ответов, а скорее контроллер Nintendo Wii), в то время как испытуемые выполняли задание лежа. Во время задания участники должны были отвечать правдиво или лгать на представленные предложения, как это было проиндексировано визуальной подсказкой. Анализ моторных траекторий привел к интересным результатам. Инструктированная ложь можно отличить от правдивых ответов по нескольким параметрам, включая время запуска двигателя, общее время, необходимое для ответа, траекторию движения и кинематические параметры, такие как скорость и ускорение.Их эксперимент выявил тот факт, что когнитивный конфликт, вызванный ложью, влияет на траекторию реакции, но не продемонстрировал напрямую его эффективность в отнесении лиц, вводящих в заблуждение, от правдивых. Короче говоря, метод, который исследовали авторы, можно использовать для определения того, когда правдивый лжет, но не когда лжет, поскольку их процедура сравнивает в пределах одного и того же говорящего правду субъекта правдивые ответы с лживыми ответами.

Здесь мы представим результаты эксперимента, в котором траектории двигательных реакций с использованием мыши были исследованы, в то время как участники были проверены на вопросы, касающиеся их личности.Было задано два типа вопросов: ожидаемые вопросы и неожиданные вопросы [20]. Vrij и соавторы [21] первыми начали использовать неожиданные вопросы, и растет экспериментальная поддержка идеи о том, что во время следственного интервью обманчивые предметы будут легче обнаруживаться с помощью неожиданных вопросов, а не ожидаемых вопросов [22]. Было показано, что лжецы планируют возможные интервью, репетируя вопросы, которые, как они ожидают, также будут заданы [23]. Лжецы дают свои запланированные ответы на ожидаемые вопросы легко и быстро, но им необходимо придумать правдоподобные ответы в случае неожиданных вопросов, а это приводит к увеличению когнитивной нагрузки.Напротив, правдивые ответы не страдают от побочных эффектов когнитивной нагрузки, поскольку они довольно автоматичны и не требуют усилий как для ожидаемых, так и для неожиданных вопросов. Используя методологию неожиданных вопросов в следственном интервью, Lancaster et al. [24] сообщили о хороших показателях классификации как для говорящих правду (78%), так и для лжецов (83%). Lancaster et al. Результаты [24] наблюдались путем сравнения разницы в количестве деталей, сообщаемых при ответах на ожидаемые и неожиданные вопросы.Короче говоря, лжецы, говоря правду, сообщают гораздо больше деталей на ожидаемые вопросы, а не на неожиданные, и обнаружение лжи может извлечь выгоду из этой разницы.

Описанный здесь эксперимент состоит из задачи бинарной классификации, включающей ожидаемые и неожиданные вопросы об идентичности. Ожидаемые вопросы касались типичной информации, представленной в документах, в то время как неожиданные вопросы касались информации, которая была хорошо известна и автоматически извлекалась правдивым, но которая должна быть «вычислена на месте» лжецами.Примером ожидаемого вопроса может быть дата рождения, а соответствующим неожиданным вопросом может быть зодиак, соответствующий дате рождения. В то время как правдивые люди легко проверяют вопросы, связанные с зодиаком, лжецы не знают зодиака немедленно, и им приходится вычислять его для правильной проверки. Неопределенность при ответе на неожиданные вопросы может привести к ошибкам. Кроме того, мы обнаружили, что траектория реакции мыши, проанализированная с использованием кинематических параметров и других пространственных и временных параметров, предназначенных для определения неопределенности двигательной реакции, может быть полезна при обнаружении обмана.Следовательно, ожидается, что обман будет отражаться в форме траекторий.

Методы

В задаче проверки личности лжецы обычно должны узнать автобиографическую информацию о новой личности и пройти тест, отвечая так, как если бы эта информация была для них реальной. Например, Verschuere et al. [11] просили испытуемых принять фальшивую личность, репетировать и вспоминать ее, пока их выступление не станет безошибочным. Затем от лжецов требовалось отреагировать так, как если бы их новая личность была истинной.Точно так же здесь мы требовали, чтобы обманывающие участники познали новую личность. Во время сеанса тестирования участникам задавались как ожидаемые, так и неожиданные вопросы об их личной информации. Ожидаемые вопросы включали информацию о ложной личности, которая была назначена лжецам и репетировалась перед тестом до тех пор, пока испытуемые не совершили никаких ошибок. Говорящие правду репетировали свои истинные личности. Ожидаемые вопросы касались типичной информации, содержащейся в идентификационной карте (например,г., имя, фамилия, дата рождения, место рождения). Напротив, неожиданными вопросами были вопросы, связанные с личностью, на которые испытуемые не были готовы отвечать. Эти неожиданные вопросы были непосредственно получены из ожидаемых вопросов (например, возраст личности и знак зодиака определяются по дате рождения; в то время как вопросы о дате рождения ожидаются, вопросы о возрасте и знаке зодиака являются неожиданными). Например, если субъект репетировал год рождения, указанный на поддельном удостоверении личности (например,g., 1988), неожиданный вопрос, связанный с рождением, был о возрасте (например, 38).

Для правдивого респондента предполагается, что неожиданные вопросы автоматически вызывают правильный ответ. Напротив, лжец должен воссоздать непредсказуемую неожиданную информацию и проверить ее. Следовательно, этот процесс требует времени до отправки ответа, что отражается в более длительных RT. Короче говоря, «Неожиданные вопросы увеличат когнитивную нагрузку лжеца» [20], и ожидается, что это отразится не только на RT и количестве ошибок, но и на траекториях движения мыши.

Далее мы подробно опишем структуру эксперимента и собранные меры. Комитет по этике психологических исследований Университета Падуи одобрил экспериментальную процедуру.

Участники

Сорок италоязычных участников были набраны на факультете психологии Университета Падуи. Выборка состояла из 17 мужчин и 23 женщин. Их средний возраст составлял 25 лет (SD = 4,6), а средний уровень образования — 17 лет (SD = 1.8). Все участники были правши. Эти первые 40 участников были использованы для разработки модели, которая позже была протестирована для обобщения в новой группе из 20 итальянскоязычных участников (10 лжецов и 10 рассказчиков правды). Вторая выборка состояла из 9 мужчин и 11 женщин. Их средний возраст составлял 23 года (SD = 1,5), а средний уровень образования — 17 лет (SD = 0,83). Обе группы испытуемых предоставили информированное согласие перед экспериментом.

