Enkele van de meest beruchte onopgeloste moordmisdrijven uit de geschiedenis kunnen worden blootgelegd dankzij nieuw forensisch onderzoek onder leiding van de Northumbria University, in Newcastle.

Dr. Matteo Gallidabino, Hoofddocent Forensische Wetenschappen aan de Northumbria University, werken met collega's van King's College London en de universiteiten van Lausanne, Santiago de Compostela en Rome (La Sapienza), hebben onthuld dat machine learning – een gebied van kunstmatige intelligentie – kan worden gebruikt om te bepalen welke munitie, en uiteindelijk welk vuurwapen, was verantwoordelijk voor een bepaald schot van het residu dat het achterliet.

Hun bevindingen zijn gepubliceerd in de Royal Society of Chemistry's analist tijdschrift - de thuisbasis van fundamentele ontdekkingen, uitvindingen en toepassingen in analytische en bioanalytische wetenschappen.

"Machine learning gebruikt een reeks algoritmen om complexe gegevensrelaties te modelleren", legt Dr. Gallidabino uit. "Door zorgvuldige afstemming, deze kunnen worden toegepast om belangrijke kenmerken van de munitie die bij een bepaald schietevenement wordt gebruikt te voorspellen aan de hand van die van de respectievelijke schotresten (GSR) die zijn afgezet op omliggende oppervlakken of items, zoals bestede gevallen, wonden en, mogelijk, ook de handen van de schutter."

Dit is een baanbrekende vooruitgang in vergelijking met technieken die momenteel beschikbaar zijn in GSR-analyse. Inderdaad, de complexe computerstatistieken die door het onderzoeksteam zijn geïmplementeerd, maken identificatie mogelijk van de munitie die verantwoordelijk is voor de verschillende schotsporen die op een plaats delict zijn achtergelaten en eventuele associatie van dergelijke sporen, met ongekende nauwkeurigheid. Beide mogelijkheden zijn momenteel een uitdaging bij het gebruik van traditionele forensische methoden.

Met verdere ontwikkelingen van de voorgestelde aanpak, nieuwe onderzoekslijnen kunnen snel worden gevolgd om soortgelijke onopgeloste moorden uit het verleden te voorkomen, zoals Jill Dando in 1999 en de beruchte Bloody Sunday-moorden in 1972.

"Na Bloedige Zondag, het probleem was om te bepalen of er schoten waren afgevuurd door burgers of militair personeel", zegt Dr. Gallidabino. "De onderzoekers vonden grote hoeveelheden GSR op alle slachtoffers en concludeerden dat deze het gevolg waren van schietactiviteiten. Later werd vastgesteld, echter, dat deze waarschijnlijk te wijten waren aan de secundaire, post-event overdracht van besmettingen van militair personeel - wiens handen rijk waren aan GSR's - naar dode lichamen. Kleine hoeveelheden GSR, inderdaad, kan worden overgedragen door langdurig contact met besmette oppervlakken, zoals die plaatsvonden toen soldaten na de gebeurtenis hielpen om slachtoffers naar het ziekenhuis te vervoeren.

"Als technieken zoals we die nu ontwikkelen destijds beschikbaar waren, ze hadden kunnen worden gebruikt om te bepalen of GSR's afkomstig waren van civiele munitie of militair vuur, wat een cruciaal bewijsstuk zou zijn geweest."

Dr. Gallidabino is gespecialiseerd in statistische modellering en machine learning-technieken voor forensische toepassingen. Hij ontwikkelde en testte persoonlijk zowel de innovatieve chemische techniek als de wiskundige modellen die in de aanpak werden gebruikt, na het afvuren van een reeks munitie. Na het verzamelen van de pistoolpatronen, hij analyseerde ze, en met name het volatiele deel van de GSR, voordat hij zijn aandacht richtte op de originele rookloze poeders. Vanaf hier, hij een verband kon leggen tussen de munitie en het residu, met dezelfde statistische methoden die computerwetenschappers gebruiken om robots te trainen.

In het verlengde hiervan, het onderzoeksteam heeft opgeroepen om deze unieke methode veel breder toe te passen op het gebied van forensische wetenschap en, algemener, analytische scheikunde. "De voordelen zijn legio", zei Dr. Gallidabino. "Ze kunnen zich zelfs uitstrekken tot andere gebieden in de analytische wetenschappen die routinematig veranderlijke chemische sporen tegenkomen, zoals de analyse van geïmproviseerde explosieven, brandversnellers en milieuverontreinigende stoffen."

Dr. Leon Barron, Hoofddocent Forensische Wetenschappen van King's College London, toegevoegd:"De fusie van ultramoderne laboratoriumanalyse met computergebaseerd machine learning zal ons in staat stellen te profiteren van de enorme hoeveelheden gegevens die we nu genereren om vaker baanbrekende vorderingen te maken zoals deze. In de forensische wetenschap, en vaak gezien de uiteenlopende scenario's en opeenvolgingen van gebeurtenissen, machine learning is een van de meest veelbelovende manieren om bewijs sneller te begrijpen om het strafrechtsysteem te ondersteunen."

Jill Dando

Op 26 april, 1999, de 38-jarige BBC-ster werd doodgeschoten op de stoep van haar huis in Fulham, West-Londen in wat nog steeds een van de meest spraakmakende onopgeloste moorden van het VK is. Barry George, die een paar minuten van Jills huis woonde, kreeg acht jaar gevangenisstraf voor de moord op haar, maar werd vrijgesproken na een nieuw proces in 2008 na bezorgdheid over forensisch bewijs. De zaak blijft openstaan.

Meer kennis over de bron van GSR ten tijde van de moord had nuttig kunnen zijn, volgens Dr. Gallidabino en de rest van het onderzoeksteam.

"Er is één enkel GSR-deeltje gevonden in de zak van de jas van Barry George (de verdachte)", zegt hij. "Dit deeltje bleek een zeer vergelijkbare samenstelling te hebben als die op het slachtoffer, Jill Dando, volgens de op dat moment beschikbare technieken. Aangezien er geen goedgekeurde methode bestond om GSR-samenstellingen op verschillende oppervlakken te vergelijken, echter, dit bewijs werd sterk betwist. Met onze aanpak, we hopen in de toekomst robuuste instrumenten te bieden aan wetshandhavingsinstanties om dit soort situaties efficiënter aan te pakken."