Club del Lenguaje no Verbal

Por cortesía de la Fundación Universitaria Behavior & Law

Categoría: Comunicacion No Verbal Negocios (página 1 de 20)

Efectos de la duración de las expresiones faciales en la detección de las microexpresiones. Club de Lenguaje No Verbal

Amigos del Club del Lenguaje No Verbal, esta semana presentamos el artículo “Effects of the duration of expressions on the recognition of microexpressions” de Shen X., Wu Q. y Fu X. (2012), en el cual se investigan los efectos de la duración de las expresiones faciales en el reconocimiento de microexpresiones.

Durante la comunicación interpersonal es importante detectar las emociones de los interlocutores. Algunos individuos pueden suprimir la expresión emocional real y mostrar expresiones faciales engañosas. Hay situaciones en las que el individuo lo hace a propósito, pero también hay situaciones sociales que se rigen por normas que requieren enmascarar o inhibir lo que realmente se siente.

Afortunadamente, por más que se intente fingir, hay expresiones faciales que aparecen cuando se intenta encubrir las emociones reales: las microexpresiones faciales. Estas son movimientos faciales sutiles, involuntarios, inconscientes y de muy corta duración. Son indicadores de las seis emociones básicas: alegría, tristeza, ira, sorpresa, asco y miedo. No son fácil de detectar sin entrenamiento y tanto las habilidades como las herramientas para hacerlo son temas de investigación recurrente.

Aparecen especialmente en situaciones de alto riesgo o alta tensión, en las cuales las personas tienen algo que perder o ganar. Según Ekman, una microexpresión es un reflejo de las intenciones reales de los individuos, especialmente de aquellas hostiles. Por eso, son esenciales en la detección del engaño y de personas potencialmente peligrosas (p. ej. terroristas). En cambio, las macroexpresiones faciales son aquellas que aparecen como expresión de una emoción sin que se intente encubrir o fingir nada.

Sobre la duración de las microexpresiones faciales no hay un consenso, pero sí parece que todas las variaciones encontradas en la investigación duran menos de medio segundo. Las micro y macroexpresiones solo difieren en duración. Como ya hemos mencionado, la razón de su aparición también es distinta, pero si no sabemos de antemano que alguien finge o esconde algo, no se pueden diferenciar más que por su duración.

Por lo tanto, se supone que un sujeto que es capaz de identificar una microexpresión, también será capaz de identificar la macroexpresión pertinente, ya que esta es diferente solo en longitud. En cualquier caso, la detección precisa no implica que los sujetos sean capaces de diferenciar si una expresión facial es micro o macro. Es posible que para las personas 1 segundo de alegría sea lo mismo que 3. Cuando se pueden medir, como en este estudio, las microexpresiones tienen una duración tan corta que la duración que marca la diferencia entre sujetos capaces y no capaces de detectarlas supondría el punto de corte que separa las micro de las macroexpresiones faciales.

Además de evaluar los efectos de la duración de las microexpresiones, los autores también comparan dos paradigmas de detección. Una es BART de Ekman y Friesen (1974), en la cual la expresión de cada emoción de las seis básicas se presenta durante tiempos expresados en milisegundos (procesamiento subconsciente). Autores que han analizado BART constatan que es una herramienta fiable y válida, excepto por la validez ecológica: porque provoca post-imágenes, algo que no ocurre en la vida real. Otro paradigma es METT de Ekman (2003), que corrige esos fallos y que se ha desarrollado como herramienta de entrenamiento.

Se llevan a cabo dos experimentos. En el primero, se exponen a 11 sujetos a imágenes de 40, 120, 200 y 300 milisegundos y se utilizan ambos paradigmas. Antes de las pruebas experimentales, se entrena a los sujetos con imágenes de las 6 emociones básicas de 2 segundos de duración. No se procede con el experimento hasta que no se acierta al 100% en la detección de las expresiones faciales.

Los resultados mostraron un aumento en la precisión de detección de las microexpresiones a la par con el aumento de la duración de las imágenes. Este aumento solo se observó hasta 200 ms. Por lo tanto, se establece que 200 ms es un punto crítico para la detección y definición de las microexpresiones.

Ente paradigmas, solo se han observado diferencias significativas en el acierto cuando las imágenes se presentaron durante 40 ms. Las microexpresiones faciales mejor detectadas fueron las de alegría (86,8%). Los sujetos mostraron confusión entre las microexpresiones de ira y asco, miedo y sorpresa, tristeza y asco.

