De woorden die we gebruiken worden echter niet alleen be- paald door meer statische factoren, zoals persoonlijkheid en
demografische gegevens, maar ook door meer dynamische factoren, zoals het onderwerp van gesprek en het waarheidsge- halte van een bewering. Er zijn tientallen onderzoeken gedaan naar het effect van liegen op taalgebruik. Een meta-analyse op basis van 44 experimenten laat zien dat leugenaars meer cognitieve belasting ervaren (leugenaars gebruiken minder woorden, werkwoorden en zinnen), meer negatieve emoties ervaren (leugenaars gebruiken meer boosheid en negatieve emotiewoorden), meer afstand nemen (leugenaars gebruiken minder persoonlijke voornaamwoorden), minder zintuigelijke en perceptuele woorden gebruiken en minder vaak naar cognitieve processen verwijzen (Hauch et al., 2015).
Recentelijk zijn ook de tweets van president Trump met behulp van LIWC onder de loep genomen. Onderzoek naar diens geverifieerde (gefactcheckt) tweets laat zien dat hij ander taalgebruik bezigt wanneer hij schrijft over feitelijk correcte versus feitelijk incorrecte onderwerpen (Van der Zee et al., 2018). Zo gebruikt Trump meer ontkenningen en differentiële woorden en neemt hij meer afstand wanneer hij feitelijk incorrect over onderwerpen schrijft, en gebruikt hij juist meer emotionele en positieve woorden als hij feitelijk correct over onderwerpen schrijft. Het op deze verschillen in taalgebruik gebaseerde model kon 73 procent (out-of-sample prediction) van Trumps tweets correct classificeren als feitelijk juist of feitelijk onjuist op basis van woordgebruik.
Deze resultaten suggereren dat president Trump zich tijdens het schrijven bewust is van de feitelijke (on)juistheid van zijn be- weringen, waardoor een deel van zijn feitelijk onjuiste beweringen volgens de definitie van deceptie onder liegen valt. Daarnaast toont deze studie aan dat automatische taalanalyse een bijdrage zou kunnen leveren aan het grootschalig factchecken van open- bare en politieke berichtgeving. Zoals eerder ook aangegeven bij andere vormen van leugendetectie is 73 procent niet voldoende voor een definitieve scheiding tussen leugen en waarheid, maar het zou bijvoorbeeld als een eerste screening kunnen dienen. Het moet opgemerkt worden dat de classificatie voor president Trump
mogelijk was door de beschikbaarheid van een veelheid aan uitspraken die door factcheckers beoordeeld zijn. Het vergaren van dit soort data van minder publieke personen is doorgaans lastiger, en heeft minder impact.
Toch is het belangrijk dat mensen zich realiseren dat hun geschreven en online gepubliceerde teksten verzameld en geanalyseerd kunnen worden, met mogelijk verregaande con- sequenties. De gebruikte analyses maken nu nog slechts gebruik van relatief simpele percentages van specifieke woordgroepen. Maar ontwikkelingen binnen de machine learning brengen analyses van complex taalgebruik binnen handbereik. Zeker in combinatie met andere vormen van gedrag, zoals non-verbale en vocale uitingen in video’s, kan zo een persoonlijk profiel gemaakt worden waarmee online gedrag direct geduid kan worden. Aan de ene kant kan dit leiden tot nieuwe methodes voor het flaggen van potentieel onjuiste online statements. Aan de andere kant moeten we waken voor een overschatting van de betrouwbaarheid van dergelijke classificaties op basis van persoonlijke uitlatingen.
Literatuur
Bogaard, G., Meijer, E.H., Vrij A., & Merckelbach, H. (2016). Strong, but Wrong: Lay People’s and Police Officers’ Beliefs about Verbal and Nonverbal Cues to Deception. PLoS ONE 11(6): e0156615. doi:10.1371/journal.pone.0156615 Bond, C.F., & DePaulo, B.M. (2006) Accuracy of deception judgments. Personality
and Social Psychology Review, 10, 214-234. doi:10.1207/s15327957pspr1003_2
Bond, G.D., Holman, R.D., Eggert, J.‐A.L., Speller, L.F., Garcia, O.N., Mejia, S.C., … Rustige, R. (2017). “Lyin’ Ted”, “Crooked Hillary,” and “Deceptive Donald”: Language of lies in the 2016 US presidential debates: Language of lies in debates.
