תקציר

ב־30 בספטמבר 2026 ניסה טייס המשנה של טיסת flydubai FZ1073 (דובאי–תל אביב), המאם אל־המאמי (Hamam al-Hammami), להשתלט על המטוס לאחר שתקף את הקברניט, ולפי רשויות איחוד האמירויות תכנן לרסקו בנמל התעופה בן גוריון. המאמר בוחן את האירוע כמקרה בוחן לשאלה רחבה יותר: באיזו מידה טכנולוגיות מבוססות בינה מלאכותית (AI) ומודלי שפה גדולים (LLM) יכולות לתמוך במעבר מגישה ביטחונית המתמקדת באיתור אמצעים (נשק, חומרי נפץ) לגישה המתמקדת באיתור כוונה עוינת. נסקרות ארבע משפחות של יכולות – מודיעין מבוסס פרסום (ADINT) ללא חדירה למכשירים, תמיכה בזמן אמת במשא ומתן במצבי בני ערובה, פרופילאות ממוכנת בהיקף רחב, ומבחנים ללא מגע לאיתור כוונה עוינת בקרב צוותי אוויר. לצד הפוטנציאל המבצעי, נדונות המגבלות המדעיות (שיעורי בסיס נמוכים, תוקף מוגבל של שיטות לזיהוי הונאה, סיכון לתוצאות חיוביות שגויות) והמסגרת המשפטית־אתית, ובכלל זה האיסורים שבחוק הבינה המלאכותית של האיחוד האירופי. הטענה המרכזית היא שהלקח המבצעי של אירועי 11 בספטמבר – שכוונה זדונית, ולא אמצעי, היא משתנה הסיכון המכריע – טרם הוטמע במלואו במערך אבטחת התעופה, ושכלים מבוססי AI יכולים לצמצם פער זה, בכפוף לתיקוף אמפירי ולפיקוח משפטי הולם.

מילות מפתח: בינה מלאכותית; אבטחת תעופה; איום פנים; זיהוי כוונה עוינת; פרופילאות; מודיעין ממקורות פתוחים; פרטיות

1. מבוא

מאז כניסתם לשימוש רחב של מודלי שפה גדולים, היקף ההשפעה של הבינה המלאכותית על תחומי הביטחון והמודיעין טרם הוגדר במלואו. התפיסה של “מניעת פשע בטרם התרחש”, שהוצגה בתרבות הפופולרית בסרט “דוח מיוחד” [1], קיבלה ביטוי מעשי – גם אם מוגבל ושנוי במחלוקת – בשיטות של שיטור חזוי (Predictive Policing) [2]. ניתוח נתונים ממוכן משמש ארגוני מודיעין זה עשרות שנים; ואולם מנועי LLM ומערכות AI עכשוויות מרחיבים באופן מהותי את היקף המידע הניתן לעיבוד, את המהירות ואת רמת ההפשטה של ההסקה.

אירוע טיסת flydubai FZ1073 מספק דוגמה קיצונית ועדכנית לחשיבותה של יכולת זו. לפי הדיווחים, טייס המשנה תקף את הקברניט, סמית מאצ’האר (Smit Machchhar), בגרזן החירום שבתא הטייס וניסה להשתלט על המטוס; נוסעים ואנשי צוות פרצו לתא הטייס ושתלטו עליו, ושני טייסי מילואים שהיו על הסיפון הנחיתו את המטוס בשלום בתבוכ שבערב הסעודית [3]. התובע הכללי של איחוד האמירויות מסר כי הטייס תכנן לרסק את המטוס בנמל התעופה בן גוריון, הודה כי שאב השראה מפיגועי 11 בספטמבר, ובחר בקריירה בתעופה האזרחית מתוך כוונה לבצע פיגוע דומה [4]. לפי דיווחים נוספים, תכנן להמשיך בטיסה כרגיל, לקבל אישורי גישה לבן גוריון ולרסק את המטוס במבנה או במטוס אחר [5]. המאמר שואל אם, ובאיזו מידה, טכנולוגיות מבוססות AI היו יכולות לשבש תוכנית זו בשלב מוקדם.

