Preview

Заводская лаборатория. Диагностика материалов

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Формирование доказательной базы на основе оценки результатов судебно-экспертных исследований

https://doi.org/10.26896/1028-6861-2020-86-10-66-76

Полный текст:

Аннотация

Повышенное внимание к развитию современных подходов вероятностной оценки результатов исследований в области судебно-экспертной деятельности обусловлено требованиями к четким характеристикам ограничений результатов исследований, включая показатели неопределенности получаемых данных и связанные с ними оценочные вероятности. Одним из основных положений современной теории оценки судебных доказательств, наряду с допустимостью и желательностью использования вероятностей, является принцип сопоставления этих вероятностей в свете их обусловленности конкурирующими версиями, вытекающими из состязательного характера правосудия. Цель настоящей статьи — разработка методических подходов к использованию отношения правдоподобия как наиболее подходящей формы определения значимости выводов, направляемых экспертом суду для формирования доказательственной базы. Приведен краткий обзор публикаций, посвященных применению концепции отношения правдоподобия в судебно-экспертной деятельности, за 2000 – 2018 гг. Использование этой концепции может обеспечить реальную оценку достоверности доказательства. В настоящей статье термин «доказательство» представляется как различные непрерывные количественные измерения (свойств и признаков объектов судебной экспертизы), с помощью которых при сравнении известного и сомнительного образцов решается вопрос их происхождения из одного или из разных источников. Рассмотрены наиболее часто встречающееся нормальное распределение непрерывных данных и общий подход расчета отношения правдоподобия (LR) с использованием функций плотности вероятности (pdf). Показано, что в целях учета вариативности сравниваемых образцов для расчета LR необходимо наличие трех баз данных: потенциальной базы, контрольной базы данных известного образца и сравнительной базы данных сомнительного образца. Приведены примеры расчета LR и силы доказательства для различных видов экспертиз. Процедуры расчета LR в целом совпадают, однако авторы предлагают разные способы расчета и графического представления силы доказательства. Подробно рассмотрена так называемая величина цены или штрафа за неверный прогноз (ClLR), введены понятия правильности и воспроизводимости, а также доверительного интервала этой величины. Выделен ряд особенностей расчета LR для многомерных непрерывных данных. Большой интерес представляет использование в экспертизе звукозаписи модели диктора в виде взвешенной суммы гауссовских плотностей M компонент (GMM-модели): каждая компонента представляет собой D-мерную гауссовскую pdf со средним значением вектора и ковариационной матрицей. Можно предположить, что использование GMM-pdf в расчетах LR эффективно не только для судебной экспертизы звукозаписей, но и для других видов экспертиз. Универсальность оценки сходства/различия объектов судебно-экспертного исследования с помощью отношения правдоподобия указывает на перспективность применения данной концепции.

Об авторах

С. А. Смирнова
Российский федеральный центр судебной экспертизы при Министерстве юстиции Российской Федерации; Российский университет дружбы народов
Россия

Светлана Аркадьевна Смирнова

109028, Москва, Хохловский пер., д. 13, стр. 2; 117198, Москва, ул. Миклухо-Маклая, д. 6.



Г. И. Бебешко
Российский федеральный центр судебной экспертизы при Министерстве юстиции Российской Федерации
Россия

Галина Ивановна Бебешко

109028, Москва, Хохловский пер., д. 13, стр. 2.



Г. Г. Омельянюк
Российский федеральный центр судебной экспертизы при Министерстве юстиции Российской Федерации; Российский университет дружбы народов; МГТУ им. Н. Э. Баумана
Россия

Георгий Георгиевич Омельянюк

109028, Москва, Хохловский пер., д. 13, стр. 2; 117198, Москва, ул. Миклухо-Маклая, д. 6; 105005, Москва, 2-я Бауманская ул., д. 5, стр. 1.



А. И. Усов
Российский федеральный центр судебной экспертизы при Министерстве юстиции Российской Федерации; Российский университет дружбы народов; МГТУ им. Н. Э. Баумана
Россия

Александр Иванович Усов

109028, Москва, Хохловский пер., д. 13, стр. 2; 117198, Москва, ул. Миклухо-Маклая, д. 6; 105005, Москва, 2-я Бауманская ул., д. 5, стр. 1.



