Η απάντηση είναι πιο σύνθετη απ’ όσο φαίνεται. Η τεχνητή νοημοσύνη μπορεί να εντοπίζει αντιφάσεις, να συγκρίνει ισχυρισμούς με διαθέσιμα στοιχεία και να αναγνωρίζει ορισμένα μοτίβα παραπλανητικής επικοινωνίας. Αυτό, όμως, δεν σημαίνει ότι γνωρίζει με βεβαιότητα πότε ένας άνθρωπος λέει ψέματα.
Το ερώτημα έχει ιδιαίτερη σημασία σε μια εποχή κατά την οποία εκατομμύρια άνθρωποι συνομιλούν καθημερινά με συστήματα AI, ζητώντας συμβουλές, πληροφορίες ή ακόμη και αξιολογήσεις προσωπικών καταστάσεων.
Για να κατανοήσουμε τι πραγματικά μπορεί να κάνει η AI, πρέπει πρώτα να ξεχωρίσουμε δύο έννοιες: την αναγνώριση μιας ανακριβούς δήλωσης και την αναγνώριση της πρόθεσης εξαπάτησης.
Άλλο το λάθος, άλλο το ψέμα
Ας υποθέσουμε ότι κάποιος γράφει σε ένα chatbot: «Η πρωτεύουσα της Αυστραλίας είναι το Σίδνεϊ».
Ένα σύστημα τεχνητής νοημοσύνης μπορεί να απαντήσει ότι η σωστή πρωτεύουσα είναι η Καμπέρα. Μπορεί, δηλαδή, να εντοπίσει ότι η πληροφορία είναι λανθασμένη.
Αυτό που δεν μπορεί να γνωρίζει μόνο από τη συγκεκριμένη πρόταση είναι εάν ο χρήστης είπε κάτι ανακριβές επειδή δεν γνώριζε την απάντηση ή επειδή ήθελε συνειδητά να το παραπλανήσει.
Η διάκριση αυτή είναι καθοριστική. Το ψέμα δεν αφορά μόνο το περιεχόμενο μιας δήλωσης, αλλά και την πρόθεση του ανθρώπου που τη διατυπώνει.
Πώς προσπαθεί η AI να αναγνωρίσει την εξαπάτηση
Τα συστήματα τεχνητής νοημοσύνης μπορούν να αξιοποιούν γλωσσικά μοτίβα, το περιεχόμενο μιας συνομιλίας και τη σύγκριση πληροφοριών για να εκτιμήσουν εάν ένας ισχυρισμός είναι αξιόπιστος.
Για παράδειγμα, ένα μοντέλο μπορεί να εντοπίσει ότι κάποιος δίνει διαφορετικές απαντήσεις στην ίδια ερώτηση ή ότι η περιγραφή ενός γεγονότος έρχεται σε αντίθεση με αξιόπιστα δεδομένα.
Ωστόσο, οι αντιφάσεις δεν αποτελούν απόδειξη ψεύδους. Ένας άνθρωπος μπορεί να θυμάται λανθασμένα, να εκφράζεται ασαφώς ή να αλλάζει μια προηγούμενη εκτίμησή του χωρίς πρόθεση εξαπάτησης.
Το πρόβλημα γίνεται ακόμη δυσκολότερο όταν η AI επιχειρεί να αξιολογήσει την ειλικρίνεια κάποιου αποκλειστικά από τον τρόπο που γράφει ή μιλά.
Τι έδειξαν οι επιστημονικές έρευνες
Οι μελέτες των τελευταίων ετών δείχνουν ότι η AI έχει δυνατότητες στην ανίχνευση παραπλανητικών δηλώσεων, αλλά τα αποτελέσματα διαφέρουν σημαντικά ανάλογα με το μοντέλο, το είδος των δεδομένων και τις συνθήκες της δοκιμής.
Το 2023, ερευνητές δημοσίευσαν στο επιστημονικό περιοδικό Scientific Reports μελέτη στην οποία εξέτασαν την ικανότητα γλωσσικών μοντέλων να διακρίνουν αληθείς και ψευδείς αφηγήσεις. Χρησιμοποίησαν τρία σύνολα δεδομένων που αφορούσαν προσωπικές απόψεις, αυτοβιογραφικές αναμνήσεις και μελλοντικές προθέσεις.
