Wenn die Märchenfigur Pinocchio lügt, ist das für jeden leicht zu erkennen: Mit jeder Lüge wird seine hölzerne Nase ein Stückchen länger. In der Realität allerdings sind bisher keine zuverlässigen Indizien bekannt, an denen sich Lügen ablesen lassen. Sogenannte Lügendetektoren messen Veränderungen von Hautwiderstand, Atemfrequenz uns Herzschlag in der Annahme, dass Lügen eine messbare Aufregung verursacht. Obwohl die wissenschaftliche Grundlage für solche Tests fehlt und zahlreiche Fehleinschätzungen ihre Unzuverlässigkeit demonstrieren, kommen sie bis heute beispielsweise in mehreren US-Bundesstaaten vor Gericht zum Einsatz.
Virtueller Grenzbeamter?
„Außerhalb von Büchern und Filmen gibt es so etwas wie Pinocchios Nase nicht“, betonen die Psychologen Kristina Suchotzki von der Universität Marburg und Matthias Gamer von der Universität Würzburg in einer aktuellen Veröffentlichung. „Es gibt keine stichhaltigen Verhaltenshinweise, die zeigen, wer lügt und wer die Wahrheit sagt, und es wurde keine physiologische oder neuronale Signatur identifiziert, die eindeutig auf eine Täuschung hinweist.“
Doch ungeachtet der fehlenden theoretischen Grundlage sollen neue Projekte mit Hilfe von künstlicher Intelligenz Lügner anhand äußerlicher Hinweise entlarven. Als Beispiel nennen Suchotzki und Gamer das EU-Projekt iBorderCtrl, das tatsächlich bereits an den EU-Außengrenzen Ungarns, Griechenlands und Litauens getestet wurde. Ein mit künstlicher Intelligenz ausgestatteter virtueller Grenzbeamte stellt Einreisewilligen dabei mehrere Fragen zu ihrer Identität und ihren Reiseplänen – und soll währenddessen anhand der per Webcam übertragenen Gesichtsregungen erkennen, ob jemand lügt oder böse Absichten verbirgt.
Intransparent, verzerrt und unzuverlässig
Suchotzki und Gamer sehen dieses und ähnliche Projekte sehr kritisch. „Leider gibt es in der aktuellen Forschung zur KI-gestützten Täuschungserkennung mehrere allgegenwärtige Probleme, darunter die mangelnde Erklärbarkeit und Transparenz, das Risiko der Voreingenommenheit und Mängel bei der theoretischen Fundierung“, erklären sie. Da die KI üblicherweise wie eine Black Box ist, lässt sich nicht nachvollziehen, auf welcher Grundlage sie zu ihren Ergebnissen kommt. „Selbst diejenigen, die die Algorithmen selbst entwickelt haben, können oft ab einem gewissen Punkt nicht mehr erklären, wie ein Urteil aus einem bestimmten Satz von Eingabevariablen erzeugt wird“, schreiben sie. „Das macht es unmöglich, genaue Klassifizierungen nachzuvollziehen und die Gründe für falsche Klassifizierungen aufzuarbeiten.“
Je nachdem, welche Trainingsdaten verwendet wurden, kann es zudem zu systematischen Verzerrungen kommen. Werden beispielsweise zum Training echte Fälle herangezogen, bei denen Menschen vor Gericht verurteilt wurden, können sich mögliche menschliche Vorurteile auf die KI übertragen – etwa, wenn Menschen bestimmten Geschlechts oder bestimmter Hautfarbe häufiger schuldig gesprochen wurden. Labordaten, bei denen Testpersonen gezielt angewiesen wurden, zu lügen, sind dagegen womöglich weniger gut auf die Praxis übertragbar.