2. מודיעין מבוסס פרסום (ADINT): מעקב וזיהוי יעדים ללא חדירה למכשירים

כלי ריגול שחודרים למחשבים ולטלפונים ניידים ושוהים בהם, ובראשם כלים של חברות סייבר התקפי, ספגו ביקורת ציבורית ומשפטית חריפה בעקבות חשיפת שימוש בהם נגד עיתונאים ופעילי זכויות אדם [6, 7]. בשנת 2021 אף הוסיף משרד המסחר האמריקני את NSO Group לרשימת הישויות המוגבלות [8]. על רקע זה גובר העניין של גופי מודיעין בכלי איסוף שאינם חודרים למכשיר ואינם מותירים בו עקבות, אך עדיין מאפשרים מעקב מסוים אחר יעדים מודיעיניים.

המענה המרכזי לצורך זה הוא מודיעין מבוסס פרסום (Advertising Intelligence – ADINT): שימוש בתשתיות הפרסום הדיגיטלי ובנתונים הנאספים ונסחרים בהן לצורכי מודיעין. במערך הפרסום המקוון, ובפרט במכרזים בזמן אמת (Real-Time Bidding), כל הצגת מודעה מלווה בשידור נתונים על המכשיר ועל המשתמש – מזהה הפרסום של המכשיר, מיקום גאוגרפי, כתובת IP, היישומון שבשימוש ומאפייני התנהגות – לגורמים רבים בשרשרת. נתונים אלה נאספים ונמכרים על ידי מתווכי מידע, וניתן לרכשם או לנתחם מבלי לגשת למכשיר עצמו. דוח שהוגש לראש הקהילה המודיעינית בארצות הברית קבע כי מידע זמין מסחרית מסוג זה (Commercially Available Information – CAI) מאפשר כיום, בהיקף ובפירוט חסרי תקדים, לזהות אנשים, לעקוב אחר תנועותיהם ולהסיק את מאפייניהם [9]. מחקר אקדמי שטבע את המונח ADINT הדגים כי גורם בעל תקציב צנוע יכול לנצל מערכות פרסום ממוקד כדי לאתר את מיקומו של אדם מסוים ולעקוב אחר השימוש שלו ביישומונים, מבלי שהדבר יותיר עקבות כלשהם במכשירו [10]. בניגוד לכלי חדירה, ADINT אינו מחייב ניצול חולשות, התקנת קוד או גישה פיזית, ולכן אינו חשוף לאיתור באמצעות בדיקה פורנזית של המכשיר.

לצד מעקב מיקום, נתוני הפרסום משמשים גם לאפיון פסיכולוגי. שורת מחקרים הראתה כי עקבות דיגיטליים – כגון סימוני “לייק” – מאפשרים חיזוי מדויק של תכונות אישיות ומאפיינים רגישים [11], לעיתים ברמת דיוק העולה על זו של שיפוט אנושי של מכרים [12], וכי מידע זה משמש בפועל להשפעה ממוקדת על התנהגות צרכנים [13]. מכאן שאותן יכולות המשמשות מפרסמים לאפיון קהלים ולמעקב אחריהם עשויות לשמש מדינות למעקב אחר יעדים מודיעיניים ולאיתור איומים פוטנציאליים – ובכלל זה לזיהוי סימנים מוקדמים של רדיקליזציה – אם כי השימוש בהן מעורר שאלות משפטיות כבדות משקל (ראו סעיף 7).

3. תמיכה במשא ומתן במצבי בני ערובה

ניהול משא ומתן במשברים ובמצבי בני ערובה נשען על מודלים מובנים של תקשורת, כגון מודל המדרגות להשפעה התנהגותית (BCSM) [14], ועל ניתוח הדינמיקה של השיחה לאורך זמן [15]. כלים מסחריים מבוססי AI מאפשרים כיום לתמוך בתהליך זה בזמן אמת, בין היתר באמצעות: תמלול ותרגום אוטומטי של הדיבור (Speech-to-Text), המגיע לרמות דיוק גבוהות גם בתנאי רעש ובשפות מרובות [16]; ניתוח פרופילאי של הצדדים; הערכת מצבו התפקודי של הדובר; ניטור רציף של מצב השיחה, כולל התרעה על הסלמה; והמלצות לשינוי אסטרטגי ולדרכי פעולה חלופיות. מחקר בתחום עיבוד השפה הטבעית הראה כי מערכות למידה יכולות ללמוד אסטרטגיות משא ומתן מתוך דיאלוגים [17]; ואולם יש לציין כי הספרות המחקרית על יעילותם של כלים כאלה מול מחבלים בפועל עדיין מצומצמת.

