C th bpytc: Страница не найдена – Сбербанк Бизнес Онлайн

Business Manager

Business Manager использует двухуровневую систему разрешений, которая гарантирует, что каждый человек имеет необходимый доступ. На первом уровне вы добавляете людей в свой бизнес-менеджер. Вы можете назначить им доступ администратора или сотрудника. Затем используйте разрешения на основе задач, чтобы предоставить доступ к своим активам.

С помощью системы разрешений на основе задач вы можете видеть определенные действия, которые вы разрешаете выполнять каждому человеку. Разрешения на основе задач помогают защитить вашу информацию в Facebook.Мы рекомендуем предоставить вам наименьший доступ, который позволяет людям выполнять свою работу.

Добавьте людей в свой бизнес-менеджер

Когда вы добавляете людей в свой бизнес-менеджер, назначьте им права администратора или сотрудника.

• Доступ сотрудников: Мы рекомендуем добавлять людей в качестве сотрудников. Они могут работать только с назначенными учетными записями и инструментами.

• Доступ администратора: Администраторы имеют полный контроль над вашим бизнесом.Они могут редактировать настройки, людей, учетные записи и инструменты.

Вы также можете использовать расширенные параметры для назначения финансовых ролей.

• Финансовый аналитик: Они видят финансовые детали, такие как транзакции, счета-фактуры, расходы по счету и способы оплаты.

• Финансовый редактор: Они могут редактировать информацию о бизнес-кредитной карте и финансовые детали, такие как транзакции, счета-фактуры, расходы по счету и способы оплаты.

Предоставить людям доступ к активам

После того, как вы добавили людей в свой бизнес-менеджер, вы можете предоставить им разрешение на доступ к активам вашего бизнеса в настройках бизнеса.Например, рекламные аккаунты, страницы, пиксели или каталоги.

Каждому человеку и активу вы можете предоставить доступ к определенным задачам. Например, вы можете добавить кого-то в свой бизнес-менеджер в качестве сотрудника, а затем предоставить ему разрешение на создание объявлений и просмотр эффективности страницы, но не публиковать на странице. Задачи для каждого актива разделены на две категории:

• Стандартный доступ : переключение на каждую задачу, которую должен выполнять человек.

• Доступ администратора : В этом разделе у вас есть только один вариант.Включите доступ администратора, чтобы позволить человеку управлять активом и выполнять все доступные задачи.

Примечание. Только страницы, назначенные Бизнес-менеджеру, используют разрешения на основе задач. Страницы, не связанные с Бизнес-менеджером, используют разрешения на основе ролей.

Обнаружение фальшивой личности с помощью неожиданных вопросов и динамики мыши

Abstract

Обнаружение поддельных удостоверений личности — серьезная проблема безопасности. Современные методы обнаружения памяти использовать нельзя, так как они требуют предварительного знания истинной личности респондента.Здесь мы сообщаем о новом методе обнаружения фальшивых личных 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 тоже должен ответить 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. Более того, мы показали, что лжецов можно идентифицировать 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 поражены поддельными профилями [2]. Поддельная личность также является серьезной проблемой в сфере безопасности [3]. На самом деле считается, что большое количество террористов скрывается среди мигрантов с Ближнего Востока, прибывающих в Европу.Обычно у мигрантов нет документов, и их идентификационные данные часто основываются на самодекларировании. Считается, что среди мигрантов большое количество террористов выдают ложные данные при въезде на границу. Например, один из террористов, участвовавших в взрыве 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, различные 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, он может быть очень высоким при фабрикации сложной лжи, например, когда Улисс, герой «Одиссея », сказал Полифему, что его настоящее имя «Ничейный». Эта ложь была предназначена для того, чтобы обмануть Полифема, но также предполагалось, что одноглазые соратники Полифема легко распознают ее как ложь.

Обнаружение памяти на основе RT имеет ряд преимуществ по сравнению с альтернативными психофизиологическими методами, особенно когда под наблюдением находится большое количество субъектов. Во-первых, RT менее чувствительны к сильным индивидуальным изменениям или изменениям окружающей среды, например, в случае физиологических параметров.Во-вторых, у этого метода есть беспрецедентная особенность, заключающаяся 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 как инструменты 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 и дали удовлетворительные результаты [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 оружием убийства (например, пистолет и т. Д.). Ожидается, что невинные испытуемые будут реагировать на все стимулы. Напротив, от виновного субъекта (со знанием о вине 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 определенно истинны (например, « Я перед компьютером ») или определенно ложны (например, « Я перед компьютером, »).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 верна. . Во время теста испытуемый выполняет задачу категоризации. Истинное автобиографическое событие идентифицируется, потому что оно определяет более быстрые RT при совместном использовании одной и той же моторной реакции 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, описанная здесь методика имеет такую ​​же точность, как и современные методы обнаружения лжи на основе RT. Тем не менее, aIAT и CIT страдают важным ограничением: 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 создадим aIAT только с заявленной (поддельной) идентичностью, у нас будут две ложные памяти, и тест не будет удовлетворять одному из основных ограничений в применении процедуры. Это ограничение доступных методов, следовательно, является серьезной проблемой для приложений в реальных контекстах, 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.

