Tegenwoordig vindt een groot deel van onze communicatie digitaal plaats. Als gevolg wordt er weer meer tekst geschreven, ook voor sociale en privédoeleinden. Sociale media zoals Face- book, Instagram en Twitter zijn populairder dan ooit, en dankzij e-mail en WhatsApp wordt er ook een-op-een digitaal heel wat gecommuniceerd. Ten opzichte van face-to-face-gesprekken kan geschreven communicatie op verschillende manieren een invloed hebben op liegen. Aan de ene kant is geschreven communicatie anoniemer dan face-to-face-communicatie, of zelfs dan bellen. Eerder onderzoek heeft aangetoond dat anonimiteit de kans op liegen en oneerlijk gedrag vergroot. Aan de andere kant laat ge- schreven tekst een papertrail achter die gecheckt kan worden door de ontvanger. Hierdoor kan het juist lastiger zijn om digitaal weg te komen met een leugentje, wat de kans op liegen kan verkleinen.
Verschillende onderzoeken hebben de rol van digitaal com- municeren en het effect van modaliteit (bijvoorbeeld geschreven versus face-to-face-leugens) onderzocht. Allereerst blijkt dat mensen zelf denken dat online meer gelogen wordt dan offline, hoewel slechts een derde van de proefpersonen aangaf zelf online te liegen (Caspi & Gorsky, 2006). Guillory en Hancock (2012) hebben onderzocht wat het effect is van LinkedIn op liegen om een baan te bemachtigen. Proefpersonen moesten ofwel een traditioneel (offline) cv opstellen, ofwel een privé LinkedIn cv, ofwel een openbaar LinkedIn cv. Hoewel de hoeveelheid leugens niet verschilde tussen de drie contexten, was er wel verschil in het type leugens. In het openbare LinkedIn cv werd minder vaak gelogen over werkervaring en verantwoordelijkheden op het werk, maar vaker over hobby’s en andere persoonlijke onderwerpen. De auteurs verklaren dit doordat de papertrail in combinatie met sociale controle op openbare Linkedin cv’s groter is, wat de kans op het uitkomen van de leugen vergroot. Dus liegen mensen over onderwerpen die minder makkelijk als feitelijk onjuist kunnen worden aangeduid. Digitale communicatie lijkt dus niet per se oneerlijker te zijn dan traditionele face-to-face-communicatie.
Leugendetectie
Zolang mensen bestaan, bestaan er leugens, en zolang er leugens bestaan, bestaat de behoefte aan leugendetectie. Leugendetectie is niet het bepalen of een uitspraak feitelijk juist is of niet, maar het bepalen of de zender op het moment van communiceren wist dat het gecreëerde beeld incorrect was. Dus of iemand je bewust voor de gek houdt. Door de jaren heen zijn daarvoor verschillende methoden gebruikt.
Vanuit de wetenschap is leugendetectie gebaseerd op een aantal aannames. De eerste aanname is dat mensen liegen. Op basis van de eerder besproken studies lijkt die aanname correct. De tweede aanname is dat een persoon ander gedrag laat zien als er gelogen wordt. Theoretisch gezien zijn er drie factoren die gedragsverandering in een leugencontext kunnen veroorzaken (Vrij, 2008). Ten eerste kan liegen emoties opwekken, zoals angst en schuldgevoel. Ten tweede kan liegen moeilijker zijn dan de waarheid vertellen, bijvoorbeeld doordat je zowel de waarheid als de leugen moet onthouden, omdat je in de gaten moet houden of de ontvanger je wel gelooft en omdat je soms
on the spot een antwoord moet verzinnen (Vrij, Fisher, & Blank,
2017). Ten slotte proberen sommige leugenaars hun leugenachtige gedrag te beheersen om eerlijk over te komen, bijvoorbeeld door veelvuldig oogcontact te maken. Deze drie factoren kunnen gedrag beïnvloeden, soms zelfs in tegenovergestelde richting. De derde aanname is dat deze gedragsveranderingen opgemerkt of gemeten kunnen worden.