En el segundo experimento, los sujetos practican la detección de microexpresiones de 40 ms de duración. Uno de los objetivos es comprobar las ideas de Ekman, que informó que el entrenamiento con METT mejora la detección en un 10%. Se verifica una vez más el efecto de la duración de las microexpresiones, utilizándose en este caso 8 niveles de duración (20, 40, 80, 120, 160, 200 y 240).

Primero, doce participantes practican el reconocimiento de microexpresiones faciales. En las imágenes se diferencian claramente dos modelos: hombre y mujer. Segundo, se procede con la fase experimental de reconocimiento de microexpresiones, igual que la del experimento 1, excepto por la mayor diversidad de duraciones.

Se observan diferencias en la detección según la duración y el paradigma utilizado hasta 160 ms (excluido este valor). A partir de 200 ms se observa que las medias de acierto en la detección según paradigmas casi se superponen. En este segundo experimento, la emoción mejor detectada es la sorpresa, seguida de la alegría. En cambio, la expresión del miedo se presenta como la más difícil de detectar.

Los efectos de la práctica se analizan en ambos experimentos. Se observa que los sujetos sí mejoran en la detección de microexpresiones con la práctica. Asimismo, no se observan diferencias entre paradigmas en la tendencia de aumento de la precisión por la práctica. Lo más destacable es que se observa que con una cantidad considerable de práctica, los sujetos son capaces de mejorar la detección incluso de microexpresiones con duraciones menores de 40 ms.

Este valor es un límite definido por Ekman. No obstante, en este experimento se observa que la práctica puede beneficiar mucho más de lo que se creía. El efecto de la práctica implica que la percepción de las expresiones faciales humanas es muy rápida y puede ser moldeada por la experiencia.

En términos generales, los paradigmas utilizados muestran resultados diferenciales en la detección en microexpresiones de duraciones muy cortas. Sin práctica, las diferencias entre sujetos se observan en la detección de microexpresiones de menos de 40 ms. En cambio, con práctica, las diferencias se observan en microexpresiones de hasta 160 ms. Aunque las medias de acierto sean mayores en el paradigma BART, varían menos con la duración. En cambio, las medias de acierto de METT presentan más variabilidad. Por ello, los autores consideran que METT es más fiable debido a que muestra más sensibilidad a los cambios en duración.

Como bien sabemos, las microexpresiones se usan en la detección del engaño. No obstante, son objeto de debate y amplias críticas en cuanto a su aplicación real. En cualquier caso, ninguna herramienta, por más útil que parezca, no debe ser utilizada como única vía para detectar el engaño.

Si un sujeto intenta encubrir una emoción, sin una medición de la duración de sus expresiones faciales puede ser imposible detectar si aquello que expresa es una micro o macroexpresión. Aunque la práctica sí mejore la detección de microexpresiones, ¿cómo podría saber un observador que aquello que observa dura menos de 200 ms? Las herramientas diseñadas para ello, cada vez más avanzadas, pueden ser la respuesta.

Si quieres saber más sobre el fascinante mundo de las microexpresiones faciales y la detección del engaño visita nuestro Máster en Comportamiento No Verbal y Detección de la Mentira o nuestro Experto Universitario en Comunicación no verbal y Personalidad, con becas especiales para los lectores del Club del Lenguaje no Verbal.

¿Podría un robot darse cuenta de si eres responsable, extrovertido o amable? Club de Lenguaje No Verbal

Amigos del Club de Lenguaje No Verbal, esta semana presentamos el artículo “Nonverbal behavior cue for recongnizing human personality traits in human-robot social interaction” de Shen Z., Elibol A. y Young Chong N. (2019), en el cual se comprueba la posibilidad de que un robot sea capaz de inferir rasgos de personalidad de las personas con las que interactúa a partir de señales no verbales.

En paralelo a los impresionantes avances en robótica, cada vez más investigadores se enfocaron en mejorar la calidad de la interacción entre personas y robots (IPR). Estas mejoras persiguen dotar a los robots con habilidades para entender intenciones, emociones y otros aspectos del comportamiento de las personas. ¿Es eso posible?

Por lo general, los robots se diseñan con el fin de llevar a cabo varias tareas en numerosos campos de la ciencia y de la vida diaria. En sus tareas, algunos también interaccionan con las personas y serían robots sociales. Estos presentan diseños muy realistas y son muy buenos compañeros de trabajo, de ocio o de ayuda en la vida diaria, pero no tienen las habilidades de interacción típicamente humanas.

Algunos robots como Pepper, Nao o ASIMO han sido sincronizados a nivel verbal y no verbal para alcanzar una IPR cada vez mejor. En cualquier caso, esta sincronización está enfocada en atraer la atención de los usuarios y hacer que estos se impliquen en la interacción.