Стимулы

Тридцать два предложения, отображаемые в верхней части экрана компьютера, были представлены всем участникам.Квадраты, представляющие ответы ДА и НЕТ, были расположены в верхнем левом и верхнем правом углу экрана компьютера. Шестнадцать предложений требовали ответа ДА, а 16 предложений требовали ответа НЕТ, как для лжецов, так и для рассказчиков правды. 32 экспериментальным вопросам предшествовали 6 обучающих вопросов (3 требовали ответа ДА и 3 требовали ответа НЕТ) по вопросам, связанным с личностью, не включенным в эксперимент (например, «Ваш вес 51 кг?»). Предложения, требующие ответа ДА, относятся к следующим категориям:

• Ожидаемые вопросы: они включали информацию, которая была отрепетирована перед экспериментом, как для рассказчиков правды, так и для лжецов.Лжецы ответили личной информацией о фальшивых профилях личности, которые им назначил экспериментатор. Правды ответили на вопросы относительно их истинной личности.
• Неожиданные вопросы: Неожиданные вопросы включали информацию, тесно связанную с ложными именами, но не репетированную в явной форме перед экспериментом ни рассказчиками правды, ни лжецами. В этом случае лжецы ответили на информацию, относящуюся к присвоенным им фальшивым именам, в то время как рассказчики правды ответили на вопросы об их истинных именах.
• Контрольные вопросы: Контрольные вопросы смешивались с ожидаемыми и неожиданными вопросами. Контрольные вопросы ( n = 8; 4 требовали ответа ДА и 4 ответа НЕТ) включали личную информацию, на которую испытуемые должны были ответить правдиво, потому что они не могли быть скрыты от экзаменатора, наблюдающего за тестом. Например, « Вы мужчина ?» (для мужчины) требовал ответа ДА, тогда как « Вы женщина, ?» (для мужчины) не требовал ответа.Следовательно, контрольные вопросы требовали правдивых ответов как лжецов, так и рассказчиков правды, даже если они были связаны с личностью.

И для лжецов, и для рассказчиков правды половина ожидаемых, неожиданных и контрольных вопросов ( n = 16) требовала ответов ДА. Напротив, 16 вопросов, полученных из ожидаемых, неожиданных и контрольных вопросов, не требовали ответов, как показано в таблице 1.

Как видно из Таблицы 2, ответы лжецов и рассказчиков правды различались только ожидаемыми и неожиданными ответами ДА.Фактически, для лжецов ожидаемые и неожиданные вопросы относительно их поддельной личности на самом деле не были ответами, которые, поскольку они лгали, требовали ответов ДА. Другими словами, только вопросы с ожидаемыми и неожиданными ответами ДА различали две группы, потому что правдивые люди отвечали искренне, а лжецы обманывали. На все остальные вопросы (контроль ДА, контроль НЕТ, ожидаемое НЕТ, неожиданное НЕТ) и лжецы, и рассказчики правды ответили правдиво.

Методика эксперимента

Эксперимент проводился с использованием программы MouseTracker [25].Двадцать участников ответили правдиво, в то время как остальным было дано указание солгать о своей личности в соответствии с ложным профилем, который был чрезмерно изучен перед началом эксперимента, согласно Verschuere et al. [11]. 20 лжецов были проинструктированы узнать ложную личность по поддельному итальянскому удостоверению личности, к которому была прикреплена фотография субъекта и которая также сообщала ложные личные данные. После этапа обучения участники дважды вспомнили информацию, которую они прочитали на удостоверении личности.Между двумя отзывами от них требовалось выполнить некоторую ментальную арифметику в качестве отвлекающего задания. С другой стороны, рассказчики правды также выполняли мысленную арифметику и проверяли свои настоящие автобиографические данные только один раз перед началом эксперимента. Во время экспериментального задания 6 ожидаемых вопросов, 6 неожиданных вопросов и 4 контрольных вопроса, описанных выше, были представлены в случайном порядке. Для каждого из 16 вопросов, на которые требовался ответ «ДА», был представлен аналогичный вопрос, требующий отрицательного ответа.Каждый участник ответил на 32 вопроса плюс 6 учебных вопросов, которые не были включены в анализ. В половине случаев вопрос ДА появлялся первым, а в другой половине — вторым. Участники инициировали представление каждого вопроса, нажимая кнопку СТАРТ, которая появлялась в центре нижней части экрана компьютера. Ответ давался нажатием одной из двух кнопок ответа, появляющихся в верхней части экрана компьютера, одной в верхнем левом углу и одной в правом верхнем углу.

Сбор данных с помощью движения мыши

Для каждого ответа программа MouseTracker записывала положение мыши от начальной точки до нажатия кнопки. Поскольку записанные траектории имели разную длину, каждый моторный ответ был нормализован по времени, чтобы можно было усреднить и сравнить испытания [25]. Используя линейную интерполяцию, программа рассчитала временную нормализацию в 101 таймфрейме. В результате каждая траектория имела 101 таймфрейм, и каждый таймфрейм имел соответствующие координаты X и Y.Мы определили момент времени, в который две группы показали максимальную разницу во время движения по оси ординат. Эти точки максимальной разницы во времени были закодированы как Y18, Y29 и Y30 (общее время было предварительно масштабировано до 100 временных кадров в соответствии с процедурой, утвержденной Freeman и Ambady [25]). Затем мы рассчитали скорость и ускорение в этих временных рамках. MouseTracker Программа по умолчанию записывает также другие пространственные и временные параметры. Здесь мы сообщаем все параметры, предварительно собранные программой MouseTracker и использованные для кодирования траектории мыши.Параметры, собранные из моторных ответов на каждый из вопросов, были следующими:

• Количество ошибок: общее количество ошибок при ответе на 32 вопроса
• Время инициации (IT): время между появлением вопроса и началом движения мыши
• Время реакции (RT): время между появлением вопроса и виртуальным нажатием кнопки мышью
• Максимальное отклонение (MD): максимальное перпендикулярное расстояние между фактической траекторией и идеальной траекторией (линия, соединяющая кнопку запуска с кнопкой ожидаемого ответа)
• Площадь под кривой (AUC): геометрическая площадь между фактической траекторией и идеальной траекторией
• Максимальное время отклонения (MD-время): время, необходимое для достижения точки максимального отклонения от идеальной траектории
• x-flip: общее количество изменений направления мыши во время полной траектории по оси x
• y-flip: общее количество изменений направления мыши во время полной траектории по оси y
• Координаты X, Y во времени (X _n , Y _n ): положение мыши вдоль оси во времени
• Скорость во времени: скорость мыши между двумя временными рамками
• Acceleration over time: ускорение движения мыши между двумя таймфреймами

Окончательный список возможных предикторов включал 13 переменных, которые отображали различные параметры ответа: количество ошибок, время инициации (IT), время реакции (RT), максимальное отклонение (MD), площадь под кривой (AUC). , Максимальное время отклонения (MD-время), x-flip, y-flip, Y30, Y29, Y18, Y30 – Y29 и Y29 – Y18.Для каждой из переменных мы вычислили среднее значение 32 ответов для каждого участника.

