Op 14 februari, 1929, gewapende mannen die voor Al Capone werkten, vermomden zich als politieagenten, ging het magazijn van een concurrerende bende binnen, en schoten zeven van hun rivalen dood. Het bloedbad op Sint-Valentijnsdag is niet alleen beroemd in de annalen van de ganglandgeschiedenis, maar ook de geschiedenis van de forensische wetenschap. Capone ontkende betrokkenheid, maar een vroege forensisch wetenschapper genaamd Calvin Goddard koppelde kogels van de plaats delict aan Tommy-wapens die in het huis van een van Capone's mannen waren gevonden. Hoewel de zaak nooit voor de rechter kwam - en Capone's betrokkenheid nooit werd bewezen in een rechtbank - lieten de media miljoenen lezers kennismaken met Goddard en zijn vreemd uitziende microscoop.

Die microscoop had een gesplitst scherm waardoor Goddard kogels of patroonhulzen kon vergelijken, de metalen behuizingen die een pistool uitwerpt na het afvuren van een kogel, zij aan zij. Als de markeringen op de kogels of hulzen overeenkwamen, waaruit bleek dat ze met hetzelfde pistool waren afgevuurd. Vuurwapenexaminatoren gebruiken vandaag nog steeds dezelfde methode, maar het heeft een belangrijke beperking:na een visuele vergelijking van twee kogels of patroonhulzen, de examinator kan een deskundig oordeel geven of deze overeenkomen. Maar ze kunnen de kracht van het bewijs niet numeriek uitdrukken, zoals een DNA-expert dat kan bij het getuigen over genetisch bewijs.

Nutsvoorzieningen, een team van onderzoekers van het National Institute of Standards and Technology (NIST) heeft een statistische benadering ontwikkeld voor ballistische vergelijkingen die numerieke getuigenissen mogelijk maken. Terwijl andere onderzoeksgroepen ook aan dit probleem werken, de voordelen van de NIST-aanpak zijn onder meer een laag foutenpercentage bij initiële tests en dat het relatief eenvoudig uit te leggen is aan een jury. De onderzoekers beschreven hun aanpak in Forensische Wetenschappen Internationaal .

Bij het vergelijken van twee patroonhulzen, de NIST-methode produceert een numerieke score die beschrijft hoe vergelijkbaar ze zijn. Het schat ook de kans dat willekeurige effecten een vals-positieve match zouden kunnen veroorzaken - een concept dat vergelijkbaar is met matchkansen voor DNA-bewijs.

"Geen enkele wetenschappelijke methode heeft een foutpercentage van nul, " zei John Song, een NIST-werktuigbouwkundig ingenieur en de hoofdauteur van de studie. "Ons doel is om de examinator een manier te geven om de kans op dit soort fouten in te schatten, zodat de jury daar rekening mee kan houden bij het bepalen van schuld of onschuld."

De nieuwe benadering is ook bedoeld om vuurwapenidentificatie om te vormen van een subjectieve methode die afhankelijk is van de ervaring en het oordeel van een onderzoeker naar een methode die is gebaseerd op objectieve metingen. Een historisch rapport uit 2009 van de National Academy of Sciences en een rapport uit 2016 van de President's Council of Advisors on Science and Technology riepen beide op tot onderzoek dat deze transformatie tot stand zou brengen.

De theorie achter forensische ballistiek

Als er een kanon wordt afgevuurd, en de kogel schiet door de loop, het stuit op richels en groeven waardoor het gaat draaien, het vergroten van de nauwkeurigheid van het schot. Die richels graven in het zachte metaal van de kogel, strepen achterlaten. Op hetzelfde moment dat de kogel naar voren explodeert, de patroonhuls explodeert achterwaarts met gelijke kracht tegen het mechanisme dat de terugslag absorbeert, de stuitligging genoemd. Dit stempelt een afdruk van de stuitligging in het zachte metaal aan de onderkant van de patroonhuls, die vervolgens uit het pistool wordt uitgeworpen.

De theorie achter vuurwapenidentificatie is dat microscopisch kleine strepen en afdrukken op kogels en patroonhulzen uniek zijn, reproduceerbaar, en daarom, zoals "ballistische vingerafdrukken" die kunnen worden gebruikt om een ​​pistool te identificeren. Als onderzoekers kogels of patroonhulzen van een plaats delict vinden, forensische onderzoekers kunnen het wapen van een verdachte testen om te zien of het ballistische vingerafdrukken produceert die overeenkomen met het bewijsmateriaal.

Maar kogels en patroonhulzen die met verschillende wapens worden afgevuurd, kunnen soortgelijke markeringen hebben, vooral als de kanonnen achtereenvolgens werden vervaardigd. Dit verhoogt de mogelijkheid van een vals-positieve match, die ernstige gevolgen kunnen hebben voor de verdachte.

Een statistische benadering

In 2013, Song en zijn NIST-collega's ontwikkelden een algoritme dat driedimensionale oppervlaktescans van de stuitligging op patroonhulzen vergelijkt. hun methode, congruente overeenkomende cellen genoemd, of CMC, verdeelt een van de gescande oppervlakken in een raster van cellen, zoekt vervolgens op het andere oppervlak naar overeenkomende cellen. Hoe groter het aantal overeenkomende cellen, hoe meer de twee oppervlakken op elkaar lijken, en hoe groter de kans dat ze uit hetzelfde wapen komen.

In hun recente studie, de onderzoekers scanden 135 patroonhulzen die werden afgevuurd met 21 verschillende pistolen van 9 millimeter. Dit leverde 433 overeenkomende beeldparen op en 4, 812 niet-overeenkomende paren. Om de test nog moeilijker te maken, de meeste pistolen werden achtereenvolgens vervaardigd.

The CMC algorithm classified all the pairs correctly. Verder, 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, anderzijds, had at least 18 matching cells. Met andere woorden, 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. Met behulp van deze methode, 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."