論文の概要: Artificial Intelligence can Recognize Whether a Job Applicant is Selling and/or Lying According to Facial Expressions and Head Movements Much More Correctly Than Human Interviewers

• arxiv url: http://arxiv.org/abs/2605.17461v1
• Date: Sun, 17 May 2026 14:03:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.369056
• Title: Artificial Intelligence can Recognize Whether a Job Applicant is Selling and/or Lying According to Facial Expressions and Head Movements Much More Correctly Than Human Interviewers
• Title（参考訳）: 人工知能は、人間のインタビュアーよりもはるかに正確に、顔の表情や頭の動きに応じて求職者が売ったり、笑ったりしているかどうかを認識できる
• Authors: Hung-Yue Suen, Kuo-En Hung, Che-Wei Liu, Yu-Sheng Su, Han-Chih Fan,
• Abstract要約: コンピュータビジョンによる深層学習モデルを構築し,求職者の表情や頭の動きの時間的パターンを抽出した。 提案モデルでは, 正直なIMでは91%, 虚偽IMでは84%のばらつきが説明され, 自己申告したIMスコアと人間面接者との相関が強くなった。
• 参考スコア（独自算出の注目度）: 3.375570167738047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whether an interviewee's honest and deceptive responses can be detected by facial expression signals in videos has been debated and requires further research. We developed deep learning models enabled by computer vision to extract temporal patterns of job applicants' facial expressions and head movements to identify self-reported honest and deceptive impression management (IM) tactics from video frames in real asynchronous video interviews. A 12- to 15-minute video was recorded for each of N=121 job applicants as they answered five structured behavioral interview questions. Each applicant completed a survey to self-evaluate their trustworthiness on four IM measures. Additionally, a field experiment was conducted to compare the concurrent validity associated with self-reported IMs between our modeling approach and human interviewers. Human interviewers' performance in predicting these IM measures from another subset of 30 videos was obtained by having N=30 human interviewers evaluate three recordings. Our models explained 91% and 84% of the variance in honest and deceptive IMs, respectively, and showed stronger correlations with self-reported IM scores than human interviewers.
• Abstract（参考訳）: インタビュアーの正直で虚偽の反応がビデオの表情信号によって検出できるかどうかが議論され、さらなる研究が求められている。 実非同期ビデオインタビューにおいて,コンピュータビジョンによる深層学習モデルを用いて,求職者の表情や頭の動きの時間的パターンを抽出し,ビデオフレームから自己申告された正直で偽装的な印象管理(IM)の戦術を同定した。 12～15分のビデオは、N=121人の求職者それぞれに対して、構造化された5つの面接質問に答えて記録された。 各応募者は4つのIM対策について信頼度を自己評価する調査を完了した。 さらに、モデリング手法と人間インタビュアーの自己報告IMによる同時妥当性を比較するためのフィールド実験を行った。 N=30人のインタビュアーに3つの録音を評価させることにより,30ビデオの他のサブセットからこれらのIM測定値を予測する性能が得られた。 提案モデルでは, 正直なIMでは91%, 偽りのIMでは84%のばらつきが説明され, 自己申告したIMスコアと人間面接者との相関が強くなった。