Корреляционный анализ и выбор признаков

Был проведен корреляционный анализ, чтобы выделить независимые переменные, которые имели максимальную корреляцию с зависимой переменной (правдивые против лжецов) и минимальную корреляцию между независимыми переменными [26]. Мы рассмотрели для каждой характеристики среднее значение всех ответов (ДА и НЕТ) каждого испытуемого.Всего в корреляционный анализ было введено 13 независимых переменных. Следующие характеристики были выбраны на основе этих критериев и позже использовались в качестве предикторов для разработки классификаторов машинного обучения (ML): количество ошибок (r _pb = 0,68), AUC (r _pb = 0,53), MD- времени (r _pb = 0,45) и Y29 (r _pb = 0,42) (r _pb — значение корреляции между зависимыми и независимыми переменными).

Анализ и результаты

В этом разделе описываются шаги, выполняемые для анализа данных, и процедуры, использованные при разработке классификаторов машинного обучения.

Данные и инструкции по воспроизведению результатов доступны в качестве вспомогательной информации (см. Наборы данных S1 и S2, текст S1 и S2).

Анализ траекторий

Первый анализ сравнивал ответы лжецов и рассказчиков правды путем усреднения индивидуальных ответов на ответы ДА и НЕТ. На рис. 1 представлены средние траектории лжецов и правдивых, отвечающих ДА на ожидаемые и неожиданные вопросы (единственные вопросы, на которые лжецы отвечали лживо).Как можно заметить, две экспериментальные группы различались как по параметрам AUC, так и по MD. Ответы правдивых привели к более прямой траектории, соединяющей отправную точку с правильным ответом. Напротив, лжецы сначала отклонились в сторону своего правильного ответа по умолчанию, а затем изменили свою траекторию, чтобы нажать кнопку ложного ответа. Более того, лжецы тратили больше времени на перемещение по оси Y в начальной фазе ответа, чем те, кто говорил правду. Максимальная разница между двумя группами в положении мыши по оси Y была обнаружена на временном интервале 29.Соответственно, координата Y на этом временном интервале (Y29) также была добавлена ​​в качестве предиктора.

Рис. 1. Средние траектории лжецов и правдивых.

На рисунке представлены средние траектории между испытуемыми, соответственно, для лжецов (красным) и для рассказчиков правды (зеленым) до ожидаемого ДА и неожиданного ДА вопросов. Ожидаемые и неожиданные вопросы, требующие ответа ДА, — это те, на которые лгали лжецы. Приведены значения параметров MD, AUC, x-flip и y-flip для двух групп.Серая область представляет собой разницу в параметре AUC между лжецами и правдивыми.

https://doi.org/10.1371/journal.pone.0177851.g001

Прототипные траектории правдивых и лжецов.

Здесь мы приводим примеры индивидуальных траекторий мыши в ответ на контрольные вопросы и неожиданные вопросы, полученные от прототипа рассказчика правды (рис. 2) и прототипа лжеца (рис. 3).

Траектории относятся к ответам на отдельные вопросы.Обратите внимание, что этот лжец правдиво отвечает на контрольные вопросы. Тем не менее, его ответ отклоняется от прямой траектории, которая в идеале характеризует правдивый ответ (см. Рис. 2). Это обобщение мышления лжеца, когда лжец отвечает на вопросы, требующие правдивых ответов, обсуждается в статье.

Разбивка ответов на контрольные, ожидаемые и неожиданные вопросы.

Мы проанализировали выступления испытуемых отдельно для контрольных, ожидаемых и неожиданных вопросов.На рис. 4 представлена ​​траектория контрольных, ожидаемых и неожиданных вопросов (слева направо). Траектории лжецов и правдивых в контрольных вопросах практически совпадают. Максимальная разница в траектории снова наблюдается в ответ на неожиданные вопросы.

Разбивка ответов ДА и НЕТ.

Мы исследовали, есть ли разница в траектории и времени ответа между вопросами, на которые испытуемые отвечали, перемещая мышь вправо (вопросы, не требующие ответа), и вопросами, на которые испытуемые отвечали, перемещая мышь влево ( вопросы, требующие ответа ДА).Тесты t на всей выборке были проведены для сравнения левого и правого откликов. Мы не обнаружили статистически значимой разницы как для времени MD ( t = 1,63; p = 0,1; Коэна d = 0,2; BF = 0,57) и Y29 ( t = 0,1; p = 0,9; Коэна d = 0,01; BF = 0,17). Для AUC мы получили следующие результаты: t = -2,09 и p = 0,04, но значение Коэна d показало небольшой размер эффекта ( d = -0.33), и фактор Байеса приблизился (BF = 1,2). На рис. 5 показаны траектории левого (зеленый) и правого (красный) ответов. Можно отметить, что две кривые следуют очень похожей, хотя и зеркальной, траектории.

Рис. 5. Траектории ответов ДА и НЕТ.

Ответы на левую кнопку ответа и на правую кнопку ответа сообщаются здесь отдельно. Траектории двух типов ответов не различались.

https://doi.org/10.1371 / journal.pone.0177851.g005

Описательная статистика независимых переменных

Отдельный выбор признаков из исходного набора из 13 предикторов, 4 независимых переменных: ошибки, AUC, MD-время и Y29. Они сильно коррелировали с группой (рассказчик правды / лжец). В следующей таблице (см. Таблицу 3) представлена ​​описательная статистика, а также анализ разницы между правдивыми и лжецами, продемонстрированный тестом t , критерием Коэна d и фактором Байеса.

Модели машинного обучения

Несколько классификаторов машинного обучения (ML) были протестированы с использованием 10-кратной процедуры перекрестной проверки, реализованной WEKA [27]. Мы выбрали четыре классификатора, которые различаются в зависимости от своих предположений: Random Forest [28], Logistic [29], Support Vector Machine (SVM) [30–31] и Logistic Model Tree (LMT) [32]. 10-кратная перекрестная проверка проводилась следующим образом: группа участников (40 человек) была случайным образом разделена на 10 подгрупп по 4 человека в каждой.В каждом прогоне одна из 10 подвыборок сохранялась в качестве тестового набора для оценки модели, а оставшиеся 9 использовались в качестве обучающих данных. Затем процесс перекрестной проверки был повторен 10 раз, так что каждая из 10 подгрупп участников использовалась ровно 1 раз в качестве набора для проверки. Затем 10 результатов на тестовой выборке были усреднены для получения единственной оценки точности. Результаты представлены в Таблице 4. Все классификаторы достигли точности около 90% или выше при классификации лжецов и правдивых.Как минимум 36/40 субъектов были правильно классифицированы. Логистический классификатор достиг точности 95% (правильно классифицировано 38/40 участников). Сопоставимые результаты были получены с использованием перекрестной проверки с исключением по одному (LOOCV) [33].

Как показано в таблице 5, классификационные модели обладают высокой специфичностью и высокой чувствительностью. Фактически, в контрольных выборках ошибки классификации равномерно распределены по двум классам.

Оценка модели: выступление 20 итальянских участников вне выборки.