Ш. Н. Хазиев
Российский федеральный центр судебной экспертизы при Министерстве юстиции Российской Федерации
Россия

Шамиль Николаевич Хазиев

109028, Москва, Хохловский пер., д. 13, стр. 2.



Список литературы

1. Evett J. W. Towards a uniform framework for reporting opinions in forensic science case-work / Sci. Justice. 1998. Vol. 38. N 3. P. 198 – 202. DOI: 10.1016/S1355-0306(98)72105-7.

2. Champod C., Meuwly D. The inference of identity in forensic speaker recognition / Speech Comm. 2000. Vol. 31. P. 193 – 203. DOI: 10.1016/S0167-6393(99)00078-3.

3. Koons R. D., Buscaglia J. Interpretation of glass composition measurements: the effects of match criteria on discrimination capability / J. Forensic Sci. 2001. Vol. 47. N 3. P. 505 – 512. DOI: 10.1520/JFS2001349.

4. Aitken C. G. G., Lucy D. Evaluation of trace evidence in the form of multivariate data / Appl. Statist. 2004. Vol. 53. Part 1. P. 109 – 122. DOI: 10.26896/1028-6861-2018-84-6-70-76.

5. Aitken C. G. G., Taroni F. Statistics and the Evaluation of Forensic Evidence for Forensic Scientist. — London: Wiley, 2004. — 510 p.

6. Botti F., Alexander A., Drygajlo A. On compensation of mismatched recording conditions in the Bayesian approach for forensic automatic speaker recognition / Forensic Sci. Int. 2004. Vol. 146. Suppl. 2. P. S101 – S106. DOI: 10.1016/j.forsciint.2004.09.032.

7. Balding D. J. Weight-of-evidence for Forensic DNA Profiles. — London: Wiley, 2005. — 198 p.

8. Curran M. An introduction to Bayesian credible intervals for sampling error in DNA profiles / Law, Probability and Risk. 2005. Vol. 4. P. 115 – 126. DOI: 10.1093/lpr/mgi009.

9. González-Rodríguez J., Drygajlo A. V., Ramos-Castro D., et al. Robust estimation, interpretation and assessment of likelihood ratios in forensic speaker recognition / Comput. Speech Lang. 2006. Vol. 20. P. 331 – 355. DOI: 10.1016/j.csl.2005.08.005.

10. Rose P. Technical forensic speaker recognition: evaluation, types and testing of evidence / Comput. Speech Lang. 2006. Vol. 20. N 2 – 3. P. 159 – 191. DOI: 10.1016/j.csl.2005.07.003.

11. Morrison G. S. Forensic voice comparison and the paradigm shift / Sci. Justice. 2009. Vol. 49. P. 298 – 308. DOI: 10.1016/j.scijus.2009.09.002.

12. Association of Forensic Science Providers. Standards for the formulation of evaluative forensic science expert opinion / Sci. Justice. 2009. Vol. 49. P. 161 – 164. DOI: 10.1016/j.scijus.2009.07.004.

13. Rose P., Morrison G. S. A response to the UK position statement on forensic speaker comparison / Int. J. Speech Lang. Law 2009. Vol. 16. P. 139 – 163. DOI: 10.1558/ijsll.v16i1.139.

14. Taroni F., Bozza S., Biedermann A., et al. Data Analysis in Forensic Science: A Bayesian Decision Perspective. — NY: Wiley, 2010. — 390 p.

15. Zadora G., Ramos D. Evaluation of glass samples for forensic purposes — an application of likelihood ratio model and information-theoretical approach / Chemom. Intell. Lab. Syst. 2010. Vol. 102. P. 63 – 68. DOI: 10.1016/j.chemolab.2010.007.

16. Morrison G. Measuring the validity and reliability of forensic likelihood-ratio systems / Sci. Justice. 2011. Vol. 51. N 3. P. 91 – 98. DOI: 10.1016/j.scijus.2011.03.002.

17. Neumann C., Evett J. W., Skerrett J. Quantifying the weight of evidence from a forensic fingerprint comparison: a new paradigm / J. R. Stat. Soc. Ser. A. 2012. Vol. 175. N 2. P. 371 – 415. DOI: 10.1111/j.1467-985X.2011.01027.x.

