자기보고식 심리검사에서 머신러닝을 활용한 거짓반응 탐지 방안

A study on detecting faking response using machine learning in a self-report psychological test

자기보고식 심리검사에서 거짓반응을 탐지하기 위한 방법으로, 머신러닝을 활용한 방법의 성능을 확인하였다. 이를 위해 솔직반응과 거짓반응(긍정왜곡, 부정왜곡) 조건에서의 응답 데이터를 수집하 였고, 머신러닝 알고리즘으로 랜덤 포레스트, 인공신경망, 서포트 벡터 머신을 적용하여 성능을 확 인하였다. 연구결과, 머신러닝 기법 중에서도 복잡한 패턴을 감지하는 데 강점이 있는 알고리즘인 인공신경망을 적용하였을 때 긍정왜곡 탐지 정확도와 부정왜곡 탐지 정확도가 가장 우수하게 나타 났다. 또한 특정한 분할점수로 분류했을 때보다 머신러닝을 활용했을 때 정확도가 향상되어, 거짓반 응 탐지에서 머신러닝 방법의 유용성을 확인하였다. 본 연구에서는 경험적 데이터 분석결과를 바탕 으로 심리검사의 활용 맥락에 따라 거짓반응 탐지 방법이 다르게 활용될 수 있음을 제안하였고, 더 나아가 두 방법을 동시에 활용하여 거짓반응 결과를 효과적으로 보고할 수 있는 방안을 제안하였다.

This study investigated methods for detecting faking responses in self-report psychological tests using machine learning techniques. Data were collected under both honest and deceptive conditions, and three algorithms—random forest, support vector machine, and artificial neural network—were applied for prediction. The results indicated that machine learning techniques, particularly artificial neural networks, were effective, achieving more accurate results compared to traditional methods using specific cutoff thresholds. These findings suggest that the choice of detection method may vary depending on the context of the psychological assessment. Furthermore, the study recommends combining machine learning and traditional approaches to enhance the detection of faking responses in psychological tests.