Riconoscere le bugie: che cosa dimostra davvero uno studio

TL;DR

Per capire se un metodo riconosce le bugie devi sapere come è stato messo alla prova. La reputazione di chi parla, un’impressione convincente e una percentuale alta non sostituiscono una verifica della frase contestata.

Se vuoi capire il risultato, puoi chiedere da dove proviene la risposta considerata vera, quanti errori sono stati commessi e che cosa succede con persone mai viste prima. Alcune ricerche offrono risultati promettenti. Il loro valore dipende anche dai limiti che conserviamo nel raccontarle. Il calcolo qui sotto è inventato e non descrive un apparecchio reale.

Quando tutti sembrano sapere che mente

Una persona viene definita bugiarda in diversi commenti. Un video riprende quei commenti e aggiunge un’analisi della voce. Alla fine sembra che esistano molte conferme. Ma quante informazioni indipendenti ci sono davvero?

Per il riconoscimento delle bugie, ripetere un sospetto non equivale a controllarlo. Dieci persone potrebbero aver letto lo stesso messaggio. L’accordo sarebbe reale; il fatto su cui si basa resterebbe da verificare.

Prima di cercare un segnale nel volto, conviene chiedere quale affermazione è in discussione e da dove viene la certezza. Una voce può suggerire una domanda. Non diventa una prova solo perché molte persone la condividono. Abbiamo controllato queste ricerche per l’ultima volta il 20 ottobre 2026.

Una reputazione non è il risultato di un test

Nell’intervista a Nicoletta Cavazza pubblicata da Il Bo Live nel 2024, la reputazione viene distinta dall’impressione individuale e collegata agli scambi di informazioni. Nel passaparola, particolari possono cambiare o andare perduti. È un contributo sul giudizio sociale, non una nuova misura di precisione nel rilevare bugie.

Questa distinzione aiuta a leggere anche una promessa scientifica. “Il metodo è famoso” e “il metodo ha superato un test indipendente” sono affermazioni diverse. Per la seconda servono compito, criteri ed errori, non soltanto un nome autorevole.

In un’analisi di un caso, un controllo dovrebbe poter portare un’informazione che prima mancava. Un documento o una registrazione possono farlo. Un nuovo commento che ripete i precedenti può aumentare la convinzione senza aumentare le prove.

Il fatto da controllare viene prima della percentuale

Immagina una discussione sulla data di un’iscrizione. Vogliamo sapere quando è stata inviata la domanda, quando è stata ricevuta o quando è stata accettata? Una stessa frase può essere imprecisa perché quelle date vengono confuse.

Un test del sorriso o dell’intonazione non risolve la differenza. Anche una descrizione esatta del comportamento risponde a una domanda diversa. Lo stesso vale per il riconoscimento di un dettaglio: se una persona lo conosce, resta da capire come ne sia venuta a conoscenza.

Il numero va quindi letto insieme al risultato cercato. Valutare una storia come credibile, identificare una memoria e classificare un’affermazione come falsa richiedono confronti differenti. Chiamarli tutti “accuratezza” non rende intercambiabili le risposte.

Che cosa conta come risposta giusta

La meta-analisi di Bond e DePaulo del 2006 riporta circa il 54% di classificazioni corrette senza strumenti o formazione specifica. È un risultato delle prove esaminate, non il limite di ogni indagine futura.

Per calcolare un successo, chi conduce il test deve conoscere prima la risposta. Può assegnare a qualcuno un’azione e ad altri un’altra, poi confrontare i giudizi con le istruzioni. Con un racconto autobiografico, invece, bisogna spiegare come ne è stata controllata l’origine.

La parola del narratore, un documento e l’osservazione dell’evento forniscono basi diverse. Se il racconto è chiamato falso perché sembra sospetto e quello stesso sospetto viene usato per dimostrare il metodo, il confronto gira su sé stesso. Potremmo aver misurato un’impressione condivisa anziché la verità del fatto.

Chiedere meglio può aiutare

In nove studi del 2023, Verschuere e colleghi hanno trovato risultati positivi quando l’attenzione era rivolta ai dettagli invece che al giudizio libero. Non significa che un racconto lungo debba essere vero.

Un dettaglio utile può indicare una verifica: un orario, un luogo, una persona presente. A quel punto è l’informazione indipendente a sostenere o contraddire la versione. La vivacità del racconto non svolge lo stesso lavoro.

Mac Giolla e Luke nel 2021 hanno stimato circa il 60% di accuratezza media per approcci cognitivi, ridotta a circa il 55% dopo una correzione del possibile bias. Questi risultati dipendono dalle condizioni e dalle istruzioni delle prove.

Chi guarda un video riceve materiale già fissato. Chi conduce una conversazione può ottenere una risposta nuova. Non si può prendere il successo di una procedura di domande e attribuirlo alla lettura di una pausa già registrata.

Due errori diversi sotto la stessa etichetta

Un metodo può non trovare una bugia oppure scambiare la verità per bugia. Se si diventa più sospettosi verso tutto, può diminuire il primo errore e aumentare il secondo.

