Het vaststellen van feiten in strafzaken: een forensisch perspectief. Marjan Sjerps 18 maart NFI -KdVI en CLHC, UvA

Transcriptie

1 Het vaststellen van feiten in strafzaken: een forensisch perspectief Marjan Sjerps 18 maart NFI -KdVI en CLHC, UvA

2 VOORBEELDEN BAYES NETS IN FORENSIC SCIENCE 2

3 Bayesiaanse netwerken -demo munt 3

4 Expert system - DNA relatedness analysis - DNA mixtures 4

5 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..

6 General model: Template / idiom -Transfer evidence 6

7 Probabilistic reasoning specific evidence type -Cross-transfer paint and glass 7

8 Probabilistic reasoning specific evidence type -DNA on tape (Wieten/de Zoete et al submitted)

9 Probabilistic reasoning specific case - taped victim (imaginary case)

10 (ON)MOGELIJKHEDEN VAN BAYES NETS IN FORENSIC SCIENCE 10

11 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

12 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

13 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!

14 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?

15 VOORBEELD BAYES NETS IN STRAFRECHT: SCHAKELBEWIJS 15

16 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

17 Expertise en Recht 2014 (5):

18 Science & Justice 2014

19 Twee zaken los(demo) 19

20 Zaak 1: anker 20

21 Twee zaken: geschakeld (zelfde MO) 21

22 Matches nog onbekend (prior setting) 22

23 DNA match zaak 1 is bewijs in zaak 2 23

24 Geschakeld met anker: wellicht veroordeling 2x 24

25 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

26 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

27 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

28 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

29 Beide matchkansen 1 op 10 duizend: geen anker 29

30 Beide matchkansen 1 op 10 duizend Geschakeld zonder anker: bewijs even sterk 30

31 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

32 32 CONCLUSIE

33 Conclusie Interpretatie van bewijs vereist waarschijnlijkheidsredenatie Schakelbewijs (deel van) Juristen Logisch? Ja Ja Discussie over schakelbewijs noodzakelijk kansrekenaars Serieel? Ja Nee, onwenselijk Zelfde MO vereiste? Ja nee Anker vereiste? Ja nee 33

34 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