Эту статью можно рассматривать как доказательство концепции, репрезентативный пример типов проблем, которые не могут быть решены с помощью современных научно обоснованных 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 от них требуется 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. представили 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 двигательных траекторий привел к интересным результатам. Инструктированная ложь можно отличить от правдивой реакции 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 лиц, говорящих правду. Короче говоря, метод, который исследовали авторы, может быть использован 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 проверялись 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 [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, и 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. Неуверенность в ответах 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 для обнаружения обмана.Поэтому ожидается, что обман будет отражаться в форме траекторий.

Методы

В задаче проверки личности лжецам обычно требуется 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 исполнение не станет безошибочным. Затем от лжецов требовалось ответить 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 были заданы 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 отрепетировали свои истинные личности. Ожидаемые вопросы касались типичной информации, содержащейся в идентификационной карте (например,г., имя, фамилия, дата рождения, место рождения). Напротив, неожиданные вопросы были вопросами идентичности, 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, касался возраста (например, 38).

Для правдивого респондента предполагается, что неожиданные вопросы автоматически вызывают правильный ответ. Напротив, лжец должен восстановить неожиданную информацию, которую не отрепетировали, 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 мыши.

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

Участников

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 субъектов 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 сам 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 правдивых, так и для лжецов.Лжецы ответили личной информацией о поддельных профилях личности, которые им назначил экспериментатор. Правды ответили на вопросы об их истинной личности.
• Неожиданные вопросы: Неожиданные вопросы включали информацию, тесно связанную с ложными именами, но не репетированную явно перед экспериментом ни правдивыми, 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 перемешивались 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, контролирующего тест. 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 правдивых различались только ожидаемыми и неожиданными ответами ДА.Фактически, для лжецов ожидаемые и неожиданные вопросы об их поддельной личности на самом деле не были ответами, которые, поскольку они лгали, требовали ответов ДА. Другими словами, только вопросы с ожидаемым и неожиданным ответом «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) как лжецы, так 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 который также сообщил ложные личные данные. После этапа обучения участники дважды вспомнили информацию, которую они прочитали на удостоверении личности.Между двумя отзывами от них требовалось выполнить некоторую мысленную 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, требующих ответа ДА, был представлен аналогичный вопрос, требующий ответа НЕТ.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 нажатием кнопки 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 курсора мыши вдоль оси во времени
• Скорость во времени: скорость мыши между двумя временными рамками
• Acceleration over time: ускорение движения мыши между двумя временными рамками

Окончательный список возможных предикторов включал 13 переменных, которые отображали различные параметры ответа: количество ошибок, время инициирования (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 (как ДА, так и НЕТ) в пределах каждого испытуемого.Всего в корреляционный анализ было введено 13 независимых переменных. На основе этих критериев были выбраны следующие характеристики, которые 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 описаны 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 сравнил 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 правды привели к более прямой траектории, соединяющей отправную точку с правильным ответом. Напротив, лжецы сначала отклонились в сторону правильного ответа по умолчанию, а затем изменили траекторию, чтобы нажать кнопку ложного ответа. Более того, лжецы тратили больше времени на перемещение по оси Y на начальном этапе ответа, чем правдивые. 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 (красный цвет) и говорящих правду (зеленый цвет) до ожидаемых ДА и неожиданных 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

Прототипические 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.

Дезагрегация 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 по всей выборке были проведены для сравнения левого и правого откликов. Мы не обнаружили статистически значимой разницы для времени MD ( t = 1,63; p = 0,1; Cohen’s 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

Выбор функции изолирован 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 людьми и лжецами, продемонстрированный с помощью теста t , теста Коэна d и фактора 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 их предположений: Random Forest [28], Logistic [29], Support Vector Machine (SVM) [30–31] и Logistic Model Tree (LMT) [32]. 10-кратная перекрестная проверка была проведена 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 остальные 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.Правильно классифицировано как минимум 36/40 субъектов. 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 указано в таблице 5, модели классификации 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 роль контрольных, ожидаемых и неожиданных вопросов в классификации, 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 машинного обучения 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%). Основной 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 таймфрейме 29 ^-го .