La sensibilità conta la quota dei racconti falsi individuati. La specificità conta la quota dei racconti veri correttamente lasciati senza sospetto. Le due percentuali hanno denominatori diversi. Nessuna fornisce automaticamente l’altra.

Guarda anche i casi senza decisione. È ragionevole ammettere un dubbio; sarebbe meno corretto far sparire dal resoconto tutte le situazioni difficili. Un’alta precisione tra le risposte rimaste non descrive la frequenza con cui il metodo riesce a rispondere.

Ottantuno segnalazioni, ventiquattro bugie

Per un esempio inventato prendiamo 600 racconti: 30 falsi e 570 veri. Supponiamo che un sistema trovi l’80% dei falsi e lasci correttamente senza segnalazione il 90% dei veri. Non sono prestazioni attribuite a un prodotto né una stima delle bugie nella vita quotidiana.

Troverebbe 24 falsi, perdendone sei. Tra i veri, ne escluderebbe correttamente 513 ma ne segnalerebbe 57 per errore. Le segnalazioni sarebbero 81: solo 24 ÷ 81, circa il 29,6%, riguarderebbe un racconto davvero falso.

Eppure l’accuratezza generale sarebbe (24 + 513) ÷ 600 = 89,5%. Il conto delle decisioni corrette su tutti i racconti e il conto delle segnalazioni corrette rispondono a domande diverse. Se cambiano le ipotesi, cambia il risultato. Non possiamo assegnare questa probabilità a una persona reale.

Se il risultato medio non basta

Due gruppi ipotetici presentano 1, 2, 3 e 2, 3, 4. Le medie sono differenti, ma 2 e 3 compaiono in entrambi. Un singolo valore non permette una scelta senza errori.

Una differenza media può avere interesse scientifico. Per prendere una decisione individuale servono una regola e una valutazione degli errori su materiale nuovo. Questa parte non è già contenuta nella scoperta della differenza.

Anche la correlazione va letta per quello che collega. Un gesto potrebbe prevedere il sospetto dell’osservatore senza prevedere la bugia. In quel caso il dato spiega il giudizio, compreso quello sbagliato. Il confronto con una risposta indipendente è ciò che manca per parlare di rilevamento corretto.

Una faccia già vista rende il test più facile?

Un programma può imparare da alcune registrazioni e venire esaminato su altri frammenti delle stesse persone. I file sono nuovi, ma le facce e le voci potrebbero essere già note.

Il modello può sfruttare particolari del microfono o della stanza che coincidono con le etichette. Per una promessa su persone sconosciute, quelle persone devono rimanere fuori dall’apprendimento. Per una nuova lingua o una nuova situazione occorre valutare anche quel passaggio.

Mille frammenti di un’intervista non equivalgono a mille interviste indipendenti. La quantità può aiutare, ma non corregge da sola un confronto costruito male. Chiedere chi fosse presente in ciascuna fase chiarisce che cosa il risultato permette di promettere.

Perché cercare anche i tentativi falliti

Luke ha mostrato nel 2019 come campioni piccoli, poche ripetizioni e pubblicazione selettiva possano gonfiare le stime degli indizi. Questo non dimostra che ogni effetto sia nullo. Fa capire perché contano anche le scelte precedenti al risultato.

Se vengono provate molte combinazioni e mostrata soltanto la migliore, il pubblico non vede quante occasioni di successo casuale ci fossero. Definire prima le analisi e ripeterle con altro materiale rende l’ipotesi più controllabile.

Nella vita reale le persone possono prepararsi, mescolare parti vere e false o non collaborare. Sono condizioni da studiare, non difficoltà per cui possiamo inventare una percentuale. Un ricercatore può proporre una strada promettente; chi la presenta come soluzione dovrebbe mostrare quali passaggi sono già stati verificati.

La domanda inviata e l’iscrizione accettata

In una storia fittizia, una persona sostiene di essersi iscritta a un torneo prima della scadenza. Il sistema mostra una data successiva. L’intervista sembra convincente, ma un’analisi automatica segnala una bugia.

La prima domanda riguarda l’evento registrato: invio della domanda, ricezione o accettazione? Una mail può attestare l’invio senza provare che tutti i documenti fossero completi. Oppure una registrazione amministrativa può essere stata fatta più tardi.

Se il messaggio riguarda un altro torneo, c’è una discrepanza precisa da chiarire. L’espressione calma non la cancella. La segnalazione del programma, però, non decide se ci sia stato un errore o un inganno intenzionale. Occorre tornare al contenuto della frase e ai documenti giusti.

Che cosa puoi concludere davvero

Tieni insieme compito, origine della verità di confronto, due errori e risposte incerte. Poi verifica se il risultato vale con persone nuove e se qualcuno lo ha ripetuto indipendentemente.

Una ricerca può aiutare a formulare domande migliori senza risolvere un’accusa. Quando la precisione promessa non porta con sé queste informazioni, manca ancora il motivo per trasformare una segnalazione in un fatto su qualcuno.