У этого микроскопа был разделенный экран, который позволял Годдарду сравнивать рядом друг с другом пули или гильзы, металлические гильзы, выбрасываемые пистолетом после выстрела пули. Если маркировка на пулях или гильзах совпадала, это указывало на то, что они были выпущены из одного и того же оружия. Эксперты по огнестрельному оружию до сих пор используют тот же метод, но у него есть важное ограничение: после визуального сравнения двух пуль или гильз, эксперт может высказать свое мнение о том, совпадают ли они. Но они не могут выразить силу доказательств численно, как это может сделать эксперт по ДНК, давая показания о генетических доказательствах.
Теперь группа исследователей из Национального института стандартов и технологий (NIST) разработала статистический подход для баллистических сравнений, который может позволить получить числовые свидетельства. В то время как другие исследовательские группы также работают над этой проблемой, преимущества подхода NIST включают низкий уровень ошибок в начальных тестах и то, что его относительно легко объяснить жюри. Исследователи описали свой подход в Forensic Science International.При сравнении двух гильз, метод NIST дает числовую оценку, которая показывает, насколько они похожи.
Он также оценивает вероятность того, что случайные эффекты могут вызвать ложноположительное совпадение — концепция, аналогичная вероятностям совпадения для свидетельств ДНК.«Ни один научный метод не имеет нулевого коэффициента ошибок», — сказал Джон Сонг, инженер-механик NIST и ведущий автор исследования. «Наша цель — дать эксперту возможность оценить вероятность ошибки такого типа, чтобы присяжные могли принять это во внимание при вынесении решения о виновности или невиновности».Новый подход также стремится преобразовать идентификацию огнестрельного оружия из субъективного метода, который зависит от опыта и суждения экзаменатора, в метод, основанный на объективных измерениях. В отчете Национальной академии наук andmark за 2009 год и в отчете Совета советников президента по науке и технологиям за 2016 год содержится призыв к исследованиям, которые приведут к этой трансформации.
Теория судебной баллистикиКогда из ружья стреляют, и пуля попадает в ствол, она встречает выступы и канавки, которые заставляют ее вращаться, повышая точность выстрела. Эти гребни впиваются в мягкий металл пули, оставляя бороздки. В то же время, когда пуля взрывается вперед, гильза взрывается назад с равной силой против механизма, поглощающего отдачу, называемого затвором.
Это оставляет отпечаток затвора на мягком металле у основания гильзы, который затем выбрасывается из пистолета.Теория идентификации огнестрельного оружия состоит в том, что микроскопические полосы и отпечатки, оставленные на пулях и гильзах патронов, уникальны, воспроизводимы и, следовательно, подобны «баллистическим отпечаткам пальцев», которые можно использовать для идентификации оружия.
Если следователи обнаружат пули или гильзы с места преступления, судебно-медицинские эксперты могут произвести пробный выстрел из пистолета подозреваемого, чтобы увидеть, есть ли на нем баллистические отпечатки пальцев, соответствующие уликам.Но пули и гильзы, выпущенные из разных пистолетов, могут иметь схожую маркировку, особенно если пистолеты производились последовательно. Это повышает вероятность ложноположительного совпадения, что может иметь серьезные последствия для обвиняемого.Статистический подход
В 2013 году Сонг и его коллеги из NIST разработали алгоритм, который сравнивает трехмерное сканирование поверхности отпечатков лица на гильзах. Их метод, названный Congruent Matching Cells, или CMC, делит одну из отсканированных поверхностей на сетку ячеек, а затем ищет на другой поверхности совпадающие ячейки. Чем больше количество совпадающих ячеек, тем более похожи две поверхности и тем выше вероятность, что они были получены из одного пистолета.
В своем недавнем исследовании исследователи отсканировали 135 гильз, которые были выпущены из 21 различного 9-миллиметрового пистолета. Это произвело 433 совпадающих пары изображений и 4812 несовпадающих пар. Чтобы сделать испытание еще более трудным, большинство пистолетов производилось последовательно.
Алгоритм CMC правильно классифицировал все пары. Кроме того, почти все несовпадающие пары имели нулевые совпадающие ячейки, а в небольшом количестве — одна или две из-за случайных эффектов.
С другой стороны, все совпадающие пары имели не менее 18 совпадающих ячеек. Другими словами, совпадающие и несовпадающие пары попали в сильно разделенные распределения на основе количества совпадающих ячеек.«Это разделение указывает на то, что вероятность случайных эффектов, вызывающих ложноположительное совпадение при использовании метода CMC, очень мала», — сказал соавтор и физик Тед Ворбургер.Лучший способ свидетельствовать
Используя хорошо зарекомендовавшие себя статистические методы, авторы построили модель для оценки вероятности того, что случайные эффекты приведут к ложноположительному совпадению. Используя этот метод, эксперт по огнестрельному оружию сможет засвидетельствовать, насколько близко совпадают два патрона, основываясь на количестве совпадающих ячеек, а также вероятности случайного совпадения, подобно тому, как судебно-медицинские эксперты дают показания о ДНК.
Хотя это исследование не включало достаточного количества пробных тестов, чтобы рассчитать реалистичную частоту ошибок для реальных случаев, исследование продемонстрировало эту концепцию. «Следующим шагом будет масштабирование с использованием гораздо более крупных и разнообразных наборов данных», — сказал Йоханнес Сунс, инженер-механик NIST и соавтор исследования.С более разнообразными наборами данных исследователи смогут создавать отдельные модели для разных типов оружия и боеприпасов. Это позволило бы оценить частоту случайных совпадений для различных комбинаций, которые могут быть использованы в преступлении.Другие группы исследователей работают над способами численного выражения силы доказательств не только в отношении огнестрельного оружия, но также отпечатков пальцев и других типов типовых доказательств.
Многие из этих усилий используют машинное обучение и алгоритмы на основе искусственного интеллекта для сравнения закономерностей в доказательствах. Но бывает сложно объяснить, как работают алгоритмы машинного обучения.
«Метод CMC можно легко объяснить жюри», — сказал Сонг. «Это также дает очень низкий уровень ложноположительных ошибок».