После разработки описанных выше классификаторов машинного обучения была собрана и протестирована дополнительная выборка из 20 участников (10 лжецов и 10 рассказчиков правды) с использованием моделей, ранее разработанных на основе исходных 40 участников. Эта группа участников была совершенно новой группой, которую раньше никогда не использовали для анализа или построения моделей. Эта процедура считается оптимальной стратегией, позволяющей избежать переобучения (см. Дворк и др. [34]). Точность классификации этого нового образца представлена ​​в таблице 4.Стоит отметить, что точность классификации оставалась стабильной, в том числе по всем классификаторам, даже в этой проверочной выборке.

Вклад контрольных, ожидаемых и неожиданных вопросов.

Чтобы лучше понять вклад контрольных, ожидаемых и неожиданных вопросов в классификацию, мы использовали три отдельные модели для каждого типа вопросов. Результаты показывают, что основной вклад вносят неожиданные вопросы (см. Таблицу 6). Точность классификации с использованием классификаторов ML подтверждает, что невозможно эффективно отличить лжецов от правдивых только на основе контрольных вопросов.То же самое верно и для ожидаемых вопросов, хотя в этом случае траектории двух групп кажутся более разделенными (см. Рис. 4). Используя только неожиданные вопросы, точность классификации достигает максимума с показателями выше 90%, также в проверочной выборке, подтверждая, что когнитивная нагрузка лжецов из-за неожиданных вопросов является причиной различий между двумя группами.

Относительный вес предикторов.

Мы также исследовали относительный вес предикторов, удаляя независимые переменные одну за другой и повторно прогоняя классификаторы.Результаты показали, что после устранения ошибок предикторов точность классификации упала примерно до 75% для перекрестной проверки и примерно до 70% для процедуры тестирования (случайный лес: перекрестная проверка = 70%, тест = 65%; логистическая : перекрестная проверка = 77,5%, проверка = 70%; SVM: перекрестная проверка = 75%, проверка = 65%; LMT: перекрестная проверка = 75%, проверка = 70%). Главный вклад в точность прогнозов вносится выявлением ошибок на неожиданные вопросы с помощью динамических функций мыши, тонко настраивающих и без того хорошую классификацию.Это ясно, если учесть, что прогнозы, основанные исключительно на ошибках, дали следующие результаты: Случайный лес: перекрестная проверка = 77,5%, тест = 100%; Логистика: перекрестная проверка = 82,5%, тест = 100%; SVM: перекрестная проверка = 80%, тест = 95%; LMT: перекрестная проверка = 85%; Тест = 100%. После удаления AUC из предикторов точность классификации осталась стабильной в тестовом наборе и упала до 90% во время перекрестной проверки (случайный лес: перекрестная проверка = 90%, тест = 95%; логистика: перекрестная проверка = 95%, test = 95%; SVM: перекрестная проверка = 85%, проверка = 95%; LMT: перекрестная проверка = 90%, проверка = 100%).Аналогичные результаты были получены при удалении MD-времени из предикторов (Случайный лес: перекрестная проверка = 90%, тест = 95%; Логистика: перекрестная проверка = 90%, проверка = 95%; SVM: перекрестная проверка = 87,5%. , тест = 85%; LMT: перекрестная проверка = 90%, тест = 95%). Наконец, после выгрузки Y29 из предикторов точность как в обучающем, так и в тестовом наборах немного снизилась (Случайный лес: перекрестная проверка = 92,5%, тест = 95%; Логистика: перекрестная проверка = 95%, тест = 95%. ; SVM: перекрестная проверка = 92.5%, тест = 85%; LMT: перекрестная проверка = 92,5%, тест = 95%).

Вкратце, относительная важность независимых переменных показала, что общее количество ошибок дало основной вклад в правильное различение лжецов от правдивых, за которым следовали MD-время, AUC и положение мыши по оси y. ось на временном интервале 29 ^-го .

Анализ ошибок.

Ошибки для контроля и ожидаемые вопросы практически отсутствуют у правдивых (см. Таблицу 7).В ответ на неожиданные вопросы чаще всего ошибались лжецы и рассказчики правды. Средний лжец делает в 12,4 раза больше ошибок при ответе на неожиданные вопросы по сравнению с правдивыми.

Лжецы и рассказчики правды не делают ошибок при проверке вопросов, а всего 2/240 на ожидаемые вопросы. Разница между этими двумя группами возникает из-за неожиданных вопросов, когда правдивые люди делают в общей сложности 5/240 ошибок, а лжецы — 82/240. Это указывает на то, что на каждую ошибку, допущенную правдой в ответ на неожиданные вопросы, лжецы делают 16 ошибок.Стоит отметить, что лжецы делают больше ошибок из-за неожиданного ДА (60/120, где они лгут), чем из-за неожиданного НЕТ (22/120, когда они отвечают правдиво), t = — 4,59, p <0,01; Коэна d = 1,60; BF = 16,42.

Немецкий проверочный образец.

Чтобы проверить, может ли модель эффективно классифицировать участников из разных культур, мы протестировали 20 немецких субъектов (10 лжецов и 10 рассказчиков правды) с хорошими результатами. Чтобы рассмотреть влияние культуры на обобщение результатов, мы протестировали выборку из 20 участников, носителей немецкого языка в Дюссельдорфе (10 рассказчиков правды и 10 лжецов; средний возраст = 29.5 лет; мужчины = 9/20) с вопросами на немецком языке. Перед экспериментом участники дали информированное согласие. Результаты этой группы были оценены с использованием модели, первоначально обученной на 40 итальянских участниках. Точность классификации была следующей: случайный лес = 95%, логистика = 100%, SVM = 90%, LMT = 95%. Анализ ошибок (см. Таблицу 8) показывает, что доля ошибок лжецов и лиц, говорящих правду, сопоставима в двух группах (итальянский n = 40 и немецкий n = 20) с результатами для лжецов t = — 1.4, p = 0,17 ( d Коэна = -0,49, BF ​​= 0,64) и результаты для правдивых t = 0,66, p = 0,52 ( d Коэна = 0,28, BF = 0,43) .

Можем ли мы обнаружить лжецов, если они отвечают правдиво?

Схема эксперимента, описанная в рукописи, требует, чтобы лжецы лгали только тогда, когда отвечали ДА на ожидаемые и неожиданные вопросы ДА. Во всех остальных случаях (ожидаемое НЕТ, неожиданное НЕТ, контрольный ДА и контрольный вопрос НЕТ) лжецы отвечали правдиво (см. Таблицу 2).Интересный вопрос: можно ли обнаружить лжецов по их правдивым ответам? В предыдущем разделе мы сравнили траектории ответов двух групп с ожидаемыми и неожиданными вопросами, на которые требовался ответ ДА ​​(см. Рис. 1). Здесь мы сравнили траектории двух групп для ответов, которые не требовали ответа НЕТ, и для всех контрольных вопросов. Траектории, когда лжецы отвечали правдиво, показаны на рис. 6. Хотя разница уменьшается по сравнению с ответами, в которых лжецы лгали, различия с рассказчиками правды все же заметны.