4. פרופילאות ממוכנת וזיהוי “זאב בודד”

מודלי שפה גדולים מאפשרים פרופילאות ממוכנת של אלפי ועשרות אלפי אנשים. מחקר עדכני הראה כי LLM מסוגל להסיק תכונות אישיות של משתמשי רשתות חברתיות מתוך הטקסטים שפרסמו, ללא אימון ייעודי, ברמת דיוק הדומה לזו של מודלי למידת מכונה ייעודיים [18]. מחקרים קודמים זיהו סמנים לשוניים הקשורים לאלימות רדיקלית ברשתות חברתיות [19], ומחקר על מפגעים בודדים (Lone Actors) הראה כי במקרים רבים קדמו לפיגוע התבטאויות והתנהגויות שניתן היה לזהות – לרבות הדלפה של כוונות לגורמים אחרים [20]. ממצאים אלה מספקים בסיס תיאורטי לניסיון לזהות “זאב בודד” פוטנציאלי בטרם יפעל, ולבנות “פרופיל סיכון גבוה” גם עבור תיירים או אנשים המתגוררים במדינות אחרות.

עם זאת, הערכת סיכון אינדיבידואלית לטרור מוגבלת מבחינה מתודולוגית בשל שיעור הבסיס הנמוך ביותר של התופעה, ההופך גם מסווגים מדויקים למדי למייצרים מספר רב של התרעות שווא [21]. סוגיית הפרטיות היא כמובן סוגיה מהותית; עם זאת, ניתן לטעון כי מי שמפרסם מידע על עצמו ברשתות חברתיות חושף אותו, ביודעין או שלא ביודעין, לא רק ללמידת מכונה של מפרסמים אלא גם לגופי מודיעין.

5. זיהוי כוונה לעומת זיהוי אמצעים

אחד הלקחים המרכזיים של פיגועי 11 בספטמבר הוא שנוסע בעל כוונות זדון אינו זקוק לאמצעי לחימה משמעותי – כגון נשק חם או מטען חבלה מאולתר (IED) – כדי לבצע פיגוע קטלני: המחבלים השתמשו בסכינים קטנים ובמטוסים עצמם [22]. למרות זאת, מרבית נמלי התעופה וחברות התעופה ממשיכים להתמקד בבדיקת הכבודה והנוסעים לאיתור אמצעים, ולא באיתור כוונה. אירוע FZ1073 ממחיש שוב לקח זה, ובמידה חריפה יותר: התוקף לא נזקק לכל אמצעי שהוברח, אלא השתמש בציוד החירום שבתא הטייס [3, 4].

יתרה מזו, האירוע ממחיש שאנשי צוות אוויר, ובמיוחד טייסים, עשויים להוות איום חמור לא פחות מנוסעים, ואולי אף חמור יותר, בשל גישתם הישירה לבקרת המטוס. סקירה של מקרי התאבדות והתאבדות־רצח באמצעות כלי טיס תיעדה עשרות מקרים בתעופה הכללית והמסחרית [23], ובהם אירועים מוכרים בתעופה המסחרית כגון התרסקות טיסת Germanwings 9525 בשנת 2015 [24] וטיסת EgyptAir 990 בשנת 1999 [25]. מטוסים אחדים אף נעלמו מבלי להותיר עקבות משמעותיים, כמו טיסת MH370, ואף שהועלו השערות בדבר מעורבות הטייס, סיבת האירוע טרם הוכרעה רשמית [26].

מעבר לאיסוף מודיעין על צוותי אוויר, קיימים מבחנים מבוססי AI לזיהוי כוונה זדונית בקרב אנשי צוות לפני טיסה. מערכות מוקדמות יותר לניתוח התנהגות ולזיהוי כוונה עוינת התבססו לרוב על חיישני מגע פסיכופיזיולוגיים, כגון מדידת מוליכות העור (Galvanic Skin Response – GSR) [27, 28]. בשנים האחרונות גובר העניין של לקוחות קצה של מערכות לאיתור איומי פנים (Insider Threat) [29] במבחנים ללא מגע, הנשענים על טכנולוגיות כגון פוטופלטיסמוגרפיה מרחוק (rPPG) [30] וקיוסקים אוטומטיים לתשאול המשלבים חיישנים התנהגותיים [31]. לפי ניסיון התעשייה, פורסמו בשנים האחרונות כמה בקשות למידע (RFI) בנושא זיהוי כוונה ללא מגע; ואולם החסם העיקרי אינו טכנולוגי, אלא נוגע לפרטיות ולחשש מתפיסת הבדיקה כפולשנית בעיני הציבור וארגוני העובדים בענף התעופה – גם כאשר היא נעשית ללא מגע. יש לציין כי לאחר אסון Germanwings הוטלה באיחוד האירופי חובה על מפעילים להנהיג תוכניות תמיכה עמיתים ובדיקות לאלכוהול ולסמים לצוותי אוויר [32], כך שהתחום אינו נעדר רגולציה, אך זו מתמקדת ברווחה נפשית ולא באיתור כוונה עוינת.