Applied Cognitive Psychology, 31(6), 668-677. doi:10.1002/acp.3376
Caspi, A., & Gorsky, P. (2006). Online deception: Prevalence, motivation, and emotion. CyberPsychology & Behavior, 9(1), 54-59. doi:10.1089/cpb.2006.9.54 Elaad, E. (2009). Lie-Detection Biases among Male Police Interrogators, Prisoners,
and Laypersons. Psychological Reports, 105(3 [suppl.]), 1047-1056. doi:10.2466/ PR0.105.F.1047-1056
Feldman, R.S., Forrest, J.A., & Happ, B.R. (2002), Self-presentation and verbal deception: Do self-presenters lie more? Basic and Applied Social Psychology,
Guillory, J., & Hancock, J. (2012). The Effect of Linkedin on Deception in Resumes. Cyberpsychology, Behavior and Social Networking, 15, 135-40. doi:10.1089/ cyber.2011.0389
Hauch, V., Blandon-Gitlin, I., Masip, J., & Sporer, S.L. (2015). Are computers effective lie detectors? A meta-analysis of linguistic cues to deception. Personality and
Social Psychology Review, 19, 307-342. doi:10.1177/1088868314556539
Hauch, V., Sporer, S.L., Michael, S.W., & Meissner, C. (2016) Does Training Improve the Detection of Deception? A Meta-Analysis. Communication Research, 43(3), 283-343. doi: 10.1177/0093650214534974
Johnson, M.K., & Raye, C.L. (1981). Reality monitoring. Psychological Review, 88(1), 67-85. doi:10.1037/0033-295X.88.1.67
Levine, T.R., Feeley, T.H., McCornack, S.A., Hughes, M., & Harms, C.M. (2005). Testing the Effects of Nonverbal Behavior Training on Accuracy in Deception Detection with the Inclusion of a Bogus Training Control Group. Western Journal
of Communication, 69(3), 203-217. doi:10.1080/10570310500202355
Newman, M.L., Pennebaker, J.W., Berry, D.S., & Richards, J.M. (2003). Lying words: Predicting deception from linguistic styles. Personality and Social Psychology
Bulletin, 29, 665-675. doi:10.1177/0146167203029005010
Robinson, W.P., Shepherd, A., & Heywood, J. (1998). Truth, equivocation/conceal- ment and lies, in job applications and doctor-patient communication. Journal
of Language and Social Psychology, 17(2), 149-155. doi:10.1177/0261927X980172001
Rowatt, W.C., Cunninghan, M.R., & Druen, P.B. (1998). Deception to Get a Date. Personality and Social Psychology Bulletin, 24(11), 1228-1242. doi:10.1177/01461672982411009
Sapir, A. (1987). Scientific Content Analysis (SCAN), Laboratory for Scientific Inter- rogation, Phoenix, AZ.
Serota, K.B., Levine, T.R., & Boster, F.J. (2010). The Prevalence of Lying in America: Three Studies of Self-Reported Lies. Human Communication Research, 36(1), 2-25. doi:10.1111/j.1468-2958.2009.01366.x
Tausczik, Y.R., & Pennebaker, J.W. (2010). The Psychological Meaning of Words: LIWC and Computerized Text Analysis Methods. Journal of Language and
Social Psychology, 29(1), 24-54. doi:10.1177/0261927X09351676
Van Der Zee, S., Poppe, R., Havrileck, A., & Baillon, A. (2018). A personal model of trumpery: Testing linguistic deception detection in a real-world high-stakes setting. https://arxiv.org/abs/1811.01938
Van Der Zee, S., Poppe, R., Taylor, P.J., & Anderson, R. (2019). To freeze or not to freeze: A culture-sensitive motion-capture approach to detecting deceit.
PlosOne. 14(4), e0215000. doi:10.1371/journal.pone.0215000
Verschuere, B., Ben-Shakhar, G., & Meijer, E. (Red.). (2011). Memory detection: Theory
and application of the Concealed Information Test. Cambridge University Press.
doi:10.1017/CBO9780511975196
Vrij, A. (2008). Wiley Series in the Psychology of Crime, Policing and Law. Detecting
Vrij, A. (2015). Verbal lie detection tools: Statement validity analysis, reality monitoring and scientific content analysis. In P.A. Granhag, A. Vrij en B. Verschuere (Red.), Wiley series in the Psychology of Crime, Policing and Law.
Detecting deception: Current challenges and cognitive approaches (pp. 3-35).
Wiley-Blackwell.
Vrij, A., Fisher, R.P., Blank, H. (2017). A cognitive approach to lie detection: A meta-analysis. Legal Criminological Psychology, 22, 1-21. doi:10.1111/lcrp.12088