Рис. 6. Траектории, когда лжецы ответили правдиво.

На этом рисунке показаны средние траектории ответов на вопросы, на которые правдиво ответили и лжецы (красным), и правдивые (зеленым).

https://doi.org/10.1371/journal.pone.0177851.g006

Чтобы оценить, отличались ли траектории лжецов и тех, кто говорил правду, когда они не лгали, мы сравнили две экспериментальные группы. о независимых переменных, ранее использовавшихся при разработке классификаторов.Результаты независимого t-теста, представленные в таблице 9, показывают, что стили ответа лжецов могут быть идентифицированы, даже если лжецы отвечали правдиво. Классификаторы имели следующие уровни точности при идентификации лжецов и правдивых только на основе ответов на вопросы, на которые лжецы отвечали правдиво: случайный лес = 77,5%, SVM = 80%, логистика = 80% и LMT = 77,5%. Очевидно, что все классификаторы были относительно точными, даже если они были ниже точности классификации, основанной только на ответах ДА на ожидаемые и неожиданные вопросы (что находилось в диапазоне 90–92%).

Как статистический анализ, так и анализ машинного обучения показали, что признаки лжи распространяются на вопросы, на которые они правдиво ответили. Даже если отвечать правдиво, лжецов можно идентифицировать, но с меньшей точностью. С когнитивной точки зрения здесь интересно то, что в плане эксперимента образ мышления лжецов также распространил свое влияние на вопросы, когда они отвечали правдиво. Насколько нам известно, такая картина результатов никогда ранее не сообщалась и может указывать на уровень чувствительности метода анализа движения мыши.

Обсуждение

Насколько нам известно, никакие методы не могут точно определить, является ли идентификатор субъекта истинным или ложным без какой-либо информации об истинной личности респондента. В этой статье мы сообщаем о результатах нового метода обнаружения памяти, нацеленного на определение того, является ли идентификатор истинным или поддельным, когда лжецы не предоставляют никакой личной информации, которая затем включается в сам тест.

Участники отвечали с помощью мыши на вопросы, касающиеся идентификатора, на которые требовался ответ ДА ​​/ НЕТ.Динамика мыши обеспечивает богатый источник данных по сравнению с аналогичными задачами двоичной классификации, основанными на кнопках ответа. Хотя данные, собранные при нажатии кнопок, ограничиваются записью задержки между началом вопроса и нажатием кнопки, реакция мыши позволяет собирать несколько параметров, включая время реакции, а также время начала, скорость, ускорение и траекторию мыши.

Чтобы разработать модель, которая эффективно выявляет участников с поддельными именами, мы протестировали респондентов с вопросами, которые ожидались и которые лжецы усвоили на этапе предварительного обучения (имя, фамилия, дата рождения и место рождения).Наряду с ожидаемыми вопросами, касающимися информации документа, удостоверяющего личность, также был представлен ряд неожиданных вопросов, связанных с ожидаемыми вопросами. Рассмотрим, например, место рождения. Ожидаемые вопросы, которые появятся в удостоверении личности, будут: «Вы родились в Пизе?» (требуется ответ ДА) или «Вы родились в Нью-Йорке?» (требуя ответа НЕТ). Соответствующие неожиданные вопросы будут такими: «Флоренция — столица вашего региона?» (требуется ответ ДА, учитывая, что Пиза, место рождения, находится в Тоскане, столицей которой является Флоренция) и «Является ли Венеция столицей региона вашего рождения?» (не требуя ответа, учитывая, что Пиза, заявленное место рождения, находится в Тоскане, столицей которой является Флоренция, а не Венеция).Другой неожиданный вопрос, связанный с датой рождения (производной от даты), касался зодиака. Говорящие правду должны иметь возможность получать ответы об их истинном зодиаке более автоматически, чем лжецы; поэтому ожидается, что их реакция будет более быстрой, с меньшим количеством ошибок и более прямой траекторией движения мыши. В целом, неожиданные вопросы должны быть быстро найдены рассказчиками правды, в то время как лжецы должны мысленно «вычислить» ответ на основе исходной ожидаемой информации [21].

Исследование, представленное здесь, продемонстрировало, что динамика мыши, проанализированная с использованием модели машинного обучения, дала правильную классификацию лжецов и рассказчиков правды с точностью более 90%. Этот результат был достигнут путем разработки набора классификаторов с сопоставимой производительностью в диапазоне точности 90–95% (Random Forest, SVM, Logistics и LTM). Другая группа была собрана и протестирована (10 рассказчиков правды и 10 лжецов), чтобы подтвердить обобщение модели. В этой группе было подтверждено, что точность сопоставима с точностью группы, использованной для разработки классификаторов (95% = 19/20 участников правильно классифицированы), что показывает, что высокая точность, достигнутая на этапе построения модели, не была результатом переоснащение.

Теория игр также является многообещающим методом в глубоком обучении. Мы не оценивали, могут ли более сложные модели глубокого обучения, основанные на концепциях теории игр [35–37], превзойти стандартные модели машинного обучения, которые мы использовали в этом исследовании, но это может стать будущим направлением.

Мы провели анализ для определения наиболее важного предиктора, которым были общие ошибки, за которыми следовали MD-время, AUC и положение мыши по оси Y на временном кадре 29 ^-го .

С когнитивной точки зрения подтверждено, что неожиданные вопросы могут использоваться для раскрытия обмана. Сила неожиданных вопросов широко исследовалась на следственных допросах [22]. Здесь мы расширяем результаты и подтверждаем, что неожиданные вопросы могут быть встроены в тест проверки личности, чтобы позволить идентифицировать лиц, вводящих в заблуждение, с высокой точностью. Лжецам трудно отвечать на неожиданные вопросы быстро и без ошибок. Их неуверенность улавливается динамикой мыши, поскольку их двигательное поведение отклоняется от идеальной траектории говорящего правду.

Интересно отметить, что наш экспериментальный план требует от лжецов правдивых ответов на ряд вопросов. Анализ таких правдивых ответов показывает, что лжецов по-прежнему можно обнаружить, даже с меньшей точностью, если они не лгут. Розенфельд и др. показали, что лжецов, говорящих правду, можно идентифицировать с помощью P300, аналогично тому, о чем мы сообщаем здесь [38]. Важно отметить, что от лжецов требуется правдиво отвечать на все стимулы, кроме ожидаемых и неожиданных вопросов, которые, напротив, требуют лжи.Следовательно, они должны переключаться между ложью и правдой, и этот переход имеет цену, которая проявляется также при правдивом ответе, как показали Деби и др. [39]. Это означает, что образ мышления лжеца отражается в динамике мыши, и что обнаружение лжи можно также распространить на ответы, которым они не лгут. Это как если бы инструкция лгать на одни вопросы, но не на другие, вызывает у лжецов большую когнитивную нагрузку, которая связана не только с обманчивыми ответами, но и с переключением между ответами, требующими лжи, и ответами, требующими правды.