Het identificeren van gedragsverandering ten behoeve van leugendetectie kan ofwel door personen zelf worden gedaan, ofwel door technologie in te zetten als hulpmiddel. In de meeste leugenexperimenten wordt een fifty-fifty verdeling aangehouden van leugens en waarheden. Ofwel de helft van de proefpersonen vertelt een leugen en de andere helft een waar- heid (between subjects design), ofwel iedere proefpersoon vertelt een leugen en een waarheid (within subjects design). Uit uitge- breide analyse van ongeveer tweehonderd leugenonderzoeken
blijkt dat mensen met een gemiddelde detectiescore van 54 procent het niet veel beter doen dan kansniveau (Bond & DePaulo, 2006). Een muntje opgooien zou ongeveer hetzelfde resultaat opleveren. Ervaring met leugendetectie zorgt vaak wel voor meer zelfvertrouwen, maar niet per se voor betere detectiescores (Elaad, 2009).
Er zijn twee manieren om deze detectiescores te verhogen. De eerste methode is het trainen van interviewers. De eerste trainingen waren voornamelijk gericht op het herkennen van leugenachtig gedrag. Een van de problemen met leugendetectie is namelijk dat mensen de neiging hebben om te letten op de verkeerde gedragingen. Populaire opvattingen over leugenachtig gedrag komen namelijk zelden overeen met daadwerkelijk leugenachtig gedrag (Bogaard et al., 2016). Deze trainingen bleken echter niet veel succesvoller dan een placebo-training (Levine et al., 2005). Huidige trainingen zijn vaak gericht op interview-strategieën die het voor een leugenaar moeilijker moeten maken om de vragen te beantwoorden dan voor iemand die de waarheid spreekt. Deze technieken zijn dus gericht op het verhogen van de cognitieve belasting (Vrij et al., 2017). Een meta-analyse op basis van dertig onderzoeken naar het effect van training op leugendetectiescores laat zien dat training een klein tot medium positief effect heeft (Hauch et al., 2016). Ook werd gevonden dat training gericht op het identificeren van verbale gedragingen, effectiever was dan training gericht op het identificeren van non-verbale, vocale of multimodale gedragingen.
De tweede methode om leugendetectiescores te verbeteren is door het gebruik van technologie om gedrag te meten. De bekendste technologie is de polygraaf, die gebruikmaakt van de Control Question Technique (CQT). De polygraaf is een verzamelnaam voor apparaten die fysiologische reacties zoals huidgeleiding, ademhaling, bloeddruk en hartslag meten tijdens het beantwoorden van vragen. In lab-experimenten worden tussen de 74-82 procent van de leugens en 61-83 pro- cent van de waarheden herkend (Verschuere, Ben-Shakhar
& Meijer, 2011). Er worden ook andere soorten technologie toegepast voor leugendetectiedoeleinden, zoals functionele MRI (fMRI), eye tracking, reactietijdenonderzoek en het auto- matisch analyseren van non-verbaal gedrag. In een experiment met 180 proefpersonen zijn bijvoorbeeld de detectiescores van menselijke interviewers vergeleken met automatische detectiescores op basis van motion capture-apparatuur om non-verbaal gedrag te meten (Van der Zee et al., 2019). Hieruit bleek dat leugenaars beweeglijker zijn dan mensen die de waarheid vertellen, en dat technologie (82,2%) bijna 30 pro- centpunten beter leugens en waarheden kon identificeren dan mensen (52,8%).
Samengevat kan zowel training als het gebruik van techno- logie leugendetectiescores verhogen. Geen van de tot nu toe geteste leugendetectiemethoden heeft echter een detectie- score van 100 procent, wat betekent dat leugendetectie altijd om een indicatie gaat. Zowel training als technologie kan het vertrouwen in leugendetectie vergroten, soms tot onterechte hoogtes, wat gevaarlijk kan zijn voor waarheidssprekers. Enige terughoudendheid in het interpreteren en implementeren van leugendetectieresultaten is dus gewenst.