6. מקרה בוחן: כיצד ניתן היה לשבש את פיגוע FZ1073

להלן מודל רעיוני לשילוב יכולות AI שבאמצעותו ניתן לבחון אם ניתן היה למנוע את האירוע:

איסוף מודיעין ובניית פרופיל סיכון

• מעקב אחר אוכלוסיית הטייסים בעולם באמצעות ADINT – נתוני פרסום ומידע זמין מסחרית – ומידע פתוח, לרבות רשתות חברתיות [9, 10].
• בניית פרופיל אישיותי ופרופיל סיכון דינמי לכל איש צוות אוויר, כולל דירוג רמת סיכון ביחס לאיום הייחוס [11, 18].
• עדכון רציף של הפרופיל בזמן אמת.
• איתור סימנים להקצנה, ביקורים במדינות אויב או שיבוץ חריג בטיסות לישראל – כל זאת ללא חדירה למכשיר הנייד של איש הצוות.

זיהוי כוונה

• מבחן לאיתור כוונה עוינת לפני טיסה באמצעות אפליקציה לטלפון נייד. מבחן של כשלוש דקות מפיק רשימה של אנשי צוות המחייבים בדיקת רקע נוספת לפני אישורם לטיסה.

הסבירות שאל־המאמי היה מזוהה ברשת של מערכות כאלה נראית גבוהה. לפי דיווחים, נמצאו ברשתות החברתיות שלו תמונות בעלות תוכן טרוריסטי [33]; הרשויות בעומאן מנעו ממנו בעבר לטוס בשל חשש מדעות קיצוניות, והוא אף הורחק מהכשרת טיסה מסיבות דומות [3]; לפי התובע הכללי של האמירויות, נחשף לחומרים קיצוניים ברשת עוד משנת 2017, ואף ביצע שתי טיסות קודמות לתל אביב לצורך היכרות עם הנתיב ועם נמל התעופה [4]. ממצאים אלה מצביעים על כך שאותות אזהרה היו קיימים, אך לא הועברו או לא שולבו בתמונת סיכון אחודה – פער שמערכות AI נועדו בדיוק לסגור. מעבר לכך, עצם הידיעה כי טייסים ואנשי צוות מנוטרים על ידי מערכות כאלה עשויה להפחית את ההסתברות לתקיפות מסוג זה, בהתאם לספרות על הרתעה, המדגישה את השפעתה של ודאות הגילוי [34].

7. מגבלות ושיקולים אתיים ומשפטיים

הצגה מאוזנת של הנושא מחייבת להתייחס לכמה מגבלות. ראשית, התוקף המדעי של שיטות לזיהוי כוונה והונאה אינו מובן מאליו: דוח של משרד מבקר המדינה האמריקני (GAO) מצא כי תוכנית איתור ההתנהגות של ה־TSA לא הוכחה כיעילה והמליץ להגביל את מימונה [35]; המועצה הלאומית למחקר בארה”ב מצאה מגבלות מהותיות בתוקף הפוליגרף [27]; וסקירות מחקר הצביעו על כך שרמזים לא־מילוליים הם מנבאים חלשים של הונאה [36, 37]. לפיכך, כל מערכת מבוססת AI בתחום זה מחייבת תיקוף אמפירי בלתי תלוי, דיווח על שיעורי שגיאה ושילוב של שיקול דעת אנושי. שנית, כאמור, שיעור הבסיס הנמוך של איום זה משמעו שגם מערכת מדויקת תייצר מספר רב של תוצאות חיוביות שגויות [21], על ההשלכות התעסוקתיות והאישיות הנלוות להן.

שלישית, המסגרת המשפטית מגבילה חלק מהיכולות שתוארו. חוק הבינה המלאכותית של האיחוד האירופי אוסר, בכפוף לחריגים, שימוש במערכות לזיהוי רגשות במקום העבודה וכן הערכת סיכון לביצוע עבירה על ידי אדם המבוססת על פרופילאות בלבד [38]; ותקנת הגנת המידע הכללית (GDPR) מגבילה קבלת החלטות אוטומטית בלבד המשפיעה באופן מהותי על אדם [39]. משמעות הדבר היא שהפעלת כלים כאלה כלפי צוותי אוויר תחייב בסיס חוקי ייעודי, מנגנוני פיקוח והקפדה על כך שההחלטה הסופית תתקבל בידי אדם.