Анализ ошибок.

Ошибки для контроля и ожидаемые вопросы у лиц, говорящих правду, практически отсутствуют (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 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, если 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 изучить 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. Участники дали информированное согласие перед экспериментом. 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 рассказчиков правды сопоставима в двух группах (итальянский n = 40 и немецкий n = 20) с результатами для лжецов t = — 1.4, p = 0,17 (Коэна d = -0,49, BF ​​= 0,64) и результаты для правдивых t = 0,66, p = 0,52 (Cohen d = 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, 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 еще заметны.

Рис. 6. Траектории, когда лжецы ответили правдиво.

На этом рисунке представлены 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 от траекторий правдивых, 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 когда 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%. Все классификаторы явно 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 мышление лжецов также распространяло свое влияние на вопросы, когда они отвечали правдиво. Насколько нам известно, об этой схеме результатов никогда раньше не сообщалось, и она может указывать на уровень чувствительности метода анализа движения мыши.

Обсуждение

Насколько нам известно, никакие методы не могут точно определить, является ли идентификатор объекта истинным или ложным без какой-либо информации об истинной личности респондента. В этой статье мы сообщаем о результатах нового метода обнаружения памяти, направленного 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 предоставляет богатый источник данных по сравнению с аналогичными задачами двоичной классификации, основанными на кнопках ответа. В то время как 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 идентификационного документа, 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 «Венеция — столица 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 ответ будет более быстрым, с меньшим количеством ошибок и будет характеризоваться 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 лиц, говорящих правду с точностью более 90%. Этот результат был достигнут за счет 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) для проверки обобщения 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 ^-й .

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 сложно 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 если с меньшей точностью, когда они не лгут. Розенфельд и др. показали, что лжецов, говорящих правду, можно определить 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 связано с тем, что проблема обнаружения фальшивых документов 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. Исследование: 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.

Ссылки

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 используют личность бывшего игрока dell’Inter. 28 марта 2016.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 HT. 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. Научиться лгать: влияние практики на когнитивные издержки лжи. Границы в психологии. 2012; 3: 526. pmid: 23226137
9. 9. Кляйнберг Б., Вершуере Б. Обнаружение памяти 2.0: первый веб-тест обнаружения 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. Id-check: онлайн-проверка скрытой информации выявляет истинную личность. Журнал судебной медицины. 2016, январь; 61 Приложение 1: S237–40. pmid: 263
13. 12. Агоста С., Сартори Г. Автобиографический IAT: обзор. Границы в психологии. 2013; 4: 519. pmid: 23964261
14. 13. Meixner J, Rosenfeld JP. Имитация терроризма Применение теста скрытой информации на основе P300.Психофизиология. 2011. 48: 149–154. pmid: 20579312
15. 14. Дейл Р., Дюран Н.Д. Когнитивная динамика верификации отрицательного предложения. Наука о мышлении. 2011; 35 (5): 983–996. pmid: 21463359
16. 15. Фриман Дж. Б., Паукер К., Санчес Д. Т.. Перцепционный 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
17. 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.
18. 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.
19. 18. Барка Л., Пеццуло Г. Разворачивание визуального лексического решения во времени. PLoS One. 2012; 7 (4): e35932. pmid: 22563419
20. 19. Дюран Н.Д., Дейл Р., Макнамара Д.С.Динамика действия преодоления истины. Психономический бюллетень и обзор. 2010. 17 (4): 486–491.
21. 20. Врий А. Когнитивный подход к обнаружению лжи в обнаружении обмана: текущие проблемы и новые подходы. Оксфорд, Великобритания: John Wiley & Sons, Inc .; 2015.
22. 21. Vrij A, Leal S, Granhag PA, Mann S, Fisher RP, Hillman J и др. Перехитрите лжецов: преимущество задавать неожиданные вопросы. Закон и человеческое поведение. 2009. 33: 159–166. pmid: 18523881
23. 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).
24. 23. Хартвиг ​​М., Гранхаг П. А., Стрчмуолл Л. Стратегии виновных и невиновных подозреваемых во время допросов. Психология, преступность и право. 2007. 13: 213–227.
25. 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.
26. 25. Freeman JB, Ambady N. Mousetracker: Программное обеспечение для изучения умственной обработки в реальном времени с использованием метода компьютерного отслеживания мыши. Методы исследования поведения. 2010. 42: 226–241. pmid: 20160302
27. 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.
28. 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.
29. 28. Брейман Л. Случайные леса. Машинное обучение. 2001. 45 (1): 5–32.
30. 29. le Cessie S, van Houwelingen JC. Оценщики хребта в логистической регрессии. Прикладная статистика. 1992. 41 (1): 191–201.
31. 30. Platt JC. Быстрое обучение опорных векторных машин с использованием последовательной минимальной оптимизации. В: Достижения в методах ядра. MIT Press Cambridge; 1999 г.
32. 31. Кеэрти СС, Шеваде СК, ЦБ, Мурти КРК. Улучшения в алгоритме SMO компании Platt для проектирования классификатора SVM. Нейронные вычисления. 2001. 13 (3): 637–649.
33. 32. Ландвер Н., Холл М., Фрэнк Э. Деревья логистических моделей. Машинное обучение. 2005. 95 (1–2): 161–205.
34. 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
35. 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
36. 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: 27907024
37. 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.
38. 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
39. 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 имитационного когнитивного дефицита.Международный журнал психофизиологии. 1999; 33 (1): 3–19. pmid: 10451015
40. 39. Деби Э., Баптист Л.Б., де Хауэр Дж., Вершуер Б. Ложь, правда, ложь: роль переключения задач в контексте обмана. Психологическое исследование-психологическое исследование. 2015; 79 (3): 478–488.