En cambio, durante una IPR las personas sí adaptan su comportamiento a las respuestas de su interlocutor, aunque sea un robot. Además, las respuestas verbales y no verbales de las personas están influidas no solo por el comportamiento del robot, sino también por sus propios rasgos de personalidad y muchos otros factores. Los rasgos de la personalidad humana reflejan las diferencias individuales en cuanto a patrones de pensar, sentir y actuar. Estos afectan al comportamiento de las personas y a la interpretación que hacen de las respuestas de su interlocutor (incluidos robots).

En principio, los robots no son capaces de tales actuaciones. Para que la IPR sea lo más eficaz posible y realista haría falta que un robot sea capaz de captar y analizar las señales sociales de sus interlocutores de manera coherente y similar a como lo hacen los humanos.

En estudios previos se ha observado una fuerte conexión entre personalidad y comportamientos mostrados de un robot. Es decir, las personas infieren rasgos de personalidad de los robots casi como si fueran personas. Estudios con robots Nao mostraron que los usuarios les perciben diferente en función de la extraversión vs introversión y de su profesión. Los robots con comportamientos de introversión y presentados con la profesión de CEO fueron percibidos como más inteligentes. Lo mismo ocurrió con los robots en roles de profesor y extrovertidos. También se ha observado que los usuarios prefieren interaccionar con robots con una personalidad similar a la de uno mismo.

Si las personas son capaces de inferir rasgos de personalidad de los robots, se hace necesario que también los robots sean capaces de inferir los rasgos de personalidad de los usuarios para mejorar la interacción (y que sea similar a la de humano-humano). Este estudio se basa en el desarrollo de un algoritmo eficiente que mida las dimensiones de personalidad de los usuarios, recogidas en el modelo de personalidad Big Five (extraversión, estabilidad emocional, responsabilidad, apertura a la experiencia y amabilidad).

El problema principal consiste en que inferir rasgos de personalidad supone interpretar muchas señales no verbales. La pregunta es ¿cómo conseguir inferencias basadas en lo no verbal de la manera más fácil posible? Es la parte más esencial pero también la más difícil y en otros estudios se plantean modelos de extracción altamente complejos.

En este estudio el robot que interacciona con personas es un semi-humanoide Pepper fabricado por SoftBank Robotics. Antes de la IPR, cada participante que interacciona con Pepper completa un cuestionario de personalidad. Las primeras IPRs aportan los datos necesarios para que se pueda diseñar y entrenar el modelo (proporcionar datos de entrenamiento y crear el algoritmo de aprendizaje adecuado).

Se utiliza la cámara de Pepper para extraer señales no verbales visuales del interlocutor: movimiento de la cabeza, mirada y energía del movimiento de la parte superior del cuerpo. Las señales no verbales auditivas/vocales (tono, energía y MFCCs —coeficientes para la representación del habla en la percepción auditiva humana—) se extraen de la grabación de audio que Pepper obtiene en la interacción. Para cada señal no verbal se utilizan dos tipos de valores: el valor real obtenido y normalizado (Vn) y un valor binario (Vb, 0 y 1). Por ejemplo, el movimiento de la cabeza de un usuario mientras habla con Pepper toma un x valor. En términos binarios se considera que se da el movimiento de la cabeza si ese valor es mayor que 0 y toma el valor de 1.

El último paso consiste en evaluar el modelo de aprendizaje del robot, un modelo que ha sido entrenado con características no verbales obtenidas de las primeras IPRs junto a los rasgos de personalidad de los usuarios obtenidos en los cuestionarios.

Para probar la eficacia del modelo, 12 participantes interaccionan con Pepper ya entrenado. La distancia de interacción es de 1.5-1.7 metros. Pepper pone preguntas sobre quién es el interlocutor, el tiempo actual, el tiempo/clima y descripciones de la ciudad natal del interlocutor. Aunque pueda, el robot en este caso está programado para no mover la cabeza para evitar la recogida de datos no pertinentes. Esto es relevante porque aleja bastante la IPR de una interacción natural entre personas y puede influir en el comportamiento de los participantes.

Se obtienen diferentes valores de precisión en la inferencia de Pepper sobre la personalidad de los usuarios en función del lenguaje no verbal expuesto en las IPRs. Primero, los peores predictores de personalidad (y el menor acierto de Pepper) fueron el tono de voz y el movimiento de la cabeza.

La mejor señal no verbal para la inferencia de rasgos de personalidad fue la energía del habla. Lo que mejor predijo fue la dimensión de personalidad apertura a la experiencia, seguida de responsabilidad. La energía del movimiento de la parte superior del cuerpo también se presentó como la segunda más útil y sirvió para inferir la dimensión amabilidad. Desde los MFCCs se infirió correctamente las dimensiones responsabilidad, estabilidad emocional y apertura a la experiencia. La mirada solo fue relevante en el caso de inferir la extraversión, aunque el valor de precisión obtenido fue bastante menor que todos los demás valores.

Este último resultado puede deberse a que las personas extrovertidas suelen utilizar muchos gestos al hablar y una voz muy enérgica. En cambio, en este estudio se pidió a los participantes que se sentasen muy cerca de la mesa, lo que pudo impedir una expresión libre del movimiento. Por otro lado, para que una persona mire mucho a los ojos de otra se necesita de mayor implicación bidireccional en la interacción. Con un robot se dificulta esta implicación y esa es la posible razón de los valores tan pequeños del registro de la mirada.

Por último y en cuanto a resultados, los valores binarios de las señales no verbales fallaron bastante en el modelo para inferir rasgos de personalidad. En todas las señales no verbales que predijeron significativamente las dimensiones de personalidad los valores resultantes del modelo binario mostraron una disminución importante de la precisión. Por lo tanto, los autores concluyen que utilizar valores binarios no mejoran la precisión.

Este estudio supone un avance importante, mostrando que es posible crear modelos de aprendizaje para las máquinas que las hagan cada vez más similares a los humanos también a nivel cognitivo. Aún queda mucho por hacer, pero el modelo planteado mostró un rendimiento prometedor.

Si quieres aprender más sobre la comunicación no verbal y su relación con la personalidad no te pierdas nuestro Máster en Comportamiento no verbal o nuestro Experto Universitario en Comunicación no verbal y Personalidad, con becas especiales para los lectores del Club del Lenguaje no Verbal

Comportamiento no verbal para reducir el dolor. Club de Lenguaje No Verbal

Amigos del Club de Lenguaje No Verbal, esta semana presentamos el artículo “Nonverbal communication as a pain reliever: the impacto of physician supportive nonverbal behavior on experimentally induced pain” de Ruben M. A., Blanch-Hartigan D. y Hall J. A. (2016), en el cual se analiza si hay diferencias en cómo se experimenta el dolor en función del tipo de comportamiento no verbal (apoyo vs. no apoyo) de los profesionales de la salud.

Los beneficios del apoyo social para la salud están muy bien establecidos. Se puede apoyar verbalmente, pero también a través de comportamientos no verbales como inclinarse hacia delante, tener contacto visual, sonriendo, utilizando un tono de voz cálido, asentir con la cabeza y otros gestos. Tanto la salud física como la salud mental muestran un mejor funcionamiento cuando se interacciona con personas que expresan comportamientos no verbales de apoyo.

El dolor es una experiencia multidimensional. Desde el modelo de comunicación social del dolor (Craig K. D., 2009) se considera que las interacciones sociales modulan la experiencia de dolor tanto subjetiva como objetiva. El dolor subjetivo hace referencia a pensamientos, sentimientos y sensaciones de dolor informados por un sujeto. En cambio, el dolor objetivo se define en términos de índices de comportamiento de dolor, dónde se incluyen la tolerancia y las expresiones no verbales del dolor. Estas últimas cumplen una función comunicativa con el fin de conseguir apoyo y protección.

Las evidencias más destacables en este campo son varias. Por ejemplo, los sujetos informan de menos dolor y lo toleran más tiempo cuando están presentes personas de apoyo. También se observaron menos expresiones faciales cuando un sujeto experimenta el dolor y está acompañado que si esta solo.  Una revisión sistemática indicó que las interacciones sociales con significado positivo (p. ej. sostener la mano) tienen un impacto beneficioso en los que sufren de dolor. Estos beneficios se resumirían en reducción de la intensidad del dolor y aumento de la tolerancia del dolor.

La hipótesis de este estudio es que interaccionar con médicos que expresan comportamientos no verbales (CNV) de apoyo disminuirá tanto el dolor objetivo como el subjetivo en la medición posterior a las pruebas y dos semanas más tarde.

En el estudio, 205 participantes pasan por un procedimiento experimental de inducción del dolor. El procedimiento utilizado (procedimiento del torniquete) consiste en restringir el flujo sanguíneo en un brazo durante un minuto. A continuación, los sujetos deben hacer 20 ejercicios de empuñadura con la mitad de sus fuerzas. Cuando paran estos interaccionan con un/a médico/a anteriormente grabado con CNV de apoyo o de no apoyo. Cuando el CNV del médico es de apoyo, el profesional sonríe, mira a los ojos, se inclina hacia delante, afirma con la cabeza y se expresa con un tono de voz cálido. Cuando el CNV del médico es de no apoyo, el profesional mira abajo a menudo, mira poco a los ojos, se inclina hacia atrás, utiliza un tono frio de voz y dobla los brazos hacia el pecho frecuentemente.