8. סיכום

אירוע FZ1073 מדגיש את הפער שבין תפיסת אבטחה המבוססת על איתור אמצעים לבין האיום בפועל, הנובע מכוונה. טכנולוגיות מבוססות AI – מודיעין מבוסס פרסום (ADINT), פרופילאות ממוכנת ומבחנים ללא מגע לאיתור כוונה עוינת – מציעות כלים לצמצום פער זה, ובפרט ביחס לאוכלוסיית צוותי האוויר, שזכתה עד כה לתשומת לב מועטה יחסית בהקשר זה. בה בעת, שאלת הפרטיות, עמדת ארגוני העובדים והמגבלות המשפטיות עלולות למנוע או לעכב את השימוש בכלים אלה, והתוקף המדעי שלהם מחייב הוכחה אמפירית. בכך מתחדד אחד המתחים המרכזיים של העידן הנוכחי: פרטיות ושליטה על המידע האישי מול ביטחון.

מקורות

[1]     Spielberg, S. (Director). (2002). Minority Report [Film]. 20th Century Fox; DreamWorks Pictures. (Based on P. K. Dick, “The Minority Report,” 1956.)

[2]     Perry, W. L., McInnis, B., Price, C. C., Smith, S. C., & Hollywood, J. S. (2013). Predictive policing: The role of crime forecasting in law enforcement operations (RR-233). RAND Corporation.

[3]     Al Jazeera. (2026, October 3). Who is the mystery co-pilot behind the Flydubai attack? https://www.aljazeera.com/news/2026/10/3/who-is-the-mystery-co-pilot-behind-the-flydubai-attack

[4]     Israel National News. (2026, October 9). UAE: Flydubai co-pilot planned 9/11-style attack on Ben Gurion Airport. https://www.israelnationalnews.com/news/434369

[5]     Fox News. (2026, October 5). FlyDubai co-pilot allegedly planned to crash Israel-bound jet at Ben Gurion Airport. https://www.foxnews.com/world/flydubai-copilot-allegedly-planned-crash-israel-bound-jet-ben-gurion-airport

[6]     Marczak, B., Scott-Railton, J., McKune, S., Abdul Razzak, B., & Deibert, R. (2018). Hide and seek: Tracking NSO Group’s Pegasus spyware to operations in 45 countries (Citizen Lab Research Report No. 113). University of Toronto.

[7]     Amnesty International. (2021). Forensic methodology report: How to catch NSO Group’s Pegasus (DOC 10/4487/2021).

[8]     U.S. Department of Commerce, Bureau of Industry and Security. (2021, November 3). Addition of certain entities to the Entity List. Federal Register, 86, 60759.

[9]     Office of the Director of National Intelligence. (2022). Senior Advisory Group panel on commercially available information: Report to the Director of National Intelligence (declassified June 2023).

[10]    Vines, P., Roesner, F., & Kohno, T. (2017). Exploring ADINT: Using ad targeting for surveillance on a budget — or — how Alice can buy ads to track Bob. Proceedings of the 2017 Workshop on Privacy in the Electronic Society (WPES ’17), 153–164.

[11]    Kosinski, M., Stillwell, D., & Graepel, T. (2013). Private traits and attributes are predictable from digital records of human behavior. Proceedings of the National Academy of Sciences, 110(15), 5802–5805.

[12]    Youyou, W., Kosinski, M., & Stillwell, D. (2015). Computer-based personality judgments are more accurate than those made by humans. Proceedings of the National Academy of Sciences, 112(4), 1036–1040.

[13]    Matz, S. C., Kosinski, M., Nave, G., & Stillwell, D. J. (2017). Psychological targeting as an effective approach to digital mass persuasion. Proceedings of the National Academy of Sciences, 114(48), 12714–12719.

[14]    Vecchi, G. M., Van Hasselt, V. B., & Romano, S. J. (2005). Crisis (hostage) negotiation: Current strategies and issues in high-risk conflict resolution. Aggression and Violent Behavior, 10(5), 533–551.

[15]    Taylor, P. J. (2002). A cylindrical model of communication behavior in crisis negotiations. Human Communication Research, 28(1), 7–48.

