Descubra as Técnicas Modernas para Detectar Mentiras: Um Olhar Sobre a Evolução da Detecção Verbal de Mentiras

Descubra as Técnicas Modernas para Detectar Mentiras: Um Olhar Sobre a Evolução da Detecção Verbal de Mentiras

A detecção de mentiras é um tema fascinante que tem atraído a atenção de psicólogos, criminologistas e do público em geral por décadas. Recentemente, um estudo publicado na revista Brain Sciences intitulado “Verbal Lie Detection: Its Past, Present and Future” fornece uma visão abrangente sobre a pesquisa nessa área, desde seus primórdios até as técnicas mais recentes e promissoras. Vamos explorar os pontos-chave desse estudo e entender como a detecção verbal de mentiras tem evoluído e se tornado uma ferramenta crucial na investigação e justiça.

A História da Detecção Verbal de Mentiras

A pesquisa sobre a detecção de mentiras começou na década de 1970, focando inicialmente na relação entre a mentira e palavras específicas. Palavras como “eu”, “nós”, emoções negativas como “ódio” e “tristeza”, termos generalizantes como “sempre” e “nunca”, e a diversidade lexical (variedade de palavras usadas) foram alguns dos primeiros indicadores examinados. Essas pesquisas pioneiras mostraram que certos padrões verbais podem revelar indícios de mentira.

Ferramentas de Análise de Conteúdo: CBCA e RM

Na década de 1980, surgiram ferramentas mais sofisticadas como a Criteria-Based Content Analysis (CBCA) e a Reality Monitoring (RM). A CBCA é uma metodologia que analisa a presença de 19 critérios verbais em depoimentos, proporcionando uma avaliação mais estruturada e padronizada da veracidade. Esses critérios variam desde a quantidade de detalhes fornecidos até a ordem não cronológica dos eventos narrados.

A RM, por outro lado, baseia-se na teoria de que memórias de experiências reais contêm mais detalhes sensoriais e contextuais do que memórias de eventos imaginados. Isso inclui detalhes sobre visão, som, localização e tempo, oferecendo um método adicional para distinguir a verdade da mentira.

SCAN: Análise Científica de Conteúdo

Outra ferramenta desenvolvida é a Scientific Content Analysis (SCAN), que utiliza uma variedade de critérios para avaliar a veracidade de declarações. Diferentemente da CBCA e da RM, a SCAN não possui um conjunto padrão de critérios, o que pode levar a uma variabilidade nos resultados. No entanto, continua sendo uma técnica utilizada por alguns profissionais.

Limitações do SCAN

Apesar de ser uma ferramenta interessante, o SCAN apresenta várias limitações que merecem serem observadas:

  • Falta de Racional Teórico: O SCAN carece de uma base teórica sólida que justifique por que seus critérios devem diferenciar verdades de mentiras, ao contrário de outras técnicas como a CBCA e a RM que possuem fundamentos teóricos claros.
  • Variabilidade na Aplicação dos Critérios: Não existe uma lista definitiva dos critérios observados, resultando em uma aplicação inconsistente e resultados variáveis.
  • Escassez de Evidências Empíricas: A evidência empírica que suporta a eficácia do SCAN é limitada. Estudos experimentais não demonstraram sua eficácia de forma consistente.
  • Problemas com a Coleta de Declarações Escritas: A prática de obter declarações escritas detalhadas, sem a presença de um entrevistador, é incomum em contextos práticos, limitando a aplicabilidade do SCAN.
  • Viés Contextual: A interpretação dos critérios verbais pode ser influenciada pelo contexto da declaração, comprometendo a objetividade da análise.

Entrevistas Estratégicas: Melhorando a Detecção de Mentiras

Nos anos 2000, a abordagem de “entrevistas para detectar mentiras” ganhou destaque, desenvolvendo protocolos específicos de entrevista para aumentar ou eliciar pistas verbais de veracidade. Entre os protocolos mais pesquisados estão o Strategic Use of Evidence (SUE), o Verifiability Approach (VA), a Cognitive Credibility Assessment (CCA) e a Reality Interviewing (RI). Esses métodos são projetados para explorar as respostas dos entrevistados de maneira que suas mentiras se tornem mais evidentes através de contradições e detalhes inconsistentes.

O Futuro da Detecção Verbal de Mentiras

O estudo conclui que a detecção verbal de mentiras é uma área promissora, especialmente com o apoio de avanços em neurociência. A combinação de técnicas verbais com análises de atividades cerebrais, como a fMRI, pode fornecer um entendimento mais profundo e ferramentas mais precisas para a detecção de mentiras.

Conclusão

A detecção verbal de mentiras é uma ferramenta essencial na psicologia forense e nas investigações criminais. Com o contínuo desenvolvimento de técnicas e a integração de novas tecnologias, estamos cada vez mais próximos de desvendar as nuances da veracidade humana. Se você é um profissional da área ou simplesmente alguém fascinado pelo tema, manter-se atualizado com essas pesquisas pode fornecer insights valiosos e práticos.

Referência

VRIJ, Aldert; GRANHAG, Pär Anders; ASHKENAZI, Tzachi; GANIS, Giorgio; LEAL, Sharon; FISHER, Ronald P. Verbal lie detection: Its past, present and future. Brain Sciences, [S.l.], v. 12, n. 12, p. 1644, 2022. Disponível em: https://doi.org/10.3390/brainsci12121644. Acesso em: 20 jun. 2024.

Anderson Carvalho

Perito em Análise de Credibilidade, especialista em entrevista investigativa e análise de Microexpressões faciais. Coordenador da Pós Graduação em Perícia Forense em Análise de Credibilidade e Inteligência Investigativa. Professor de Entrevista Interrogatório Estratégico e Análise de Credibilidade na Pós-Graduação em Tribunal do Júri. Graduado em Perícia Forense e Investigação Criminal, Pós- Graduando em Boas Práticas de Entrevista Investigativa. Pós-graduando em Ciências Criminais. Professor de Entrevista Investigativa na Formação de Peritos em Análise de Credibilidade na Academia Internacional de Linguagem Corporal. Perito em Expressões Faciais FACS (Facial Action Coding System), METT e SETT pelo renomado Paul Ekman Group. Especialização em Codificação Científica pelo FM-G (Portugal) Coordenador do HEP - Hub de Excelência Pericial. Assistente técnico com dezenas de atuações na área criminal.

Leave A Reply

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *