När barn är offer för brott, det juridiska vittnesmålet de tillhandahåller kallas kriminaltekniska intervjuer. Dock, eftersom offren ofta är traumatiserade och potentiellt misshandlade av sina vårdgivare kan de vara ovilliga att komma fram med anklagelser eller avslöja relevant information.
Som sådan, ett protokoll har tagits fram för att noggrant utvinna så mycket relevant information om ett brott som möjligt. Än, tänk om artificiell intelligens kunde vara ett användbart verktyg för att hjälpa unga offer att berätta sina historier? Tänk om AI kunde stödja intervjuare med verktyg för att samla in information på ett lämpligt sätt?
Detta är ämnet för ett dokument som presenterades vid 2018 års ACM International Conference on Multimodal Interaction, nyligen i Boulder, Colorado.
Pappret, presenteras av doktorander från USC Viterbi School of Engineering Signal Analysis and Interpretation Laboratory, Victor Ardulov och Manojkumar Prabakaran Abitha, tillsammans med SAILs grundare Shri Narayanan, dokumenterar en tvärvetenskaplig insats i samarbete med USC Gould School of Law professor, och barnvittnesexpert, Thomas D. Lyon och hans team, för att avgöra om och hur datorstödda verktyg korrekt kan bedöma produktiviteten av rättsmedicinska intervjuer. Dessutom, uppsatsen dokumenterar hur forskare försökte identifiera potentiella språkliga och paralingvistiska influenser såsom känslor i intervjuprocessen.
Ardulov, som är huvudförfattare till artikeln som presenterades vid den senaste ACM-konferensen, sade att syftet med studien var att få feedback om hur barn tenderar att svara baserat på subtila variationer i fråga.
Utmaningen för kriminaltekniska intervjuare är att ställa de rätta frågorna, på rätt sätt, vid rätt tidpunkt för att säkerställa att offren kommer med relevant och opartisk information om förövade brott. Detta är särskilt viktigt när barn kan vara det enda vittnet till ett brott. Nyckeln är att maximera produktiviteten utan att återtraumatisera barnet eller tvinga fram ett felaktigt vittnesmål.
Forskare som Lyon, som etablerade USC:s Gould Child Interviewing Lab, är medvetna om hur relationen byggdes mellan intervjuare och intervjuperson, tonen i vilken frågorna ställs, pauser och till och med frågeordning kan påverka hur mycket meningsfull information som delas. Dock, detta tros vara det första försöket att utveckla och tillämpa anpassad programvara för att automatiskt upptäcka och kategorisera talmönster under de rättsmedicinska intervjuerna.
I över två decennier, Narayanan har utvecklat tal- och språkteknologier för att underskatta barns tal och språk, och i att utveckla prisbelönta AI-baserade samtalsgränssnitt för barn. Han säger "... språkligt informerad datavetenskap och beräkningstekniker erbjuder en rik uppsättning verktyg för att hjälpa till att förstå inte bara vad ett barn försöker kommunicera utan även deras känslomässiga och kognitiva tillstånd. Dessa är teknikerna som vårt [SAIL]-labb på USC försöker utvecklas med våra medarbetare."
Viterbis Narayanan träffade Goulds Lyon för ungefär ett decennium sedan vid en tvärvetenskaplig samarbetsworkshop bland USC-professorer. De två började bara arbeta med detta projekt för ungefär ett och ett halvt år sedan med Narayanans doktorander Ardulov och Manoj Kumar som tog ledningen för att hitta sätt att kvantifiera särskilda faktorer i tal som kan påverka resultatet av intervjun, såsom frekvensen eller längden av intervjun. en intervjuares pauser, den tid som tilldelas för ett barn att svara, och i vilken utsträckning intervjuarens tal speglar talet hos barnet som intervjuas.
Lyon blev intresserad av Narayanans arbete med förväntningen att "teknik kan ta upp subtiliteterna i en intervju - egenskaper, som är svårare att plocka upp och räkna."
Resultaten av det presenterade dokumentet
De anonyma ljudutskrifterna av tvåhundra kriminaltekniska intervjuer som Lyon samlade in från fall av övergrepp mot barn transkriberades från ljudfiler och kodades sedan för en mängd olika dimensioner. Forskarna från SAIL Lab, som tidigare har utvecklat verktyg för att automatiskt analysera tal (som vem som talade och hur länge) och rika beteendeaspekter (som känslor), samt hur människor interagerar med varandra, utvecklade skräddarsydda modeller för varje intervju. När detta väl var gjort, forskarna skulle sedan leta efter mönster i intervjuerna och i interaktionen mellan intervjuaren och intervjupersonen.
I allmänhet, forskarnas resultat överensstämmer med tidigare studier inom rättspsykologi. Intervjuer genomförs normalt i två faser - en rapportskapande fas som inte är relaterad till brottet eller övergreppet, och sedan en andra intervju fokuserade på det påstådda övergreppet. I den här studien, hur barnen i dessa intervjuer svarade var starkt korrelerade till deras ålder. För yngre barn, det känslomässiga innehållet i intervjuarens ord hade en inverkan på hur mycket information de var villiga att dela med sig av under intervjufasen. Äldre barn påverkades mer av hur intervjuaren uttryckte sina ord (tonhöjden och ljudstyrkan).
Nästa steg
Förhoppningen är att en datorassistent för intervjuer skulle kunna ta olika former. Först, det kan vara ett sätt att utbilda kriminaltekniska intervjuare – antingen med hjälp av en virtuell assistent som informerar intervjuare under en interaktion, eller som en simulerad barnintervju.
Båda dessa tillvägagångssätt beror på tillgången på stora datamängder av interaktioner med frågor och svar och rigorösa matematiska modeller för hur barn svarar och påverkas av intervjuares indata. Det är besläktat, Ardulov säger, till hur Google autokompletterar fraserna du anger och ger förslag baserat på det enorma antalet historiska inmatningar.
Lyon föreställer sig att dessa modeller kan vara bra verktyg för dem som arbetar som barnförespråkare. "Det kan ge ytterligare information för att strukturera och förfina protokoll, " han säger.
Lyon säger, "Föreställ dig en automatisk transkription av en intervju där en intervjuare som håller i en iPad får de markerade orden eller fraserna som kan informera hans/hennes nästa fråga och vägleda intervjun."
Han tillägger att detta skulle vara ett sätt för intervjuer att inte behöva använda anteckningar, och den faktiska programvaran kan peka på möjliga motsägelser och inkonsekvenser.
För att göra detta, nästa fas av forskningen skulle vara att skapa mer sofistikerade modeller där forskarna tittar på specifika interaktioner, eller särskilda sekvenser av frågor för att förstå vad som ger den mest relevanta informationen från ett barn.
