Our research concerns the Dark Triad (i.e., subclinical levels of narcissism, Machiavellianism, psychopathy) and its concealment to obtain child custody. Even before the Dark Triad became a focus of interest for many researchers, numerous studies had investigated the negative characteristics associated with its traits. Liars, manipulative, impulsive, and selfish, these personalities often engage in behaviors that have adverse effects on others. Dark personalities have negative influences on the psychological well-being of their acquaintances and thus on the psychosocial development of their children. Starting from the knowledge that lying is widespread in forensic fields, it becomes of paramount importance to assess the presence of these traits in parents in child custody cases and to have effective methodologies available to detect Dark Triad dissimulation attempts. Since nearly forty years, numerous clinical instruments have been equipped with control scales to detect the simulation or dissimulation of responses (e.g., the Lie and Frequency scales of the MMPI-2). A whole line of research has then developed ad hoc instruments to detect mental disorders’ simulation without actually investigating their presence (e.g., SIMS and SIRS). However, a common limit of these two types of tools concerns their ability to detect only the tendency to lie in the questionnaire, without indicating in which specific items lying occurred. In recent years, research has investigated new methods to overcome this problem. One solution being studied recently is based on Machine Learning algorithms trained to recognize anomalies. Indeed, recent studies demonstrated Machin Learning’s capability to detect faked responses in questionnaires (such as the Big Five Questionnaire and questionnaires to investigate Depressive Disorder and cognitive deficits) with very high accuracy (≈ 96%). In light of this, we investigated the effectiveness of Machine Learning to detect at a single item level dissimulation attempts at the Dirty Dozen questionnaire exploring the Dark Triad. Six hundred subjects filled in the Dirty Dozen questionnaire by dissimulating specific answers to obtain custody of their children. Participants were divided into twelve groups of 50 subjects each. Each group was asked to lie to a different questionnaire question. Regressor Chain and Multiclass Classifier models have been trained to discriminate between simulated and honest answers. Results showed that the former could detect dissimulation attempts in 28% of faked answers, with a global accuracy of 88%; the latter classified different experimental groups correctly with an accuracy of 43%. A small negative correlation between age and Dark Triad scores and large correlations between the Triad traits were found. In agreement with the existing literature, higher psychopathy scores were recorded in men. On the other hand, in contrast to previous studies, women showed higher narcissism scores than men, and no sex differences were found for the Machiavellian trait. The lying condition showed lower scores than the honest one due to the participants’ successful attempts to dissimulate. The attempt at dissimulation was detectable in all traits and 10 out of 12 items.