関連論文リスト

• InterviewSim: A Scalable Framework for Interview-Grounded Personality Simulation [32.09483697866529]
  大きな言語モデルで実際の個人性をシミュレートするには、真正の個人データにおいて基礎となる生成が必要である。 大規模にパーソナリティシミュレーションを行うためのインタビューグラウンド評価フレームワークを提案する。 我々は,1000人以上の公的な個人を対象とした23,000件の面接書から671,000件以上の質問回答対を抽出した。
  論文  参考訳（メタデータ） (2026-02-23T19:21:10Z)
• HumanVideo-MME: Benchmarking MLLMs for Human-Centric Video Understanding [120.84817886550765]
  MLLM(Multimodal Large Language Models)は、画像とビデオの両方を含む視覚的理解タスクにおいて、大きな進歩を見せている。 既存の人間中心のベンチマークは、主にビデオ生成の品質と行動認識を強調し、人間中心のシナリオに必要な知覚と認知の能力を見落としている。 我々は,人間中心のビデオ理解におけるMLLMのより総合的な評価を提供するために,厳格にキュレートされたベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-07-07T11:52:24Z)
• LLMREI: Automating Requirements Elicitation Interviews with LLMs [47.032121951473435]
  本研究では,人間の介入を最小限に抑えながら,要求適応面接を行うチャットボット LLMREI を紹介する。 我々は33回のシミュレート・ステークホルダー・インタビューでその性能を評価した。 以上の結果から,LLMREIは人間のインタビュアーと同じような誤りを犯し,要求の大部分を抽出し,文脈に依存した質問を生成できることが示唆された。
  論文  参考訳（メタデータ） (2025-07-03T12:18:05Z)
• NewsInterview: a Dataset and a Playground to Evaluate LLMs' Ground Gap via Informational Interviews [65.35458530702442]
  我々はジャーナリストのインタビューに焦点をあて、コミュニケーションの基盤と豊富なデータに富んだドメインに焦点をあてる。 我々はNPRとCNNから4万人の2人によるインフォメーションインタビューのデータセットをキュレートする。 LLMは、人間のインタビュアーよりも、認識を使い、より高いレベルの質問に目を向ける可能性がはるかに低い。
  論文  参考訳（メタデータ） (2024-11-21T01:37:38Z)
• AI Conversational Interviewing: Transforming Surveys with LLMs as Adaptive Interviewers [40.80290002598963]
  本研究では,人間のインタビュアーを大規模言語モデル (LLM) に置き換えて,スケーラブルな対話型インタビュアーを実現する可能性について検討する。 大学生を対象に,AIやヒューマンインタビュアーによる会話面接にランダムに割り当てられた,小規模かつ詳細な調査を行った。 様々な量的・質的な尺度は, インタビュアーのガイドライン, 応答品質, 参加者参加率, 総合的な面接効果に順応した。
  論文  参考訳（メタデータ） (2024-09-16T16:03:08Z)
• Quriosity: Analyzing Human Questioning Behavior and Causal Inquiry through Curiosity-Driven Queries [92.1651731484397]
  本稿では,3つの情報源から自然発生の13.5Kの質問を集めたQuriosityを紹介する。 分析の結果,データセットに因果的疑問(最大42%)が存在することが明らかとなった。
  論文  参考訳（メタデータ） (2024-05-30T17:55:28Z)
• DAIC-WOZ: On the Validity of Using the Therapist's prompts in Automatic Depression Detection from Clinical Interviews [39.08557916089242]
  近年の研究では、インタビュアーのプロンプトをモデルに組み込んだ場合の性能向上が報告されている。 インタビュアーのプロンプトを用いたモデルでは,過去のメンタルヘルス問題に関する質問が質問されるインタビューの特定の領域に焦点を絞ることが分かる。 故意に利用することで0.90F1のスコアを得ることができ、このデータセットで報告された最も高い結果は、テキスト情報のみを用いてである。
  論文  参考訳（メタデータ） (2024-04-22T09:07:50Z)
• EZInterviewer: To Improve Job Interview Performance with Mock Interview Generator [60.2099886983184]
  EZInterviewerは、オンライン面接データから学び、求職者に模擬面接サービスを提供する。 低リソースの課題に対処するため、EZInterviewerはインタビューダイアログのごく小さなセットで訓練されている。
  論文  参考訳（メタデータ） (2023-01-03T07:00:30Z)
• Leveraging Multimodal Behavioral Analytics for Automated Job Interview Performance Assessment and Feedback [0.5872014229110213]
  行動的手がかりは人間のコミュニケーションや認知に重要な役割を果たす。 本稿では,インタビューシナリオにおける候補の分析を行うマルチモーダル分析フレームワークを提案する。 我々はこれらのマルチモーダルデータソースを用いて複合表現を構築し、機械学習分類器を訓練してクラスラベルを予測する。
  論文  参考訳（メタデータ） (2020-06-14T14:20:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。