slides

Commentaren

Transcriptie

slides
Het vaststellen van
feiten in strafzaken:
een forensisch
perspectief
Marjan Sjerps
18 maart 2015
-NFI
-KdVI en CLHC, UvA
VOORBEELDEN BAYES
NETS IN FORENSIC
SCIENCE
2
Bayesiaanse netwerken
-demo munt
3
Expert system
- DNA relatedness analysis
- DNA mixtures
4
Demo: missing person
In een bos wordt een onbekende dode man aangetroffen. Men
vermoedt dat deze man misschien de zoon is van John. Het
genotype van John en van de onbekende dode wordt bepaald.
• John = A1/A2
• de onbekende dode = A1/A1
Frequenties:
• A1=10%, A2=20%, Ax=70%
Het handige van Bayesiaanse netwerken is dat je makkelijk
ingewikkelde stambomen kunt maken en doorrekenen (niet
met demo versie!)
Ook kun je makkelijk complicerende factoren aanbrengen.
Bijvoorbeeld mutatie, allerlei soorten fouten, onzekerheid over
vaderschap etc.
Interessante toepassingen: verwantschapsanalyse (NFI-SNN
Bonaparte programma), mengsels, LCN…..
General model: Template / idiom
-Transfer evidence
6
Probabilistic reasoning specific evidence type
-Cross-transfer paint and glass
7
Probabilistic reasoning specific evidence type
-DNA on tape (Wieten/de Zoete et al submitted)
Probabilistic reasoning specific case
- taped victim (imaginary case)
(ON)MOGELIJKHEDEN
VAN BAYES NETS IN
FORENSIC SCIENCE
10
Use of Bayesian networks in forensic science
Different types of use:
• Expert system (e.g. Bonaparte; DNA mixture decomposition
Cowell et al.)
• General model: template / idiom (e.g. transfer evidence)
• Simulation (e.g. education: CSI The Hague project)
• Probabilistic reasoning in a specific case
• Decision analysis (e.g. RTI)
• Pre-assessment: e.g. Value of Information analysis, decision
analysis
Different levels of combining evidence:
• Large scale: IDFO
• Small scale: e.g. overlapping DNA profiles on one object
Advantages
•
•
•
•
•
•
Facilitates problem structuring
Enables complex probability calculus
Makes logic of probabilistic reasoning explicit
Makes assumptions and definitions explicit
Makes explicit what info is missing (R&D)
Enables sensitivity analysis:
– Identifying main factors (nodes en parameters)
– Robustness
– Identifying conflicting observations
• Enables subjective assessment of LR in complex situations
• Pinpoints differences between experts
Disadvantages
• Needs explaining and ‘life’ demo
• Needs many assumptions and estimates (hidden in model,
definitions, tables)
• May suggest exactness that isn’t there
• Sensitive to small differences in definitions of nodes/states
• Very elaborative!
Introduction in casework: challenges
1. Time!
2. Validation?
3. Model construction, obtaining parameters: expert elicitation;
combining expert opinions (weighting experts?)
4. Documentation
5. Obtaining casework:
– lawyers and experts do not want their case to be the guinea-pig
– lawyers and experts have an interest in a lack of transparency
– time constraints
6. Presenting results/communication
7. Doubt: will this ever work in practice?
VOORBEELD BAYES NETS
IN STRAFRECHT:
SCHAKELBEWIJS
15
Schakelbewijs
1. Is het concept volgens de kansrekening logisch?
2. Is het nodig om serieel zaken te beschouwen?
3. Is een overeenkomende MO een noodzakelijke voorwaarde om de
redenatie toe te kunnen passen?
4. Is er een anker/locomotief nodig?
Juristen, althans een deel, zeggen op alle vragen ja.
Hoe kijken kansrekenaars / forensisch statistici daar tegenaan?
16
Expertise en Recht 2014 (5): 153-167
Science & Justice 2014
Twee zaken – los(demo)
19
Zaak 1: anker
20
Twee zaken: geschakeld (zelfde MO)
21
Matches nog onbekend (prior setting)
22
DNA match zaak 1 is bewijs in zaak 2
23
Geschakeld met anker: wellicht veroordeling 2x
24
Conclusie 1: schakelen is logisch
1. Is het logisch dat bewijsmateriaal in zaak 1 gebruikt wordt in zaak 2?
Antwoord: ja!
• Als er bewijsmateriaal is dat de zaken linkt (bijv zelfde specifieke
MO), dan verandert bewijsmateriaal in de ene zaak de kansen in de
andere zaken
25
Schakelen is logisch: gevolg
Bij gelinkte zaken verandert bewijsmateriaal in de ene zaak de kansen in
de andere zaken
Dit geldt voor zowel belastend als ontlastend bewijsmateriaal :
• Belastend bewijsmateriaal in de ene zaak is ook belastend in de
andere zaken
• Ontlastend bewijsmateriaal in de ene zaak is ook ontlastend in de
andere zaken
Dus: het is misleidend als ovj alleen ‘sterke’ zaken ten laste legt en
‘zwakke’ gelinkte zaken met ontlastend bewijs terzijde legt
26
Conclusie 2: serieel schakelen is onwenselijk
2. Is het nodig om serieel zaken te beschouwen?
Antwoord: nee, dat is zelfs onwenselijk. De schakelconstructie is één
geheel.
• Stel bijvoorbeeld drie zaken, sterke link, zaken 1 en 2 sterk
belastend bewijs en zaak 3 sterk ontlastend bewijs
• Serieel schakelen kan leiden tot onwenselijk volgorde-verschil:
–Volgorde 1,2,3: veroordeling in zaak 2
–Volgorde 3,2,1: vrijspraak in zaak 2
27
Conclusie 3: zelfde MO geen voorwaarde
3. Is een overeenkomende MO een noodzakelijke voorwaarde om de
redenatie toe te kunnen passen?
Antwoord: nee
• De constructie werkt even goed bij ander type ‘links’, bijvoorbeeld
matchende schoensporen in alle zaken
• De constructie werkt zelfs met verschillende typen ‘links’ tussen
de zaken, bijvoorbeeld matchende schoensporen in zaak 1 en 2,
en matchende vezelsporen tussen zaak 2 en 3.
28
Beide matchkansen 1 op 10 duizend: geen
anker
29
Beide matchkansen 1 op 10 duizend
Geschakeld zonder anker: bewijs even sterk
30
Conclusie 4: anker niet noodzakelijk
4. Is er een anker/locomotief nodig?
Antwoord: nee!
• het bewijs voor twee feiten zonder anker kan net zo sterk zijn als
het bewijs voor twee vergelijkbare feiten met een anker.
• Een anker is dus niet noodzakelijk (wat de kansrekening betreft)
• Is een anker noodzakelijk om ethische redenen?
31
CONCLUSIE
32
Conclusie
• Interpretatie van bewijs vereist waarschijnlijkheidsredenatie
Schakelbewijs
(deel van)
Juristen
kansrekenaars
Logisch?
Ja
Ja
Serieel?
Ja
Nee, onwenselijk
Zelfde MO vereiste?
Ja
nee
Anker vereiste?
Ja
nee
• Discussie over schakelbewijs noodzakelijk
33
Conclusie
• Bayesiaanse netwerken zijn heel nuttig voor zowel forensisch
wetenschappers als strafrechtjuristen
• Er zijn verschillende manieren van gebruik
• Maker van een Bayes net moet kennis van kansrekening hebben
• Gebruiker alleen basiskennis
• Er zijn verschillende niveaus van detaillering
• Vooral nuttig om een bepaald deel van het bewijs te bestuderen
• Niet nuttig om complete zaak te modelleren
34