[16]    Radford, A., Kim, J. W., Xu, T., Brockman, G., McLeavey, C., & Sutskever, I. (2023). Robust speech recognition via large-scale weak supervision. Proceedings of the 40th International Conference on Machine Learning (ICML), PMLR 202, 28492–28518.

[17]    Lewis, M., Yarats, D., Dauphin, Y. N., Parikh, D., & Batra, D. (2017). Deal or no deal? End-to-end learning for negotiation dialogues. Proceedings of EMNLP 2017, 2443–2453.

[18]    Peters, H., & Matz, S. C. (2024). Large language models can infer psychological dispositions of social media users. PNAS Nexus, 3(6), pgae231.

[19]    Cohen, K., Johansson, F., Kaati, L., & Mork, J. C. (2014). Detecting linguistic markers for radical violence in social media. Terrorism and Political Violence, 26(1), 246–256.

[20]    Gill, P., Horgan, J., & Deckert, P. (2014). Bombing alone: Tracing the motivations and antecedent behaviors of lone-actor terrorists. Journal of Forensic Sciences, 59(2), 425–435.

[21]    Monahan, J. (2012). The individual risk assessment of terrorism. Psychology, Public Policy, and Law, 18(2), 167–205.

[22]    National Commission on Terrorist Attacks upon the United States. (2004). The 9/11 Commission report. W. W. Norton.

[23]    Kenedi, C., Friedman, S. H., Watson, D., & Preitner, C. (2016). Suicide and murder-suicide involving aircraft. Aerospace Medicine and Human Performance, 87(4), 388–396.

[24]    Bureau d’Enquêtes et d’Analyses (BEA). (2016). Final report: Accident on 24 March 2015 at Prads-Haute-Bléone, Airbus A320-211, D-AIPX, operated by Germanwings.

[25]    National Transportation Safety Board. (2002). Aircraft accident brief: EgyptAir Flight 990, Boeing 767-366ER, SU-GAP (NTSB/AAB-02/01).

[26]    Australian Transport Safety Bureau. (2017). The operational search for MH370 (AE-2014-054).

[27]    National Research Council. (2003). The polygraph and lie detection. The National Academies Press.

[28]    Boucsein, W. (2012). Electrodermal activity (2nd ed.). Springer.

[29]    Cappelli, D. M., Moore, A. P., & Trzeciak, R. F. (2012). The CERT guide to insider threats. Addison-Wesley.

[30]    Verkruysse, W., Svaasand, L. O., & Nelson, J. S. (2008). Remote plethysmographic imaging using ambient light. Optics Express, 16(26), 21434–21445.

[31]    Nunamaker, J. F., Jr., Derrick, D. C., Elkins, A. C., Burgoon, J. K., & Patton, M. W. (2011). Embodied conversational agent-based kiosk for automated interviewing. Journal of Management Information Systems, 28(1), 17–48.

[32]    European Union. (2018). Commission Regulation (EU) 2018/1042 of 23 July 2018 amending Regulation (EU) No 965/2012 (support programmes, psychological assessment of flight crew, and testing for psychoactive substances). Official Journal of the European Union, L 188.

[33]    CNN. (2026, October 2). Terrorist images found on Flydubai suspect’s social media. https://www.cnn.com/2026/10/02/world/flydubai-attacker-pilot-intl

[34]    Nagin, D. S. (2013). Deterrence in the twenty-first century. Crime and Justice, 42(1), 199–263.

[35]    U.S. Government Accountability Office. (2013). Aviation security: TSA should limit future funding for behavior detection activities (GAO-14-159).

[36]    Vrij, A., Granhag, P. A., & Porter, S. (2010). Pitfalls and opportunities in nonverbal and verbal lie detection. Psychological Science in the Public Interest, 11(3), 89–121.

[37]    Denault, V., Plusquellec, P., Jupe, L. M., St-Yves, M., Dunbar, N. E., Hartwig, M., et al. (2020). The analysis of nonverbal communication: The dangers of pseudoscience in security and justice contexts. Anuario de Psicología Jurídica, 30, 1–12.

[38]    European Union. (2024). Regulation (EU) 2024/1689 (Artificial Intelligence Act), Article 5(1)(d) and 5(1)(f). Official Journal of the European Union, L series.

[39]    European Union. (2016). Regulation (EU) 2016/679 (General Data Protection Regulation), Article 22. Official Journal of the European Union, L 119.