La medición subjetiva consiste en una evaluación de los sujetos del dolor percibido (escala Likert de 1 a 9) cada 30 segundos a lo largo de los ejercicios y después de dos semanas del experimento. También se utiliza una escala con palabras descriptivas del dolor. La medición objetiva consiste en registrar cuándo los sujetos informan de que quieren parar los ejercicios (tolerancia del dolor). Además, dos investigadores entrenados evalúan el nivel de estrés/dolor de los participantes en función de las señales no verbales de dolor que estos expresan.

Por último, también se evalúan las percepciones de los participantes hacia los médicos que les han atendido. Las dimensiones a evaluar son: dominancia, calidez, competencia y disposición de informar sobre procedimientos e instrucciones. La satisfacción con el profesional se mide después del experimento y dos semanas más tarde.

El CNV de apoyo de los profesionales dieron lugar a percepciones de los sujetos de mayor calidez, mayor disposición a compartir información y menor nivel de dominancia. También se registró mayor satisfacción con los profesionales que apoyan tanto cuando se experimentó el dolor como dos semanas más tarde (recuerdo del dolor).

En cuanto a las medidas objetivas del dolor, se observó mayor tolerancia al dolor cuando el profesional que atendió a los sujetos utilizó una comunicación no verbal de apoyo. Lo mismo ocurrió con las expresiones no verbales de dolor en cara y cuerpo: se registraron menos cuando se recibió atención basada en comunicación no verbal de apoyo.

Las medidas subjetivas del dolor mostraron interacciones entre la comunicación no verbal de apoyo vs. de no apoyo y el género de los participantes. Las mujeres atendidas por un profesional que apoya informaron de mayor nivel del dolor comparado con una atención de no apoyo. Asimismo, los hombres atendidos por un profesional que apoya informaron de menor nivel del dolor comparado con una atención de no apoyo. Estas diferencias también se observaron en el registro de la memoria de dolor (evaluación dos semanas más tarde).

Para este ultimo resultado se destaca que ser mujer y atendida por un profesional que apoya mediante CNV de apoyo no implica sentir más dolor por el apoyo percibido, sino porque el contexto de apoyo ofrece más confianza y empatía y hace que las mujeres se sientan más cómodas para compartir lo que sienten. No obstante, también cabe destacar que en esta explicación se parte de un estereotipo de género, dónde la mujer expresa y responde más a la empatía y al apoyo de otros. No se trata de que los autores explican los resultados basándose en estereotipos de género, sino que hace referencia a que las mujeres adoptan ese rol estereotipado por la cultura, aprendizaje, etc.

En cuanto a la memoria del dolor, se destaca que recordar menos dolor después de la experiencia médica puede favorecer que los sujetos sientan menos ansiedad hacia futuros procedimientos médicos, así como mejor adherencia a los tratamientos. Todos los resultados del estudio deben interpretarse con especial cautela debido a unas condiciones experimentales que impiden la generalización de los resultados a la vida real. La inducción experimental del dolor puede mostrar diferencias importantes con el dolor inducido por problemas de salud o situaciones de riesgo reales. Además, tal como hemos mencionado, el dolor es una experiencia multidimensional y existen múltiples tipos de dolor tanto a nivel objetivo como subjetivo.

Como conclusión, los comportamientos no verbales de apoyo son prácticas que se enseñan en las escuelas y prácticas médicas como componentes de la atención centrada en el cliente. Aun así, las implicaciones diferenciales de mostrar apoyo no verbal no recibieron tanta atención en los estudios científicos como la importancia que parecen tener.

Si eres profesional de la salud y quieres aprender cómo mejorar tu comunicación no verbal con tus pacientes no te pierdas nuestro Máster en Comportamiento no verbal o nuestro Experto Universitario en Comunicación no verbal y Personalidad.

¿Sabemos detectar emociones fingidas? Club de Lenguaje No Verbal

Amigos del Club de Lenguaje No Verbal, esta semana presentamos el artículo “When do we see that others misrepresent how they feel? Detecting deception from emotional faces with direct and indirect measures” de Stel M. y van Dijk E. (2018), en el cual se analiza la capacidad de las personas para detectar cuando alguien finge sus emociones, sean positivas o negativas.

Más de una vez expresamos emociones que no reflejan realmente qué sentimos. Disimulamos una sonrisa cuando estamos tristes o cuando alguien nos cae mal. Disimulamos tristeza cuando queremos convencer a alguien que sentimos haber echo algo mal, aunque no lo creemos de verdad.