Τα αποτελέσματα έδειξαν ότι τα μοντέλα μπορούσαν, σε συγκεκριμένες πειραματικές συνθήκες, να ξεπεράσουν προηγούμενες μεθόδους αναγνώρισης ψευδών δηλώσεων. Η απόδοσή τους, ωστόσο, επηρεαζόταν από το μέγεθος του μοντέλου και τα δεδομένα που χρησιμοποιούνταν.
Μια νεότερη μελέτη, που δημοσιεύθηκε τον Ιούλιο του 2025 στο ίδιο περιοδικό, εξέτασε ένα δυσκολότερο σενάριο: τις αφηγήσεις που συνδυάζουν αληθινά γεγονότα με μικρά ψέματα.
Οι ερευνητές συγκέντρωσαν 2.088 δηλώσεις και χρησιμοποίησαν ένα προσαρμοσμένο γλωσσικό μοντέλο Llama-3-8B. Το μοντέλο κατάφερε να διακρίνει τις αληθείς αφηγήσεις από εκείνες που περιείχαν ψευδή στοιχεία με ακρίβεια 64%.
Η μελέτη ανέδειξε μια σημαντική δυσκολία: πολλές παραπλανητικές ιστορίες περιλαμβάνουν μεγάλο ποσοστό αληθινών πληροφοριών. Έτσι, τα ψευδή στοιχεία μπορεί να ενσωματώνονται σε μια κατά τα άλλα πειστική περιγραφή.
Γιατί δεν υπάρχει ακόμη αξιόπιστος ψηφιακός ανιχνευτής ψεύδους
Δεν καταλήγουν, όμως, όλες οι έρευνες σε εξίσου ενθαρρυντικά αποτελέσματα.
Μελέτη που δημοσιεύθηκε το 2025 στο Journal of Communication εξέτασε την απόδοση μοντέλου AI σε 12 πειραματικές μελέτες αναγνώρισης αληθινών και ψευδών δηλώσεων.
Στην καλύτερη από τις συνθήκες που εξετάστηκαν, το μοντέλο πέτυχε ακρίβεια 57,7%, ενώ σε άλλες δοκιμές εμφάνισε έντονες αποκλίσεις, χαρακτηρίζοντας υπερβολικά συχνά τις δηλώσεις είτε ως αληθείς είτε ως ψευδείς.
Οι ερευνητές συνέστησαν προσοχή στη χρήση μεγάλων γλωσσικών μοντέλων ως εργαλείων ανίχνευσης ψεύδους.
Αυτό εξηγεί γιατί ένα υψηλό ποσοστό επιτυχίας σε μια συγκεκριμένη μελέτη δεν μπορεί να μεταφραστεί αυτομάτως σε αντίστοιχη αξιοπιστία στις καθημερινές συνομιλίες.
Μπορεί να μας καταλάβει από τον τρόπο που γράφουμε;
Μια συνηθισμένη αντίληψη είναι ότι οι άνθρωποι που λένε ψέματα χρησιμοποιούν συγκεκριμένες λέξεις, αποφεύγουν λεπτομέρειες ή εκφράζονται με διαφορετικό τρόπο.
Η επιστημονική πραγματικότητα είναι πιο περίπλοκη.
Ο ερευνητής Aldert Vrij και οι συνεργάτες του έχουν επισημάνει ότι δεν υπάρχουν καθολικά και αξιόπιστα όρια που να επιτρέπουν σε κάποιον να χαρακτηρίζει μια δήλωση ψευδή αποκλειστικά από ορισμένα γλωσσικά χαρακτηριστικά.
Επιπλέον, διαφορετικοί τύποι ψεύδους μπορεί να παρουσιάζουν διαφορετικά μοτίβα, ενώ η γλώσσα και το πολιτισμικό περιβάλλον επηρεάζουν τον τρόπο έκφρασης.
Συνεπώς, το γεγονός ότι ένα chatbot εντοπίζει ασυνήθιστες διατυπώσεις ή αλλαγές στην αφήγηση δεν σημαίνει ότι έχει ανακαλύψει ένα ψέμα.
Και τι γίνεται όταν η AI προσπαθεί να καταλάβει τι πιστεύουμε;
Το ζήτημα γίνεται ακόμη πιο ενδιαφέρον όταν εξετάσουμε εάν η AI μπορεί να ξεχωρίσει τι γνωρίζει ένας άνθρωπος από αυτό που απλώς πιστεύει.