18. Bebeshko G. I., Omelyuk G. G., Usov A. I. The role and significance of likelihood ratio concept in assessment and interpretation of the results of forensic activities / Zavod. Lab. Diagn. Mater. 2018. Vol. 84. N 6. P. 70 – 76. DOI: 10.26896/1028-6861-2018-84-6-70-76 [in Russian].

19. Gradusova O. V., Kuz’min S. A. Probability Interpretation of Forensic Evidence / Teor. Prakt. Sud. Ékspert. 2017. Vol. 12. N 4. P. 27 – 40 [in Russian].

20. Nefedov S. N. Bayesian approach to evidence assessment and standardization of verbal statements of expert conclusions. N 8. — Minsk: RIPO, 2015. P. 187 – 195 [in Russian].

21. Lindley D. V. A problem in forensic science / Biometrika. 1977. Vol. 64. P. 207 – 213.

22. Curran J. M., Triggs C. M., Almirall J. R., et al. The interpretation of elemental composition from forensic glass evidence: (I and II) / Sci. Justice. 1997. Vol. 37. N 4. P. 241 – 244, 245 – 249. DOI: 10.1016/S1355-0305(97)72197-X, 10.1016/S1355-0306(97)72198-1.

23. Koons R. D., Buscaglia J. Interpretation of glass composition measurements: the effects of match criteria on discrimination capability / J. Forensic Sci. 2002. Vol. 47. P. 505 – 512.

24. Martyna A., Lucy D., Zadora G. V., et al. The evidential value of microspectrophotometry measurements made for pen inks / Anal. Methods. 2013. Vol. 5. P. 6788 – 6795. DOI: 10.1039/C341622D.

25. Brümmer N., du Preez J. Application independent evaluation of speaker detection / Comp. Speech Lang. 2006. Vol. 20. N 2 – 3. P. 230 – 275. DOI: 10.1016/j.csl.2005.08.001.

26. Ramos D., Gonzalez-Rodriguez J. Reliable support: Measuring calibration of likelihood ratios / Forensic Sci. Int. 2013. Vol. 230. N 1 – 3. P. 156 – 169. DOI: 10.1016/j.forsciint.2013.04.014.

27. Ramos D., Gonzalez-Rodriguez J., Zadora G., Aitken C. Information-theoretical assessment of the performance of likelihood ratio computation methods / J. Forensic Sci. 2013. Vol. 58. N 6. P. 1503 – 1518. DOI: 10.1111/1556-4029.12233.

28. Drygajlo A. Automatic Speaker Recognition for Forensic Case Assessment and Interpretation. — In: A. Neustein, H. A. Patil, Eds. Forensic Speaker Recognition. Ch. 2. 2012. P. 21 – 39. DOI: 10.1007/978-1-4614-0263-3_2.

29. Kinnunen T., Li H. An overview of text-independent speaker recognition: from features to supervectors / Speech Commun. 2010. Vol. 52. N 1. P. 12 – 40. DOI: 10.1016/j.specom.2009.08.009.

30. Meuwly D., Drygajlo A. Forensic Speaker Recognition Based on a Bayesian Framework and Gaussian Mixture Modelling (GMM) / The Speaker Recognition Workshop. Crete, Greece, June 18 – 22. A Speaker Odyssey. 2001. — 6 p.

31. Reynolds D. A. Automatic Speaker Recognition Using Gaussian Mixture Speaker Models / The Lincoln Lab. J. 1995. Vol. 8. N 2. P. 173 – 191.

32. Reynolds D. A., Quatieri T. F., Dunn R. B. Speaker Verification Using Adapted Gaussian Mixture Models / Digital Signal Proc. 2000. Vol. 10. N. 1 – 3. P. 19 – 41. DOI: 10.1006/dspr.1999.0361.

33. Matveev Yu. N. Technologies for biometric identification of individuals by voice and other modalities / Vestnik MGTU im. N. Й. Baumana. 2012. P. 46 – 61 [in Russian].

34. Kozlov A. V., Kudashev O. Yu., Matveev, et al. Speaker recognition system for the NISTSRE / SPIIRAS Proc. 2013. N 2(25). P. 350 – 370 [in Russian].

35. Morrison G. S., Zhang C., Rose P. An empirical estimate of the precision of likelihood ratios from a forensic-voice-comparison system / Forensic Sci. Int. 2011. Vol. 208. P. 59 – 65. DOI: 10.1016/j.forsciint.2010.11.001.