computeruniverse

Определение бизнес-модели

Что такое бизнес-модель?

Термин бизнес-модель относится к плану компании по получению прибыли. Он идентифицирует продукты или услуги, которые бизнес-план планирует продать, целевой рынок и любые предполагаемые расходы. Бизнес-модели важны как для нового, так и для уже существующего бизнеса. Они помогают новым развивающимся компаниям привлекать инвестиции, набирать таланты и мотивировать руководство и персонал. Созданные компании должны регулярно обновлять свои бизнес-планы, иначе они не смогут предвидеть будущие тенденции и проблемы. Бизнес-планы помогают инвесторам оценивать интересующие их компании.

Ключевые выводы

• Бизнес-модель — это ключевая стратегия компании для прибыльного ведения бизнеса.
• Модели обычно включают такую ​​информацию, как продукты или услуги, которые бизнес планирует продавать, целевые рынки и любые предполагаемые расходы.
• Два рычага бизнес-модели — это цена и затраты.
• Оценивая бизнес-модель в качестве инвестора, спросите, имеет ли идея смысл и сходятся ли цифры.

Понимание бизнес-моделей

Бизнес-модель — это план высокого уровня для прибыльного ведения бизнеса на определенном рынке. Основным компонентом бизнес-модели является ценностное предложение. Это описание товаров или услуг, которые предлагает компания, и почему они желательны для клиентов или клиентов, в идеале сформулированное таким образом, чтобы отличать продукт или услугу от конкурентов.

Бизнес-модель нового предприятия также должна охватывать прогнозируемые затраты на запуск и источники финансирования, целевую клиентскую базу для бизнеса, маркетинговую стратегию, анализ конкуренции и прогнозы доходов и расходов.План может также определять возможности, в которых бизнес может сотрудничать с другими известными компаниями. Например, бизнес-модель рекламного бизнеса может определять выгоды от договоренности о направлениях в полиграфическую компанию и от нее.

У успешных предприятий есть бизнес-модели, которые позволяют им удовлетворять потребности клиентов по конкурентоспособной цене и приемлемым ценам. Со временем многие компании время от времени пересматривают свои бизнес-модели, чтобы отразить меняющуюся бизнес-среду и требования рынка.

Оценивая компанию как возможную инвестицию, инвестор должен выяснить, как именно она зарабатывает деньги. Это означает изучение бизнес-модели компании. По общему признанию, бизнес-модель не может рассказать вам все о перспективах компании. Но инвестор, понимающий бизнес-модель, может лучше понять финансовые данные.

Особые соображения

Распространенная ошибка, которую допускают многие компании при создании своих бизнес-моделей, — это недооценивать затраты на финансирование бизнеса до тех пор, пока он не станет прибыльным.Недостаточно подсчитать затраты на внедрение продукта. Компания должна поддерживать бизнес до тех пор, пока ее доходы не превысят ее расходы.

Один из способов, которым аналитики и инвесторы оценивают успех бизнес-модели, — это посмотреть на валовую прибыль компании. Валовая прибыль — это общая выручка компании за вычетом стоимости проданных товаров (COGS). Сравнение валовой прибыли компании с прибылью ее основного конкурента или отрасли проливает свет на эффективность и результативность ее бизнес-модели. Однако сама по себе валовая прибыль может ввести в заблуждение. Аналитики также хотят видеть денежный поток или чистую прибыль. Это валовая прибыль за вычетом операционных расходов, и это показатель того, какую реальную прибыль приносит бизнес.