Неожиданные вопросы требуют тщательной подготовки ответов, и это может быть ограничением при автоматическом онлайн-использовании метода. Дополнительные ограничения настоящего исследования включают тот факт, что процедура была протестирована на участниках одной культуры, а обобщение проверено на участниках, принадлежащих к другой культуре (Германия). Дальнейшее ограничение настоящего исследования проистекает из того факта, что проблема обнаружения поддельных удостоверений личности не позволяет проводить прямое сравнение с более проверенными методами обнаружения лжи (например,г., ЦИТ). Таким образом, любое сравнение методов носит косвенный характер.

Принимая во внимание все эти ограничения, мы думаем, что использование неожиданных вопросов в сочетании с анализом динамики мыши кажется многообещающим путем для выявления обманчивых ответов.

Вклад авторов

1. Концептуализация: GS MM.
2. Обработка данных: MM.
3. Формальный анализ: GS MM.
4. Расследование: ММ.
5. Методология: GS MM LG.
6. Надзор: GS.
7. Проверка: GS MM LG.
8. Написание — черновик: MM GS.
9. Написание — просмотр и редактирование: GS MM LG.

Список литературы

1. 1. УЕФА. Встанет ли настоящий Эриберто. 20 сентября 2002 г. http://www.uefa.com/news/newsid=34451.html.
2. 2. Donath JS. Личность и обман в виртуальном сообществе.В: Смит М.А., Коллок П. редакторы. Сообщества в киберпространстве. Лондон и Нью-Йорк: Routledge Press; 1999. С. 29–59.
3. 3. Барбер С. Прямая связь между кражей личных данных и терроризмом и способы ее остановить. Техасский университет в Остине. 7 декабря 2015 г. https://news.utexas.edu/2015/12/07/the-direct-link-between-identity-theft-and-terrorism
4. 4. Agenzia Giornalistica Italia (AGI). Брюссель: камикадзе нас идентифицируют с бывшим giocatore dell’Inter. 28 марта 2016 г.http://www.agi.it/estero/2016/03/28/news/bruxelles_kamikaze_uso_identita_ex_giocatore_dellinter-650281/
5. 5. Бенусси В. Die atmungssymptome der lüge. Archiv für die gesamte Psychologie. 1914; 31: 244–273.
6. 6. Розенфельд JP, Грили ХТ. Обман, обнаружение, потенциал, связанный с событием p300 (erp). В: Энциклопедия судебной медицины Wiley. John Wiley & Sons, Ltd; 2009.
7. 7. Vrij A, Fisher R, Mann S, Leal S. Подход когнитивной нагрузки к обнаружению лжи.Психология расследования и профилирование преступников. 2008; 5: 39–43.
8. 8. Ван Бокстаэле Б., Вершуере Б., Моенс Т., Сухоцки К., Деби Э., Спруит А. Обучение лжи: влияние практики на когнитивные издержки лжи. Границы психологии. 2012; 3: 526. pmid: 23226137
9. 9. Кляйнберг Б., Вершуере Б. Обнаружение памяти 2.0: первый веб-тест на обнаружение памяти. PLoS One. 2015; 10 (4): e0118715. pmid: 25874966
10. 10. Сартори Г., Агоста С., Зогмайстер С., Феррара С.Д., Кастиэльо Ю.Как точно определять автобиографические события. Психологическая наука. 2008. 19 (8): 772–780. pmid: 18816284
11. 11. Verschuere B, Kleinberg B. Идентификационная проверка: онлайн-проверка скрытой информации выявляет истинную личность. Журнал судебной медицины. 2016, январь; 61 Приложение 1: S237–40. pmid: 263

12. 12. Агоста С., Сартори Г. Автобиографический IAT: обзор. Границы психологии. 2013; 4: 519. pmid: 23964261
13. 13. Meixner J, Rosenfeld JP. Имитация терроризма Применение теста скрытой информации на основе P300.Психофизиология. 2011. 48: 149–154. pmid: 20579312
14. 14. Дейл Р., Дюран Н.Д. Когнитивная динамика верификации отрицательного предложения. Когнитивная наука. 2011; 35 (5): 983–996. pmid: 21463359
15. 15. Фриман Дж. Б., Паукер К., Санчес Д. Т.. Перцептивный путь к предвзятости: межрасовое воздействие снижает резкие сдвиги в восприятии расы в реальном времени, которые предсказывают предвзятость смешанной расы. Психологическая наука. 2016; 27: 502–517. pmid: 26976082
16. 16. Quétard B, Quinton JC, Colomb M, Pezzulo G, Barca L, Izaute M и др.Комбинированные эффекты ожидания и визуальной неопределенности при обнаружении и идентификации цели в тумане. Когнитивная обработка. 2015; 16: 343–348.
17. 17. Эбни Д.Х., Макбрайд Д.М., Конте А.М., Винсон Д.В. Динамика ответа в предполагаемой памяти. Психономический бюллетень и обзор. 2015; 22 (4): 1020–1028.
18. 18. Барка Л., Пеццуло Г. Разворачивание визуального лексического решения во времени. PLoS One. 2012; 7 (4): e35932. pmid: 22563419
19. 19. Дюран Н.Д., Дейл Р., Макнамара Д.С.Динамика действия преодоления истины. Психономический бюллетень и обзор. 2010. 17 (4): 486–491.
20. 20. Врий А. Когнитивный подход к обнаружению лжи в обнаружении обмана: текущие проблемы и новые подходы. Оксфорд, Великобритания: John Wiley & Sons, Inc .; 2015.
21. 21. Вридж А., Леал С., Гранхаг П.А., Манн С., Фишер Р.П., Хиллман Дж. И др. Перехитрить лжецов: польза от задания неожиданных вопросов. Закон и человеческое поведение. 2009. 33: 159–166. pmid: 18523881
22. 22.Warmelink L, Vrij A, Mann S, Leal S, Poletiek FH. Влияние неожиданных вопросов на обнаружение знакомой и незнакомой лжи. Психиатрия, психология и право. 2013; 20 (1).
23. 23. Хартвиг ​​М., Гранхаг П.А., Стрчмуолл Л. Стратегии виновных и невиновных подозреваемых во время допросов. Психология, преступность и право. 2007. 13: 213–227.
24. 24. Ланкастер Г.Л., Вридж А., Хоуп Л., Уоллер Б. Отделение лжецов от рассказчиков правды: преимущества задания непредвиденных вопросов об обнаружении лжи.Прикладная когнитивная психология. 2013; 27: 107–114.
25. 25. Freeman JB, Ambady N. Mousetracker: Программное обеспечение для изучения мысленной обработки в реальном времени с использованием метода компьютерного отслеживания мыши. Методы исследования поведения. 2010. 42: 226–241. pmid: 20160302
26. 26. Зал МА. Выбор подмножества функций на основе корреляции для машинного обучения. Диссертация, Университет Вайкато. 1999. http://www.cs.waikato.ac.nz/mhall/thesis.pdf.
27. 27. Холл М., Фрэнк Э., Холмс Г., Пфарингер Б., Ройтеманн П., Виттен И.Программное обеспечение для интеллектуального анализа данных weka: обновление. Информационный бюллетень ACM SIGKDD Explorations. 2009. 11 (1): 10–18.
28. 28. Брейман Л. Случайные леса. Машинное обучение. 2001. 45 (1): 5–32.
29. 29. le Cessie S, van Houwelingen JC. Оценщики хребта в логистической регрессии. Прикладная статистика. 1992. 41 (1): 191–201.
30. 30. Platt JC. Быстрое обучение опорных векторных машин с использованием последовательной минимальной оптимизации. В: Достижения в методах ядра. MIT Press Cambridge; 1999 г.
31. 31. Кеэрти СС, Шеваде СК, ЦБ, Мурти КРК. Улучшения в алгоритме SMO Platt для проектирования классификатора SVM. Нейронные вычисления. 2001. 13 (3): 637–649.
32. 32. Ландвер Н., Холл М., Фрэнк Э. Деревья логистических моделей. Машинное обучение. 2005. 95 (1–2): 161–205.
33. 33. Гао З.К., Цай Цюй, Ян YX, Донг Н, Чжан СС. График видимости из частотно-временного представления адаптивного оптимального ядра для классификации эпилептиформной ЭЭГ. Международный журнал нейронных систем.2017; 27 (4): 1750005. pmid: 27832712
34. 34. Дворк С., Фельдман В., Хардт М., Питасси Т., Рейнгольд О., Рот А. Многоразовое удержание: сохранение достоверности в адаптивном анализе данных. Наука. 2015; 349: 636–638. pmid: 26250683
35. 35. Ван Дж., Лу В., Лю Л., Ли Л., Ся К. Оценка полезности на основе однозначного сопоставления в игре «Дилемма заключенного для взаимозависимых сетей». PLoS ONE. 2016; 11 (12): e0167083. pmid: 27