36. González-Rodríguez J., Rose P., Ramos D., et al. Emulating DNA: rigorous quantification of evidential weight in transparent and testable forensic speaker recognition / IEEE Trans. Audio Speech Lang. Process. 2007. Vol. 15. P. 2104 – 2115. DOI: 10.1109/TASL.2007.902747.

37. Morrison G. S. Likelihood-ratio forensic voice comparison using parametric representations of the formant trajectories of diphthongs / J. Acoust. Soc. Am. 2009. Vol. 125. P. 2387 – 2397. DOI: 10.1121/1.3081384.

38. Van Leeuwen D. A., Brümmer N. An introduction to application-independent evaluation of speaker recognition systems. — In the book: C. Müller (ed.), Speaker Classification I: Fundamentals, Features, and Methods. — Heidelberg, Germany: Springer-Verlag, 2007. P. 330 – 353. DOI: 10.1007/978-3-540-74200-5_19.

39. Morrison G. S. Forensic voice comparison using likelihood ratios based on polynomial curves fitted to the formant trajectories of Australian English (aI) / Int. J. Speech Lang. Law. 2008. Vol. 15. P. 247 – 264. DOI: 10.1558/ijsll.v15i2.249.

40. Morrison G. S. A comparison of procedures for the calculation of forensic likelihood ratios from acoustic-phonetic data: multivariate kernel density (MVKD) versus Gaussian mixture model — universal background model (GMM-UBM) / Speech Commun. 2011. Vol. 53. P. 242 – 256. DOI: 10.1016/j.specom.2010.09.005.

41. Aitken C. G. G. Statistical discriminant analysis in forensic science / J. Forensic Sci. Soc. 1986. Vol. 26. P. 237 – 247.

42. Berry D. A., Evett I. W., Pinchin R. Statistical inference in crime investigations using deoxyribonucleic acid profiling (with discussion) / Appl. Statist. 1992. Vol. 41. P. 499 – 531. DOI: 10.1111/j.1467-9876.1992/tb02418.x.

43. Chan K. P. S., Aitken C. G. G. Estimation of the Bayes’ factor in a forensic science problem / J. Statist. Computn. Simuln. 1989. Vol. 33. P. 249 – 264.

44. Brümmer N., Burget L., Cernocký J. H., et al. Fusion of heterogenous speaker recognition systems in the STBU submission for the NIST SRE 2006 / IEEE Trans. Audio Speech Lang. Process. 2007. Vol. 15. P. 2072 – 2084. DOI: 10.1109/TASL.2007.902870.

45. Pigeon S., Druyts P., Verlinde P. Applying logistic regression to the fusion of the NIST’99 1-speaker submissions / Digital Signal Proc. 2000. Vol. 10. P. 237 – 248. DOI: 10.1006/dspr.1999.0358.

46. Martyna A., Michalska A., Zadora G. Interpretation of FTIR spectra of polymers and Raman spectra of car paints by means of likelihood ratio approach supported by wavelet transform for reducing data dimensionality / Anal. Bioanal. Chem. 2015. Vol. 407. P. 3357 – 3376. DOI: 10.1007/s00216-015-8558-9.

47. Daubechies I. Ten Lectures on Wavelets — Philadelphia: CBMS-NSF. Regional Conference Series in Applied Mathematics, 1992.


Для цитирования:


Смирнова С.А., Бебешко Г.И., Омельянюк Г.Г., Усов А.И., Хазиев Ш.Н. Формирование доказательной базы на основе оценки результатов судебно-экспертных исследований. Заводская лаборатория. Диагностика материалов. 2020;86(10):66-76. https://doi.org/10.26896/1028-6861-2020-86-10-66-76

For citation:


Smirnova S.A., Bebeshko G.I., Omel’yanyuk G.G., Usov A.I., Khaziev S.N. Evidentiary Basis Development with Support of Forensic Research Assessment. Industrial laboratory. Diagnostics of materials. 2020;86(10):66-76. (In Russ.) https://doi.org/10.26896/1028-6861-2020-86-10-66-76

Просмотров: 36


ISSN 1028-6861 (Print)
ISSN 2588-0187 (Online)