Два основных рычага бизнес-модели компании — это цена и затраты. Компания может поднять цены и найти запасы по сниженным ценам. Оба действия увеличивают валовую прибыль. Многие аналитики считают валовую прибыль более важной при оценке бизнес-плана.Хорошая валовая прибыль предполагает разумный бизнес-план. Если расходы выходят из-под контроля, может быть виновата команда менеджеров, и проблемы можно исправить. Это наводит на мысль, что многие аналитики считают, что компании, использующие лучшие бизнес-модели, могут работать сами.

Оценивая компанию как возможную инвестицию, выясните, как именно она зарабатывает деньги — это бизнес-модель компании.

Типы бизнес-моделей

Типов бизнес-моделей столько же, сколько видов бизнеса. Например, прямые продажи, франчайзинг, реклама и обычные магазины — все это примеры традиционных бизнес-моделей. Существуют также гибридные модели, такие как предприятия, сочетающие интернет-розницу с обычными магазинами или со спортивными организациями, такими как NBA.

Каждый бизнес-план уникален в рамках этих широких категорий. Рассмотрим индустрию бритья. Gillette с радостью продает свою бритвенную ручку Mach4 по себестоимости или по более низкой цене, чтобы привлечь постоянных клиентов к своим более выгодным бритвенным лезвиям.Бизнес-модель основана на том, чтобы отдать ручку, чтобы увеличить продажи лезвий. Этот тип бизнес-модели на самом деле называется моделью лезвия бритвы, но он может применяться к компаниям в любом бизнесе, которые продают продукт с большой скидкой, чтобы поставлять зависимый товар по значительно более высокой цене.

Критика бизнес-моделей

Джоан Магретта, бывший редактор Harvard Business Review, предполагает, что при оценке бизнес-моделей необходимо учитывать два критических фактора. Когда бизнес-модели не работают, утверждает она, это потому, что история не имеет смысла и / или цифры просто не дают прибыли.Авиационная отрасль — хорошее место, где можно найти бизнес-модель, которая перестала иметь смысл. Сюда входят компании, понесшие большие убытки и даже банкротства.

В течение многих лет крупные перевозчики, такие как American Airlines, Delta и Continental, строили свой бизнес на основе узкоспециализированной структуры, в которой все рейсы выполнялись через несколько крупных аэропортов. Обеспечивая заполнение большинства мест в большинстве случаев, бизнес-модель приносила большую прибыль. Но возникла конкурирующая бизнес-модель, которая стала бременем для основных перевозчиков.Такие перевозчики, как Southwest и JetBlue, курсировали между небольшими аэропортами по более низкой цене. Они избежали некоторых эксплуатационных недостатков, присущих модели «ступица и спица», при этом снизив затраты на рабочую силу. Это позволило им снизить цены, увеличив спрос на короткие рейсы между городами.

Поскольку эти новые конкуренты привлекали больше клиентов, старым перевозчикам оставалось поддерживать свои большие расширенные сети с меньшим количеством пассажиров. Проблема усугубилась, когда трафик резко упал после террористических атак 11 сентября 2001 года.Чтобы заполнить места, этим авиакомпаниям пришлось предлагать больше скидок на еще более высоких уровнях. Бизнес-модель «ступица и спица» больше не имела смысла.

Примеры бизнес-моделей

Рассмотрим сравнение двух конкурирующих бизнес-планов, в которых две компании снимают и продают фильмы. Обе компании получили доход в 5 миллионов долларов после того, как потратили 4 миллиона долларов на инвентарь фильмов. Это означает, что каждая компания получает валовую прибыль, рассчитанную как 5 миллионов долларов минус 4 миллиона долларов, или 1 миллион долларов.У них также одинаковая валовая прибыль, рассчитанная как 20% валовой прибыли, разделенные на выручку.

Но все меняется с появлением Интернета. Компания B решает транслировать фильмы онлайн вместо того, чтобы брать напрокат или продавать физические копии. Это изменение в лучшую сторону разрушает бизнес-модель. Лицензионные сборы не меняются, но стоимость хранения запасов значительно снижается. Фактически, это изменение снижает затраты на хранение и распространение на 2 миллиона долларов. Новая валовая прибыль компании составляет 5 миллионов долларов минус 2 миллиона долларов, или 3 миллиона долларов.Новая маржа валовой прибыли составляет 60%. Тем временем компания А не может обновить свой бизнес-план и застряла с более низкой валовой прибылью. В результате его продажи начинают снижаться. Компания B даже не зарабатывает больше на продажах, но она произвела революцию в своей бизнес-модели, что значительно снизило ее расходы.