La expresión emocional consiste, en otras, en mostrar señales no verbales que indican a los demás las emociones que sentimos. Estas señales no verbales son parte de la comunicación no verbal y muchas de ellas son espontáneas y difícil de fingir, especialmente en términos de microexpresiones faciales.

Detectar si las emociones que otros expresan son reales no solo es importante en el contexto de la vida cotidiana, sino también en contextos más profesionales (p. ej. cuando se negocia) o en contextos forenses (p. ej. para detectar mentiras). En este último caso, las evidencias muestran que las personas no son muy buenas en detectar el engaño.

Las posibles razones son la tendencia de las personas a confiar más que desconfiar o las creencias incorrectas y basadas en mitos en cuanto a las señales que indican engaño. Por ejemplo, solemos creer que el que miente debe mostrar signos de nerviosismo, evitar mirar a los ojos, etc. Pero, como ya hemos expuesto en otras publicaciones, muchas señales de engaño son bastante diferentes de las creencias populares. Otros autores consideran que la poca detección del engaño que se consigue en la población normal se debe al hecho de basarse en señales no verbales que predicen muy débilmente el engaño.

En cuanto a la detección de emociones, las evidencias son mixtas, aunque se tiende también hacia una detección muy poco por encima del azar. Curiosamente, parece que de lo que más capaces somos es de detectar la sonrisa Duchenne de la no Duchenne, justo una señal de comunicación no verbal y emocional que se puede fingir más fácilmente que otras.

En los estudios previos sobre la discriminación entre emociones genuinas y no genuinas y detección del engaño se han utilizado muy poco las medidas indirectas. Es decir, se suele preguntar a los sujetos directamente si creen que los sujetos bajo análisis engañan, sea en cuanto a señales de comunicación no verbal, verbal o emocional (medidas directas).

En cambio, en este estudio se utilizan tanto medidas directas como indirectas. Los autores se basan en la hipótesis de que una medida indirecta que requiera a los sujetos elegir qué emoción siente un determinado sujeto podría mostrar un rendimiento más objetivo en cuanto a la capacidad natural de las personas de detectar el engaño.

Se llevan a cabo dos estudios similares. En ambos, los participantes observan unos videos previamente creados, en los cuales una persona le cuenta a otra algo que ha visto, expresando señales emocionales positivas o negativas. Se presentan cuatro tipos de videos: con sujetos que sienten y expresan emociones positivas o negativas y con sujetos que sienten una de estas emociones, pero expresan las opuestas. En el primer estudio, la muestra de videos se compone de 8 y, en el segundo, de 12 videos.

En la medición directa, los participantes evalúan, a través de una escala Likert de 7 puntos, en qué medida creen que los sujetos de los videos dicen la verdad. En el segundo estudio, se añade la misma evaluación, pero sobre la mentira. En la medida indirecta, los participantes deben elegir una emoción de varias, eligiendo a aquella que creen que el sujeto del video realmente siente. En el primer estudio se incluyen ítems relativos a 12 tipos de expresión emocional (tensión, entusiasmo, agrado, preocupación, ira, enfado, confusión, alegría, tristeza, irascibilidad, felicidad, monotonía/melancolía). En el segundo estudio se añaden 6, más relacionadas con el engaño (miedo, asustado, ansiosos, nervioso, culpable, arrepentido o que muestra autocastigo/penitencia).

Dado que la finalidad de haber hecho dos estudios similares es verificar la replicabilidad de los resultados, los autores consiguen este objetivo. En ambos estudios, los participantes detectaron más el engaño cuando los sujetos de los videos expresaban emociones negativas. Estos resultados son consistentes con las evidencias previas sobre la dificultad de detectar el engaño a partir de la expresión de señales no verbales positivos, tales como indicadoras de alegría, satisfacción o entusiasmo.

Una explicación posible de una mejor detección del engaño a partir de emociones negativas (aunque no muy respaldada por las evidencias previas) se daría en términos de estado de ánimo. Por lo general, tanto el estado de ánimo positivo como negativo impacta de una manera particular en el procesamiento de la información y, por lo tanto, en cómo nos expresamos verbal y no verbalmente.

Las personas con un estado de ánimo positivo suelen basarse más en heurísticos. En cambio, las personas con un estado de ánimo más negativo suelen comprometerse en un procesamiento más cauteloso y que conlleva más esfuerzo. Probablemente, de aquí se deriva la idea de que una persona triste reflexiona más y coge mas perspectiva de las cosas, a diferencia de una persona feliz que se enfoca más en las experiencias y menos en el análisis de estas. Es posible que fingir emociones negativas sea mucho más complejo y, por tanto, más fácil detectar cuando se fingen.