Il nostro lavoro di ricerca riguarda la Triade Oscura (ovvero la presenza subclinica di narcisismo, machiavellismo e psicopatia) e la sua dissimulazione per ottenere la custodia dei figli. Anche prima che la Triade Oscura diventasse un focus di interesse di molti ricercatori, numerosi studi avevano indagato le caratteristiche negative associate ai suoi tratti. Queste personalità bugiarde, manipolatrici, impulsive ed egoiste spesso mettono in atto comportamenti che hanno effetti avversi sugli altri. Le personalità oscure hanno influenze negative sul benessere psicologico dei loro cari, e quindi anche sullo sviluppo psicosociale dei propri figli. Partendo dalla conoscenza che la menzogna è piuttosto diffusa nell’ambito forense, diventa di fondamentale importanza sia valutare la presenza di questi tratti in genitori che sono coinvolti in cause per l’affidamento dei figli , sia essere in possesso di metodologie efficaci che permettano di rilevare i tentativi di dissimulazione della Triade Oscura. Da circa quarant’anni numerosi strumenti clinici sono stati equipaggiati di scale di controllo per rilevare la simulazione o la dissimulazione delle risposte (ad esempio, le scale Lie e Frequency dell’MMPI-2). Un’intera linea di ricerca ha poi sviluppato strumenti ad hoc per individuare la simulazione di disturbi mentali, senza in realtà indagarne l’effettiva presenza (ad esempio, SIMS e SIRS). Ad ogni modo, un limite comune a questi due tipi di strumenti riguarda proprio la loro abilità di rilevare solo una propensione alla menzogna, senza indicare in quale specifico item vi sia una contraffazione della risposta. Una soluzione studiata di recente si basa su algoritmi di Machine Learning allenati a riconoscere le anomalie. Infatti, studi recenti hanno dimostrato la capacità del Machine Learning nell’individuare risposte menzognere nei questionari (come il Big Five Questionnaire e questionari che indagano il Disturbo Depressivo e i deficit cognitivi) con un’accuratezza molto elevata (≈ 96%). Alla luce di tutto ciò, nel nostro lavoro di ricerca abbiamo indagato l’efficacia di questa tecnica nel rilevare a livello del singolo item i tentativi di dissimulazione al questionario Dirty Dozen che valuta la Triade Oscura. Seicento soggetti hanno compilato il questionario Dirty Dozen dissimulando alcune specifiche riposte per ottenere la custodia dei propri figli. I partecipanti erano divisi in dodici gruppi di 50 soggetti ciascuno, e ad ogni gruppo era richiesto di mentire ad una domanda diversa. I modelli di Machine Learning di Regressor Chain e Multiclass Classifier sono stati istruiti a discriminare le risposte oneste da quelle menzognere. Il primo di questi è riuscito a riconoscere i tentativi di dissimulazione nel 28% delle domande mentite, con un’accuratezza globale dell’88%. Il secondo modello invece ha classificato correttamente il 43% dei soggetti nei vari gruppi sperimentali. È stata trovata una bassa correlazione negativa tra l’età dei soggetti e la Triade Oscura e correlazioni positive fra tutti i tratti della triade. In accordo con la letteratura esistente, i maschi hanno ottenuto punteggi più alti delle femmine nella psicopatia. D’altra parte, contrariamente ad altri studi, le donne hanno ottenuto punteggi più alti nel narcisismo, mentre non sono emerse differenze di genere per il tratto machiavellico. Come conseguenza del tentativo riuscito da parte dei partecipanti di dissimulare alcune domande, la condizione disonesta ha mostrato punteggi più bassi rispetto alla condizione onesta. Il tentativo di dissimulazione è risultato rilevabile in tutti i tratti e in 10 item su 12.