    ---

    4
36. 36. Чен М., Ван Л., Сунь С., Ван Дж., Ся К.Эволюция сотрудничества в игре пространственных общественных благ с адаптивным ассортиментом репутации. Physics Letters A. 2016; 380 (1): 40–47.
37. 37. Чен М., Ван Л., Ван Дж., Сунь С., Ся К. Влияние стратегии индивидуального реагирования на пространственную игру общественных благ внутри мобильных агентов. Прикладная математика и вычисления. 2015; 251: 192–202
38. 38. Розенфельд Дж. П., Элвангер Дж. В., Нолан К., Ву С., Берманн Р. Г., Свит Дж. Распределение амплитуды скальпа P300 как показатель обмана в модели имитируемого когнитивного дефицита.Международный журнал психофизиологии. 1999; 33 (1): 3–19. pmid: 10451015
39. 39. Деби Э., Баптист Л.Б., де Хауэр Дж., Вершуер Б. Ложь, правда, ложь: роль переключения задач в контексте обмана. Психологическое психологическое исследование. 2015. 79 (3): 478–488.

Строкер-комплект Jaguar v12

Страница 2: Найдите модели Jaguar E 1971 года для продажи в объявлениях Oodle. Присоединяйтесь к миллионам людей с помощью Oodle, чтобы найти уникальные подержанные автомобили для продажи, сертифицированные списки подержанных автомобилей и объявления о новых автомобилях.Не пропустите то, что происходит в вашем районе. Найдите запчасти и аксессуары для JAGUAR V12 и получите бесплатную доставку заказов на сумму более 99 долларов на Summit Racing!

ОГРАНИЧЕННОЕ ИЗДАНИЕ Jaguar V12 Symphony выпущен ограниченным тиражом в 25 экземпляров. ПОЛНОСТЬЮ ПОСТРОЕН В АНГЛИИ. Двигатель был произведен компанией Jaguar Cars в 1971–1997 годах в Ковентри. Затем он был переоборудован в журнальный столик компанией Engine Table UK в Хаддерсфилде, Западный Йоркшир. БЕСПЛАТНАЯ ДОСТАВКА ПО ВЕЛИКОБРИТАНИИ Время выполнения … Город и округ Денвер — Колорадо | Чарльстон Каунти — Южная Каролина | Округ Дофин — Пенсильвания | Округ Касс — Северная Дакота

Jaguar XJ8 — Комплекты для обслуживания XJR / детали для общего обслуживания; Jaguar XJ8 — Тормоза и детали тормозов XJR… Водяной насос XJS 5.3 и 6.0 V12 и ремень рулевого механизма PAS EAC1323. VIN …

5 сентября 2015 г. · С другой стороны, исчез несколько ненадежный двигатель Jaguar V12 и появился строкер SBC 383. Его 6,3 литровый ящик Chevrolet V8 безумие развивает более 400 лошадиных сил в естественных условиях … Статья о типе V12 E с головками AJ6 была опубликована в Jaguar World, март / апрель 1993 года. Это был 6,8-литровый агрегат, произведенный Sovereign Motors. в Калифорнии, которые предлагали аналогичные двигатели на продажу всего по 45 000 долларов за каждый — цена, которая позволяет оценить масштабы работы в некоторой перспективе.

11 июля 2020 г. · Однако интерьер остался традиционным для Jaguar. Этот потрясающий родстер V12 желто-желтого цвета был построен 10 октября 1973 года и впервые зарегистрирован 1 ноября 1974 года компанией Гиббонс, Шотландия. После реставрации без покрытия в 1990 году автомобиль получил новый алюминиевый капот ручной работы от CMC.

eBay Kleinanzeigen: Jaguar V12, Kleinanzeigen — Jetzt finden or derieren! eBay Kleinanzeigen — Костенлос. Jaguar XJ12 6.0 V12 311 PS Automatik Schiebedach. Letzter Service по адресу 133.000 km Korrossions- und Unterbodenschutz neu sehr guter Zustand von …

CF-V12SPB-RGB. Наименование товара. 12 В постоянного тока. XJ6 XJ12 XJ6C XJ12C Vanden Plas XJS XJSC XJ8 XJ8L XJR XK8 XKR. Наша основная философия модернизации двигателя Jaguar-V8 очень проста: используйте как можно больше стандартных готовых компонентов и минимальное количество «специальных» деталей.

V12 Vantage (2009-2019) … у нас есть ряд продуктов для тюнинга Aston Martin, от аэрокомплектов до углеродного волокна и от спортивных выхлопных труб до колес для DB9, DBS… Jaguar Conversion Kit — наиболее полный комплект для преобразования вашего Jaguar XJ6, XJ12 и XJS в двигатель Chevy V8. V8 обладает большим крутящим моментом и мощностью, чем 6- или 12-цилиндровый Jaguar, что дает вам больше возможностей для бездорожья и большей проходимости на шоссе.