Este efecto de las emociones negativas como mejores indicadores de engaño o veracidad se observó solo a través de las medidas indirectas. Cuando se pidió directamente evaluar (medidas directas) si un sujeto observado miente o dice la verdad, no hubo una buena detección independientemente del tipo de emociones expresadas. Una vez más, estos resultados diferenciales en cuanto a medidas directas versus indirectas son consistentes con otros estudios en los cuales las medidas directas de detección del engaño no mostraron un buen rendimiento de los participantes.

Se plantea que las medidas indirectas ofrecen mejor detección del engaño porque en estas se pide explícitamente prestar atención a las emociones. Esto hace que las personas se fijen más en qué sienten y expresan los sujetos de los videos y se facilita detectar discrepancias entre una y otra. También puede ser que los participantes se hayan fijado en señales visuales y afectivas que, posiblemente, difieran entre mentirosos y sinceros.

Como conclusión, la capacidad de distinguir emociones veraces de las simuladas depende tanto de la valencia emocional —negativa vs. positiva—, como del procedimiento de medición —directo vs. indirecto—.

Si quieres saber más sobre la comunicación no verbal, los indicadores no verbales de emoción y la detección de la mentira, no te pierdas nuestro Experto Universitario en Comunicación no verbal y Personalidad   con becas especiales para los lectores del Club del Lenguaje no Verbal.

Análisis de la verdad para detectar las mentiras. Club de Lenguaje No Verbal

Amigos del Club de Lenguaje No Verbal esta semana presentamos el artículo “The anatomy of confession: an examination of verbal and nonverbal cues surrounding a confession” de Dunbar N. E., Bernhold Q. S., Jensen M. L. y Burgoon J. K. (2018), en el cual se analizan las variaciones en el comportamiento no verbal desde antes de confesar hasta después de hacerlo y las estrategias de entrevista utilizadas.

El principal objetivo de los investigadores y entrevistadores de sospechosos es obtener una confesión y detectar si estos mienten. El foco de mira suele ser las declaraciones falsas y las confesiones (veraces) se valoran como anomalías. El análisis de estas últimas solo alcanza una comparación con las declaraciones falsas.

Una confesión suele ignorarse y, en el momento en el cual se detecta una declaración como veraz, se omite de la observación. Esta omisión ocurre a menudo en los estudios experimentales, dado que una confesión ya no cumple la condición de engaño a la cual fue asignada.

Examinar las confesiones es importante principalmente porque algunos hallazgos indican que las personas a menudo utilizan una confesión para destapar mentiras (13,9% de los casos) o en paralelo a otros métodos para dejarlas a descubierto (55% de los casos).

En este estudio, el objetivo principal es observar y entender los cambios en el comportamiento no verbal (CNV) de los entrevistados, atendiendo a las diferencias entre el CNV de antes y después de confesar.

Los cambios en el CNV se analizan a través de cinco indicadores de comunicación: sincronía, dominancia, tensión, amabilidad (agrado) y cooperación (involucramiento). Estos son los cinco más relevantes en el estudio de las confesiones de un total de 12 temas que se utilizan a menudo como lentes heurísticas en el análisis de la comunicación (Burgoon y Hale, 1984; 1987).

La sincronía se refiere a la coordinación de los patrones de comportamiento entre ambas partes en una interacción. En la detección del engaño se tiene en cuenta como posible estrategia del que engaña, pero también son importantes las estrategias de entrevista. Desde la Teoría Interpersonal del Engaño, se postula que el que intenta engañar debe sincronizarse con su interlocutor para mantener una apariencia de compenetración y para procesar adecuadamente información inesperada que recibe de este (p. ej. preguntas inesperadas).

La dominancia es un intento de control y de ganar ventaja en la interacción a través de actos comunicativos (p. ej. dando argumentos más sólidos). La tensión se observa en un comportamiento de comunicación acelerado o inquieto y, a modo general, se ha observado que los que mienten se muestran más tensos que los que dicen la verdad. Por último, ser agradable y cooperar o involucrarse se refieren a comportamientos verbales y no verbales que indican interés en la conversación y una expresión emocional positiva.

En todos estos temas, se desconoce la gradación que pueden presentar los que mienten desde antes hasta después de una confesión. Existen razones para mostrar comportamientos verbales y no verbales de todos estos indicadores tanto antes como después confesar. Por ejemplo, el que miente puede mostrarse más tenso antes de confesar, por los esfuerzos de mantener la calma; y también puede mostrar más signos de tensión después de una confesión, como respuesta de miedo e incertidumbre sobre la gravedad de las consecuencias.