Μελέτη που δημοσιεύθηκε τον Νοέμβριο του 2025 στο Nature Machine Intelligence αξιολόγησε 24 γλωσσικά μοντέλα, χρησιμοποιώντας 13.000 ερωτήσεις που εξέταζαν την κατανόηση εννοιών όπως η γνώση, η πεποίθηση και η πραγματικότητα.
Οι ερευνητές διαπίστωσαν σημαντικές αδυναμίες, ιδιαίτερα σε περιπτώσεις όπου ένα πρόσωπο διατηρεί μια λανθασμένη πεποίθηση.
Το εύρημα είναι ουσιαστικό για το ερώτημα της εξαπάτησης: εάν ένα μοντέλο δυσκολεύεται να αναγνωρίσει ότι κάποιος πιστεύει ειλικρινά κάτι λανθασμένο, τότε η διάκριση ανάμεσα στο λάθος και το συνειδητό ψέμα παραμένει ακόμη μεγαλύτερη πρόκληση.
Μπορεί η AI να μας κατηγορήσει άδικα ότι λέμε ψέματα;
Αυτός είναι ένας από τους σοβαρότερους κινδύνους.
Ένα σύστημα μπορεί να χαρακτηρίσει μια αληθινή δήλωση ως ψευδή ή να αποδεχθεί μια κατασκευασμένη ιστορία ως πραγματική.
Σε μια καθημερινή συνομιλία, ένα τέτοιο λάθος μπορεί να οδηγήσει απλώς σε μια άστοχη απάντηση. Σε περιβάλλοντα όπως η ασφάλεια, η εργασία ή η δικαιοσύνη, όμως, μια λανθασμένη αξιολόγηση της ειλικρίνειας κάποιου μπορεί να έχει πολύ σοβαρότερες συνέπειες.
Γι’ αυτό και η επιστημονική έρευνα δεν αντιμετωπίζει την αναγνώριση ψεύδους ως πρόβλημα που έχει ήδη λυθεί από την τεχνητή νοημοσύνη.
Η δυνατότητα ενός μοντέλου να υπολογίζει την πιθανότητα εξαπάτησης δεν ισοδυναμεί με απόδειξη ότι ένας άνθρωπος ψεύδεται.
Τελικά, αν πούμε ψέματα στο ChatGPT, θα το καταλάβει;
Μπορεί να υποψιαστεί ότι κάτι δεν ισχύει, αλλά δεν μπορεί να γνωρίζει με βεβαιότητα ότι λέμε ψέματα.
Εάν του δώσουμε μια πληροφορία που αντιφάσκει με γνωστά γεγονότα, ενδέχεται να την επισημάνει. Εάν αλλάξουμε μια ιστορία στη διάρκεια της συνομιλίας, μπορεί να αναγνωρίσει την ασυνέπεια.
Αν, όμως, του παρουσιάσουμε μια επινοημένη προσωπική εμπειρία χωρίς διαθέσιμα στοιχεία για να την ελέγξει, δεν διαθέτει κάποιον ανεξάρτητο τρόπο να γνωρίζει εάν αυτή συνέβη πραγματικά.
Η τεχνητή νοημοσύνη δεν διαβάζει σκέψεις και δεν έχει άμεση πρόσβαση στις πραγματικές προθέσεις του συνομιλητή της.
Το συμπέρασμα: Η AI γίνεται ολοένα πιο ικανή να εξετάζει την αξιοπιστία πληροφοριών και να αναγνωρίζει μοτίβα εξαπάτησης. Ωστόσο, η επιστήμη δεν έχει αποδείξει ότι τα σημερινά γλωσσικά μοντέλα μπορούν να λειτουργήσουν ως αξιόπιστοι ανιχνευτές ψεύδους στην καθημερινή ζωή.
Και ίσως αυτή να είναι η σημαντικότερη διάκριση: άλλο να αναγνωρίζεις ότι μια πληροφορία είναι ψευδής και άλλο να γνωρίζεις ότι κάποιος επέλεξε συνειδητά να πει ψέματα.
Επιστημονικές πηγές: Οι βασικές έρευνες στις οποίες στηρίζεται το άρθρο δημοσιεύθηκαν στα Scientific Reports (2023, 2025), Journal of Communication (2025), Nature Machine Intelligence (2025) και στην ερευνητική βιβλιογραφία για τη λεκτική ανίχνευση της εξαπάτησης.
The post Μπορεί η AI να καταλάβει πότε της λέμε ψέματα; Τι δείχνουν οι έρευνες appeared first on SciNews.eu.