Двигатель Jaguar V12 запускается впервые

XJ6 XJ12 XJ6C XJ12C Vanden Plas XJS XAO XJ8 XJ8L XJR XK8 XKR. Наша основная философия модернизации двигателя Jaguar-V8 очень проста: используйте как можно больше стандартных готовых компонентов и минимальное количество «специальных» деталей.Вот список работ, которые мы недавно завершили в Duggan Balancing. VW Touareg Замена центрального подшипника карданного вала и балансировка. Сварить и обработать 4,0-литровую 6-цилиндровую головку блока цилиндров Ford, поврежденную из-за взорванной прокладки.

331-дюймовые наборы штрихов должны быть доступны там, где продается 347 наборов, но, к сожалению, обменный курс иногда в пользу иностранных компаний. В вашем регионе спросите у поставщиков, которые имеют солидную репутацию с точки зрения качества запчастей и обслуживания. К сожалению, на рынке преобладают товары китайского производства, и они не являются синонимом качества.Необходимые комплекты: 1. Рулевое управление с усилителем, агрессивная геометрия углов установки колес, более широкие колеса и шины с более низким профилем — все это значительно увеличило нагрузку на рулевое управление современных автомобилей. Добавьте к этому загрязняющие вещества летучей мыши двигателя, такие как утечки масла, которые также способствуют ухудшению характеристик втулок крепления рулевой рейки. Комплект подогревателя двигателя для Jaguar 1971-97 V12 — 5.3L 6.0L. Совершенно новый. 52,99 доллара США. … 1 оценка продукта — Комплект коренных подшипников двигателя Jaguar E-Type V12 Стандарт RTC2728 NOS Jaguar …

«Двигатель представляет собой полностью отремонтированный двигатель M20B25 с 2.«Строкер-комплект на 8 литров», — усмехается Павел. «Коленчатый вал легче стандартного и был сбалансирован. Головка была оснащена новым распределительным валом Schrick 288 с пружинами гоночного клапана Schrick и регулируемым кулачковым механизмом от Cat Cams. JAGUAR F-Type 3.0 V6 авт. Комплект купе S SCARICHI SPORTIVI Характеристики: 80000 Immatricolazione: 01/2015 Тип автомобиля: usato Carburante: Benzina Potenza: 250 кВт /… Jaguar — TWR JaguarSport XJS V12 — 1986.

[Архив] Обсуждение Jaguar XJ-S (до H.E.) с 1976 по 1981 год, XJ-S HE, 3.6, XJ-SC с 1982 по 1991 год и XJS (Facelift) с 1992 по 1996 год.

Комплект обогревателя двигателя для Jaguar 1971-97 V12 — 5,3 л, 6,0 л. . Совершенно новый. 52,99 доллара США. … 1 оценка продукта — Комплект коренного подшипника двигателя Jaguar E-Type V12 Стандартный RTC2728 NOS Jaguar … Комплект сетчатого фильтра с низкопрофильным воздушным рожком Webcon для Weber 40IDF Jaguar V12 и т. Д. Если вам нужна легендарная мощность карбюраторов Weber, но место Ограничения затрудняют получение подходящих воздушных фильтров, что ж, теперь у Webcon есть ответ.

Найдите запчасти и аксессуары для JAGUAR V12 и получите бесплатную доставку заказов на сумму свыше 99 долларов на Summit Racing! Мы строим двигатель Stroker на 7,4 литра для кастомного XJ-S. Блок пришлось расточить, чтобы разместить вкладыши большего размера. Чтобы облегчить растачивание блока, мы сделали поверхностные пластины для верхней части блока, которые определяют центр каждого цилиндра.

, выполняющих техническое обслуживание или замену ламп. «12. Великолепный белый спинакер с акцентами Satin Tan 1970 Chrysler 300H Hurst Edition 1 из 485 Классик может похвастаться 3-ступенчатой ​​автоматической коробкой передач Torqueflite 727 и 440/375 HP V

Aston Martin.Fiat. Ягуар. Ламборджини. Комплект строкера VAC Motorsports Premium, S65, 4,4 л / 4,5 л / 4,6 л, блок Alusil.

30 янв.2020 г. · Комплекты для обслуживания карбюратора Jaguar. Jaguar e type v 12 — великолепный двигатель, обремененный неэффективными и хлопотными карбюраторами Стромберга. Наш комплект для переоборудования Weber — это просто билет, чтобы раскрыть ваш потенциал производительности v 12s. Закажите новый ремонтный комплект карбюратора для Jaguar V12 онлайн со скидкой до 75%! Быстрая доставка, рейтинг A + от BBB и поддержка клиентов в США.Ремкомплект карбюратора Jaguar V12. Информация: выберите марку и модель в красной строке заголовка выше, чтобы мы могли показать нужные вам детали.

Как выгорать в охотниках за дрифтом

Охотники за дрифтом. Hot Wheels: Track Builder. Симулятор автомобиля. Городской райдер 3D. Автомобильные дрифт-гонщики 2. Каскадерские машины Agame. … Burnout Drift: Автомобильная игра 3D. 88%. Мне нравится …

Burnout Drift — это увлекательная онлайн-игра Unity, в которую вы можете играть на Games HAHA. Если вам понравилась эта игра и вы хотите поиграть в подобные веселые игры, обязательно поиграйте в Burnout Drift 2, Super Burnout или Swift Burnout или просто перейдите на страницу игр Unity. Только здесь, на games-kids.com, вы, дорогие друзья, можете найти игру Игра Drift Boss для детей, в которую вы можете играть на своих телефонах и планшетах, которую вы можете увидеть только здесь, на нашем сайте бесплатно онлайн.Сегодня вы видите, что мы принесли вам особенную трехмерную игру с автомобилями, в которой вам нужно будет быть очень осторожным и сосредоточенным, потому что, дорогие дети, вы увидите, что это будет единственная … Маг броня стоит 5e

модов тюнера S

Aftermarket Assassins — это центр производительности UTV, специализирующийся на Polaris RZR, General, Ranger и других деталях SxS. , 13 июля 2004 г. · «Тюнинговая» машина Rytek великолепна, но она должна была быть V-8. 13 июля 2004 г. Поделиться. Когда люди слышат слова журнала SUPER CHEVY, первое, о чем они думают, происходит невероятно быстро…, Окей, кажется, внутренние модификации — это самое востребованное обновление. Какие варианты вы хотели бы видеть доступными? Тогда плохо разбираюсь в возможностях, добро пожаловать на GTA5-Mods.com. Выберите одну из следующих категорий, чтобы начать просмотр последних модов для ПК GTA 5:

Cameron bluetick hound

12 июня 2018 г. · Porsche 718 Boxster S / Cayman S. Power Gains. Автомобили модели 718 S получают хороший прирост мощности по сравнению с базовыми автомобилями, используя турбокомпрессор в стиле VTG, который можно увидеть на 911 Turbo, который обеспечивает наддув до 2.