Machine Learning to detect dissimulation in the Dirty Dozen questionnaire

PAGGETTI, ALICE
2021/2022

Abstract

Our research concerns the Dark Triad (i.e., subclinical levels of narcissism, Machiavellianism, psychopathy) and its concealment to obtain child custody. Even before the Dark Triad became a focus of interest for many researchers, numerous studies had investigated the negative characteristics associated with its traits. Liars, manipulative, impulsive, and selfish, these personalities often engage in behaviors that have adverse effects on others. Dark personalities have negative influences on the psychological well-being of their acquaintances and thus on the psychosocial development of their children. Starting from the knowledge that lying is widespread in forensic fields, it becomes of paramount importance to assess the presence of these traits in parents in child custody cases and to have effective methodologies available to detect Dark Triad dissimulation attempts. Since nearly forty years, numerous clinical instruments have been equipped with control scales to detect the simulation or dissimulation of responses (e.g., the Lie and Frequency scales of the MMPI-2). A whole line of research has then developed ad hoc instruments to detect mental disorders’ simulation without actually investigating their presence (e.g., SIMS and SIRS). However, a common limit of these two types of tools concerns their ability to detect only the tendency to lie in the questionnaire, without indicating in which specific items lying occurred. In recent years, research has investigated new methods to overcome this problem. One solution being studied recently is based on Machine Learning algorithms trained to recognize anomalies. Indeed, recent studies demonstrated Machin Learning’s capability to detect faked responses in questionnaires (such as the Big Five Questionnaire and questionnaires to investigate Depressive Disorder and cognitive deficits) with very high accuracy (≈ 96%). In light of this, we investigated the effectiveness of Machine Learning to detect at a single item level dissimulation attempts at the Dirty Dozen questionnaire exploring the Dark Triad. Six hundred subjects filled in the Dirty Dozen questionnaire by dissimulating specific answers to obtain custody of their children. Participants were divided into twelve groups of 50 subjects each. Each group was asked to lie to a different questionnaire question. Regressor Chain and Multiclass Classifier models have been trained to discriminate between simulated and honest answers. Results showed that the former could detect dissimulation attempts in 28% of faked answers, with a global accuracy of 88%; the latter classified different experimental groups correctly with an accuracy of 43%. A small negative correlation between age and Dark Triad scores and large correlations between the Triad traits were found. In agreement with the existing literature, higher psychopathy scores were recorded in men. On the other hand, in contrast to previous studies, women showed higher narcissism scores than men, and no sex differences were found for the Machiavellian trait. The lying condition showed lower scores than the honest one due to the participants’ successful attempts to dissimulate. The attempt at dissimulation was detectable in all traits and 10 out of 12 items.
2021
Machine Learning to detect dissimulation in the Dirty Dozen questionnaire
Il nostro lavoro di ricerca riguarda la Triade Oscura (ovvero la presenza subclinica di narcisismo, machiavellismo e psicopatia) e la sua dissimulazione per ottenere la custodia dei figli. Anche prima che la Triade Oscura diventasse un focus di interesse di molti ricercatori, numerosi studi avevano indagato le caratteristiche negative associate ai suoi tratti. Queste personalità bugiarde, manipolatrici, impulsive ed egoiste spesso mettono in atto comportamenti che hanno effetti avversi sugli altri. Le personalità oscure hanno influenze negative sul benessere psicologico dei loro cari, e quindi anche sullo sviluppo psicosociale dei propri figli. Partendo dalla conoscenza che la menzogna è piuttosto diffusa nell’ambito forense, diventa di fondamentale importanza sia valutare la presenza di questi tratti in genitori che sono coinvolti in cause per l’affidamento dei figli , sia essere in possesso di metodologie efficaci che permettano di rilevare i tentativi di dissimulazione della Triade Oscura. Da circa quarant’anni numerosi strumenti clinici sono stati equipaggiati di scale di controllo per rilevare la simulazione o la dissimulazione delle risposte (ad esempio, le scale Lie e Frequency dell’MMPI-2). Un’intera linea di ricerca ha poi sviluppato strumenti ad hoc per individuare la simulazione di disturbi mentali, senza in realtà indagarne l’effettiva presenza (ad esempio, SIMS e SIRS). Ad ogni modo, un limite comune a questi due tipi di strumenti riguarda proprio la loro abilità di rilevare solo una propensione alla menzogna, senza indicare in quale specifico item vi sia una contraffazione della risposta. Una soluzione studiata di recente si basa su algoritmi di Machine Learning allenati a riconoscere le anomalie. Infatti, studi recenti hanno dimostrato la capacità del Machine Learning nell’individuare risposte menzognere nei questionari (come il Big Five Questionnaire e questionari che indagano il Disturbo Depressivo e i deficit cognitivi) con un’accuratezza molto elevata (≈ 96%). Alla luce di tutto ciò, nel nostro lavoro di ricerca abbiamo indagato l’efficacia di questa tecnica nel rilevare a livello del singolo item i tentativi di dissimulazione al questionario Dirty Dozen che valuta la Triade Oscura. Seicento soggetti hanno compilato il questionario Dirty Dozen dissimulando alcune specifiche riposte per ottenere la custodia dei propri figli. I partecipanti erano divisi in dodici gruppi di 50 soggetti ciascuno, e ad ogni gruppo era richiesto di mentire ad una domanda diversa. I modelli di Machine Learning di Regressor Chain e Multiclass Classifier sono stati istruiti a discriminare le risposte oneste da quelle menzognere. Il primo di questi è riuscito a riconoscere i tentativi di dissimulazione nel 28% delle domande mentite, con un’accuratezza globale dell’88%. Il secondo modello invece ha classificato correttamente il 43% dei soggetti nei vari gruppi sperimentali. È stata trovata una bassa correlazione negativa tra l’età dei soggetti e la Triade Oscura e correlazioni positive fra tutti i tratti della triade. In accordo con la letteratura esistente, i maschi hanno ottenuto punteggi più alti delle femmine nella psicopatia. D’altra parte, contrariamente ad altri studi, le donne hanno ottenuto punteggi più alti nel narcisismo, mentre non sono emerse differenze di genere per il tratto machiavellico. Come conseguenza del tentativo riuscito da parte dei partecipanti di dissimulare alcune domande, la condizione disonesta ha mostrato punteggi più bassi rispetto alla condizione onesta. Il tentativo di dissimulazione è risultato rilevabile in tutti i tratti e in 10 item su 12.
Machine Learning
Lie Detection
Faking bad
Dark Triad
Dirty Dozen
File in questo prodotto:
File Dimensione Formato  
Paggetti_Alice.pdf

accesso aperto

Dimensione 2.28 MB
Formato Adobe PDF
2.28 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/31144