DNA Profile. DNA profielen. DNA profielen. DNA profielen. DNA profielen

Transcriptie

1 Succesvol Onderscheidend vermogen Wetenschappelijke grondslag Precieze statistische informatie (Random Match Probability) DNA Profile Locus Alleles times allele observed Allele frequency from database Genotype frequency for locus size of database Frequency formula number Stel we vinden een tussen het DNA van de CSF1PO TPOX THO1 vwa p= pq q= p= 0.53 p p= pq q= p= 0.21 p profile frequency= Ongeveer 1 op 7000 Wat is de kans dat de verdachte de is van het Random Match Probability Charles H. Brenner Stel we vinden een tussen het DNA van de Wat is de kans dat de verdachte de is van het 6999 op 7000 Stel we vinden een tussen het DNA van de Wat is de kans dat de verdachte de is van het 6999 op 7000 (prosecutor s fallacy) 1

2 Het normale geval: Er is een en dat is de anderen Het abnormale geval: Er is een en dat is toeval. Voor de : De verdachte is één van de blokjes Prior odds verdachte is de : 7000 anderen 1:7000 Na de : De verdachte is één van de groene blokjes Posterior odds ende verdachte is de : 1:1 Maar: Met hoeveel blokjes begin je!? 2

3 Stel we vinden een tussen het DNA van de Wat is de kans dat de verdachte de is van het 6999 op 7000 (prosecutor s fallacy) Het DNA effect Door het succes en de aard van krijgt de volgende gedachte voet aan de grond: Bewijs is pas dan waardevol als er wetenschappelijk onderbouwde kansschattingen bij beschikbaar zijn. (Vrij naar het CSI effect; Uitdaging: Vinden van een werkbaar gedeeld normatief raamwerk 3

4 Drie normatieve raamwerken Drie normatieve raamwerken Houd je aan de calculus, draai een conditionele kans niet zomaar om, vergeet de a priori kansen niet Zoek alle argumenten, zowel voor als tegen, schat de (relatieve) kracht van argumenten in, pas op voor drogredenen Zoek alternatieve scenarios, schat plausibiliteit in, stel vast welk bewijs wordt verklaard of tegengesproken Drie normatieve raamwerken Floris Bex Designing and Understanding Forensic Bayesian Networks with Arguments and Sjoerd Timmer (Utrecht) Charlotte Vlek (Groningen) Bayesiaanse netwerken Bayesiaanse netwerken Sterke punten Mogelijkheid om zowel kwalitatieve als kwantitatieve informatie te modelleren Mogelijkheid om veel informatie te modelleren (bijv. een hele zaak) Beheersing computationele complexiteit door gebruik te maken van onafhankelijkheden 95% 0% 0.5% 5% 100% 99.5% 4

5 Bayesiaanse netwerken Een Bayesiaans netwerk Sterke punten Mogelijkheid om zowel kwalitatieve als kwantitatieve informatie te modelleren Mogelijkheid om veel informatie te modelleren (bijv. een hele zaak) Beheersing computationele complexiteit door gebruik te maken van onafhankelijkheden Uitdagingen Bouwen van een netwerk (structuur en getallen) Interpreteren van een netwerk 'Use cases': Wanneer en voor wie is het gebruik van BNs zinvol? 100% ~0.025% 0% ~99.975% 0.475% % How can hypothetical scenarios and the evidence about them be modeled in a Bayesian Network? Vlek, C., Prakken, H., Renooij, S., & Verheij, B. (2014). Building Bayesian Networks for Legal Evidence with Narratives: a Case Study Evaluation. Artificial Intelligence and Law 22 (4),

6 How can arguments be extracted from a Bayesian Network? Timmer, Sjoerd, Meyer, John-Jules, Prakken, Henry, Renooij, Silja & Verheij, Bart (2014). Extracting Legal Arguments from Forensic Bayesian Networks. Proceedings JURIX Stellingen (i) Bayesiaanse netwerken zijn een nuttig forensisch hulpmiddel voor forensisch onderzoekers. Bayesiaanse netwerken zijn een nuttig hulpmiddel bij het vaststellen van de feiten in de rechtzaal. Alle informatie over een strafzaak zowel kwalitatieve als kwantitatieve kan als een Bayesiaans netwerk worden gemodelleerd. De betekenis van een Bayesiaans netwerk over een strafzaak is begrijpelijk. Het gebruik van Bayesiaanse netwerken kan redeneer- en communicatiefouten helpen voorkomen. Een Bayesiaans netwerk is nuttig bij het rekenen met kansen, maar het gaat om het nemen van een beslissing. 6

7 Stellingen (ii) Drie normatieve raamwerken Forensisch onderzoekers en juristen hebben verschillende expertisegebieden met gescheiden verantwoordelijkheden. Veel rechterlijke dwalingen over de feiten zijn het gevolg van onkundig toepassen van wetenschappelijke informatie Veilig redeneren met bewijs = Je houden aan de wetten van de kansrekening Veilig redeneren met bewijs = Goed argumenteren Veilig redeneren met bewijs = zoeken en toetsen Als de feiten duidelijk zijn, is een kwantitatieve aanpak niet nodig. Als de feiten niet duidelijk zijn, helpt een kwantitatieve aanpak niet. Publicaties Forthcoming: 2x ICAIL 2015 (San Diego), ECSQARU 2015 (Compiegne), Law, Probability & Risk 2015 Vlek, C., Prakken, H., Renooij, S., & Verheij, B. (2014). Building Bayesian Networks for Legal Evidence with Narratives: a Case Study Evaluation. Artificial Intelligence and Law 22 (4), Timmer, S., Meyer, J.J., Prakken, H., Renooij, S., & Verheij, B. (2014). Extracting Legal Arguments from Forensic Bayesian Networks. Legal Knowledge and Information Systems. JURIX 2014: The Twenty- Seventh Annual Conference (ed. Hoekstra, R.), Amsterdam: IOS Press. Timmer, S., Meyer, J.J., Prakken, H., Renooij, S., & Verheij, B. (2014). A Tool for the Generation of Arguments from Bayesian Networks. Computational Models of Argument. Proceedings of COMMA 2014 (eds. Parsons, S., Oren, N., Reed, C., & Cerutti, F.), Amsterdam: IOS Press. Vlek, C., Prakken, H., Renooij, S., & Verheij, B. (2014). Extracting from a Bayesian Network as Explanations for Legal Evidence. Legal Knowledge and Information Systems. JURIX 2014: The Twenty-Seventh Annual Conference (ed. Hoekstra, R.), Amsterdam: IOS Press. Vlek, C., Prakken, H., Renooij, S., & Verheij, B. (2013). Unfolding Crime with Variations: A Method for Building a Bayesian Network for Legal Narratives. Legal Knowledge and Information Systems. JURIX 2013: The Twenty-Sixth Annual Conference (ed. Ashley, K.D.), Amsterdam: IOS Press. Vlek, C., Prakken, H., Renooij, S., & Verheij, B. (2013). Modeling Crime in a Bayesian Network. The 14th International Conference on Artificial Intelligence and Law (ICAIL 2013). Proceedings of the Conference, New York (New York): ACM. Timmer, S., Meyer, J.J., Prakken, H., Renooij, S., & Verheij, B. (2013). Inference and Attack in Bayesian Networks. 25th Benelux Conference on Artificial Intelligence (BNAIC 2013) (eds. Hindriks, K., De Weerdt, M., Van Riemsdijk, B., & Warnier, M.), Delft: Delft University. Designing and Understanding Forensic Bayesian Networks with Arguments and 7