Hvor godt match er det? Lægger statistik ind i retsmedicinsk skydevåbenidentifikation

Den 14. februar, 1929, Bevæbnede mænd, der arbejder for Al Capone, forklædte sig som politibetjente, kom ind på lageret hos en konkurrerende bande, og skød syv af deres rivaler ihjel. St. Valentinsdag-massakren er berømt ikke kun i annaler af ganglandhistorien, men også retsvidenskabens historie. Capone nægtede involvering, men en tidlig retsmediciner ved navn Calvin Goddard knyttede kugler fra gerningsstedet til Tommy-våben fundet hjemme hos en af ​​Capones mænd. Selvom sagen aldrig nåede til retssag - og Capones involvering aldrig blev bevist i en domstol - introducerede mediernes dækning millioner af læsere til Goddard og hans mærkeligt udseende mikroskop.

Det mikroskop havde en delt skærm, der gjorde det muligt for Goddard at sammenligne kugler eller patronhylstre, metalhylstrene en pistol skyder ud efter at have affyret en kugle, side om side. Hvis markeringerne på kuglerne eller sagerne matchede, det tydede på, at de blev affyret fra den samme pistol. Våbenundersøgere bruger stadig den samme metode i dag, men det har en vigtig begrænsning:Efter visuel sammenligning af to kugler eller patronhylstre, eksaminator kan give en ekspertudtalelse om, hvorvidt de stemmer overens. Men de kan ikke udtrykke styrken af ​​beviserne numerisk, sådan som en DNA-ekspert kan, når han vidner om genetiske beviser.

Nu, et team af forskere ved National Institute of Standards and Technology (NIST) har udviklet en statistisk tilgang til ballistiske sammenligninger, der kan muliggøre numeriske vidnesbyrd. Mens andre forskergrupper også arbejder med dette problem, fordelene ved NIST-tilgangen inkluderer en lav fejlrate i indledende test, og at det er relativt nemt at forklare en jury. Forskerne beskrev deres tilgang i Forensic Science International .

Når man sammenligner to patronhylstre, NIST-metoden producerer en numerisk score, der beskriver, hvor ens de er. Det estimerer også sandsynligheden for, at tilfældige effekter kan forårsage et falsk positivt match - et koncept svarende til matchsandsynligheder for DNA-bevis.

"Ingen videnskabelig metode har en fejlrate på nul, " sagde John Song, en NIST maskiningeniør og hovedforfatter af undersøgelsen. "Vores mål er at give eksaminatoren en måde at estimere sandsynligheden for denne type fejl, så juryen kan tage det i betragtning, når de skal afgøre skyld eller uskyld."

Den nye tilgang søger også at transformere skydevåbenidentifikation fra en subjektiv metode, der afhænger af en eksaminators erfaring og dømmekraft, til en, der er baseret på objektive målinger. En skelsættende rapport fra 2009 fra National Academy of Sciences og en rapport fra 2016 fra præsidentens råd af rådgivere om videnskab og teknologi opfordrede begge til forskning, der ville medføre denne transformation.

Teorien bag retsmedicinsk ballistik

Når en pistol affyres, og kuglen brager ned i løbet, den støder på kamme og riller, der får den til at snurre, øger skuddets nøjagtighed. Disse kamme graver sig ind i kuglens bløde metal, efterlader striber. Samtidig med at kuglen eksploderer fremad, patronhuset eksploderer bagud med samme kraft mod mekanismen, der absorberer rekylen, kaldte sædets ansigt. Dette stempler et aftryk af bundstykket i det bløde metal i bunden af ​​patronhylsteret, som derefter kastes ud af pistolen.

Teorien bag skydevåbenidentifikation er, at mikroskopiske striber og aftryk efterladt på kugler og patronhylstre er unikke, reproducerbar, og derfor, som "ballistiske fingeraftryk", der kan bruges til at identificere en pistol. Hvis efterforskere finder kugler eller patronhylstre fra et gerningssted, retsmedicinere kan affyre en mistænkts pistol for at se, om den producerer ballistiske fingeraftryk, der matcher beviserne.

Men kugler og patronhylstre, der affyres fra forskellige våben, kan have lignende markeringer, især hvis kanonerne blev fremstillet fortløbende. Dette øger muligheden for et falsk positivt match, hvilket kan få alvorlige konsekvenser for den sigtede.

En statistisk tilgang

I 2013 Song og hans NIST-kollegaer udviklede en algoritme, der sammenligner tredimensionelle overfladescanninger af sideaftryk på patronhylstre. Deres metode, kaldet kongruente matchende celler, eller CMC, opdeler en af ​​de scannede overflader i et gitter af celler, søger derefter på den anden overflade for matchende celler. Jo større antallet af matchende celler, jo mere ens de to overflader, og jo mere sandsynligt er det, at de kommer fra den samme pistol.

I deres nylige undersøgelse, forskerne scannede 135 patronhylstre, der blev affyret fra 21 forskellige 9-millimeter pistoler. Dette gav 433 matchende billedpar og 4, 812 ikke-matchende par. For at gøre testen endnu sværere, de fleste af pistolerne blev fremstillet fortløbende.

The CMC algorithm classified all the pairs correctly. Desuden, almost all the non-matching pairs had zero matching cells, with a handful having one or two due to random effects. All the matching pairs, på den anden side, had at least 18 matching cells. Med andre ord, the matching and non-matching pairs fell into highly separated distributions based on the number of matching cells.

"That separation indicates that the probability of random effects causing a false positive match using the CMC method is very low, " said co-author and physicist Ted Vorburger.

A Better Way to Testify

Using well-established statistical methods, the authors built a model for estimating the likelihood that random effects would cause a false positive match. Ved at bruge denne metode, a firearms expert would be able to testify about how closely the two cartridges match based on the number of matching cells, and also the probability of a random match, similar to the way forensic experts testify about DNA.

Although this study did not include enough test-fires to calculate realistic error rates for actual casework, the study has demonstrated the concept. "The next step is to scale up with much larger and more diverse datasets, " said Johannes Soons, a NIST mechanical engineer and co-author of the study.

With more diverse datasets, researchers will be able to create separate models for different types of guns and ammunition. That would make it possible to estimate random match rates for the various combinations that might be used in a crime.

Other groups of researchers are working on ways to express the strength of evidence numerically, not only for firearms but also fingerprints and other types of pattern evidence. Many of those efforts use machine learning and artificial intelligence-based algorithms to compare patterns in the evidence. But it can be difficult to explain how machine-learning algorithms work.

"The CMC method can be easily explained to a jury, " Song said. "It also appears to produce very low false positive error rates."