Los autores del estudio también atienden a las estrategias de entrevista más eficaces en obtener una confesión. Las evidencias hasta el momento hablan, por ejemplo, de obtener mayor número de confesiones cuando el entrevistador actúa de manera más amable y es más humano. También se observó lo opuesto: más confesiones cuando hay mayor presión en las entrevistas policiales. Otro elemento importante sería presentar evidencias claras y fuertes sobre las mentiras de los sospechosos e incluso evidencias falsas, dado que pueden incrementar las tasas de confesión si son fuertes.

Otra cuestión para resolver en el estudio es si las estrategias de entrevista se asocian de manera diferencial con el CNV de antes y después de una confesión. Por ejemplo, si el entrevistador detecta más tensión antes de una confesión ¿utilizará estrategias de entrevista diferentes a que si nota otros indicadores no verbales? Y cuando se obtiene una confesión, ¿son esas estrategias utilizadas las que predicen un cierto CNV en el sospechoso? Aunque en la práctica algunos profesionales consideren que el CNV no sea fiable, observándolo de manera holística con el comportamiento verbal puede dar indicios fiables, especialmente en términos de sincronía.

Seis estudiantes previamente entrenados evalúan el CNV y las estrategias de entrevista de 86 videos de entrevista. En estas, cuatro profesionales entrevistaron a 86 sujetos que utilizaron el engaño (se les pidió previamente hacerlo) para ganar en un juego tipo Trivial. Los evaluadores de este estudio analizan un minuto de entrevista de antes y después de la confesión.

En cuanto al CNV, se observó un aumento en los indicadores no verbales de dominancia y amabilidad/agrado después de confesar. En cambio, desde antes hasta después de la confesión, la sincronía entre entrevistado y entrevistador disminuyó significativamente. La disminución de la sincronía puede deberse a que, una vez se confiesa, ya no hay necesidad de seguir aparentando honestidad. Además, cuando se confiesa, las preguntas sobre el engaño rompen la relación sincronizada previamente establecida.

Uno de los entrevistadores de los videos obtuvo muchas más confesiones que los demás. Su éxito pudo deberse al uso recurrente de la difusión de la responsabilidad – el sospechoso solo seguía órdenes de hacer trampa en el juego. También fue más minucioso en formular las preguntas y solicitó respuestas más claras y detalladas. Estas estrategias llevaron a un CNV más involucrado y cooperativo antes de confesar comparado con el uso de una estrategia basada en destacar la presencia de evidencia externa para incriminar al sospechoso.

Cuando los entrevistados confesaron seguidamente a la pregunta ¿has hecho trampa?, mostraron más tensión después de la confesión que los que confesaron espontáneamente. Estos últimos también se mostraron más agradables después de confesar que los que fueron avisados de la existencia de evidencias contra ellos. El aumento de la dominancia antes mencionado pueden deberse a que, una vez confesado el engaño, el sospechoso tiene la necesidad de dominar la interacción para poder dar las explicaciones oportunas sobre su comportamiento de engaño. De hecho, después de ¿has hecho trampa?, la respuesta iba acompañada a menudo de largas justificaciones.

A modo general, las estrategias acusatorias en la entrevista dieron peores resultados. Menos amabilidad y más tensión después de confesar y menos confesiones obtenidas. De hecho, el entrevistador que utilizó la difusión de la responsabilidad consiguió un 70% de 23 confesiones en las que se utilizó esta estrategia.

Cabe destacar que este entrevistador también utilizó significativamente más referencias éticas. No obstante, después de estas referencias, los entrevistados subrayaban la poca cantidad de dinero que se podía ganar en el juego (20$) – algo así como mi ética personal vale más que 20$ -. Esta es la razón probable por la que los sospechosos cargan la responsabilidad de su engaño a los que les mandaron hacerlo y no en el deseo de ganar el premio. Este dato es relevante porque en otros estudios se observó que los criminales que confiesan un crimen se diferencian de los falsos confesores en que suelen echar la culpa a las víctimas o a sus cómplices.

Concluyendo, analizar también las confesiones y los patrones de comportamiento verbal y no verbal que se dan en estos casos es una fuente de información de gran valor. Se consiguen puntos de referencia para la detección del engaño al conocer las diferencias comportamentales desde antes hasta después de una confesión y no solo a través de la comparación entre declaraciones falsas y veraces.

Conoce mucho más sobre técnicas de entrevistas e interrogatorios o aprende las mejores herramientas de detección de mentiras y los últimos avances en este campo en nuestro curso de Experto Universitario en Investigación Criminológica, con becas especiales para los lectores del Club del Lenguaje no Verbal.

Antiguas entradas