Een uitgebreide samenvatting van:
Het boek Interpreting Evidence: Evaluating Forensic Science in the Court in het Nederland, de belangrijkste punten van de reader en alle gegeven hoorcolleges van het jaar 2019/2020.
Samenvatning
Interpretining Evidencen Evaluatining Forensic Science in the Court
Hoofdstuk 1n Introductionn
Forensisch wetenschappelijk bewijs kan helpen om het volgende vast te stellen: dat een
persoon op een gegeven moment op een bepaalde plaats was, dat een persoon een
bepaalde activiteit heef itgevoerd, dat iets was gedaan bij een bepaald instr ment en de
relatie t ssen twee mensen
Traditioneel gezien zijn er verschillende ideeën voorgesteld als principes voor de forensische
wetenschap Dit zijn er traditioneel gezien drie:
1 Locard’s principlen Een dader laat sporen achter op de plaats delict of draagt sporen
van de plaats delict met zich mee Locard deed onderzoek naar sporen van het
slachtofer of plaats delict die k nnen worden aangetrofen op de verdachte, en naar
sporen van de verdachte die zijn achtergelaten op het slachtofer dan wel plaats
delict
2 Principle of individualityn Twee objecten k nnen van elkaar te onderscheiden zijn,
maar geen objecten zijn identiek De vraag is of de twee sporen dezelfde bron
hebben en hoeveel onze observatie helpt om de vraag te beantwoorden Karl
Propper veronderstelde dat een wet die als wetenschappelijk kan worden
bescho wd, deze mogelijk falsifeerbaar moet zijn, dat wil zeggen: het moet mogelijk
zijn, althans in theorie, om een experiment te ontwerpen dat de theorie zo k nnen
weerleggen We beschrijven deze twee itspraken als voorgestelde principes in
plaats van weten omdat ze niet voldoen aan de standaarddefnitie van een wet van
de wetenschap het voorgestelde principe dat geen twee objecten identiek zijn,
vereist geen bewijs, aangezien twee objecten die in alle opzichten identiek zo den
zijn - per defnitie - n object zo den zijn Helaas volgt niet it de niekheid van elk
object dat we de nieke bron ervan correct k nnen aanwijzen
3 Individualization Principlen Als er genoeg overeenkomsten gezien worden t ssen
twee objecten om toevalligheden it te sl iten, dan moeten deze objecten van
dezelfde bron komen De mogelijkheid van toeval kan nooit helemaal worden
itgesloten, er is namelijk geen algemeen criteri m mogelijk om het aantal
toevalligheden te beslissen die nodig zijn om toevalligheden it te sl iten
Wanneer twee items gemeenschappelijke kenmerken hebben van een dergelijk aantal,
dezelfde signifcantie om h n gelijktijdige toeval it te sl iten en er geen onverklaarbare
verschillen zijn, dan kan worden geconcl deerd dat ze hetzelfde, of it dezelfde bron komen
We zoeken naar nieke kenmerken in de items die worden onderzocht Als we een
voldoende aantal kenmerken vinden om de mogelijkheid of waarschijnlijkheid dat ze
toevallig door twee verschillende objecten zijn opgetreden te voorkomen, k nnen we een
concl sie van individ alisering trekken
Bertillon was welbekend door zijn het systeem van antropometrie, die bekend kwam te
staan als Bertillonaingen Dit betekent simpelweg het meten van mensen Het vereiste het
nemen van een foto en het opnemen van een reeks metingen van botkenmerken waarvan
bekend was dat deze niet zo den veranderen na de adolescentie De basis van dit systeem
was dat het onwaarschijnlijk zo zijn dat twee mensen dezelfde afmetingen zo den hebben
1
,over een hele reeks van kenmerken Deze methoden was langzaam, d r en was zeker niet
fo tloos (het was namelijk onmogelijk dat verschillende mensen dezelfde metingen zo den
doen bij verdachten) Het doel van het systeem was om te bepalen of een persoon dan al
niet dezelfde afmetingen zo den hebben als de persoon die eerder was gearresteerd Het
was bij deze methoden niet mogelijk om bewijs te leveren dat iemand op een plaat delict
was Vingerafdr kken verving deze methoden dan ook al snel Deze methoden was dan ook
sneller en gemakkelijker voor identifcatie dan antropometrie Bij deze methoden was het
namelijk wel mogelijk om bewijs te leveren dat iemand op de plaats delict was
Poincaré had drie belaningrijke punten van bezwaar op Bertillon’s bewijskrachtn
1 Bertillon zat fo t omdat hij met zijn methode enkel de waarschijnlijkheid had
aangetoond van de kans om de vier overeenkomsten t ssen vier onderzochte
kenmerken te verkrijgen Er waren veel meer kenmerken onderzocht, d s de kans op
het vinden van vier overeenkomsten is in werkelijkheid groter dan Bertillon
aantoonde Er werden veel meer kenmerken onderzocht, en d s waren de kansen
om vier overeenkomsten te vinden eigenlijk veel groter dan zijn fg rr
2 De gebe rtenissen die daadwerkelijk hebben plaatsgevonden, k nnen op voorhand
als zeer onwaarschijnlijk worden bescho wdr
3n Inverse probability problemn het verschil t ssen het vooraf berekenen van de kans
op een efect, en het berekenen na het evenement wat de meest waarschijnlijke
oorzaak van een gebe rtenis is
Het p nt dat Poincar maakt is een belangrijk p nt van kritiek op de forensische
wetenschap Rechtbanken ho den zich niet bezig met de waarschijnlijkheid dat enige
observatie zo plaatsvinden Ze maken zich zorgen over wat kan worden afgeleid it het feit
dat de waarneming is gedaan De vraag voor de rechtbank is dan welke gevolgtrekkingen
k nnen worden gemaakt met betrekking tot de sch ld van de besch ldigde
Poincar vervolgde dat enkelvo dige bewijsst kken ons in staat stellen om onze
inschatng van de probability van een gebe rtenis te veranderen, maar zij k nnen de
probability van een gebe rtenis op zichzelf niet bepalen
Om vanuit een waaringenomen ingebeurtenis de kans op een oorzaak te kunnen berekenen,
hebben we verschillende ingeingevens nodiingn
1 We moeten weten wat voorafgaand aan de gebe rtenis gebe rde, de
waarschijnlijkheid van deze oorzaakr
2 We moeten voor elke mogelijke oorzaak weten wat de waarschijnlijkheid van de
waargenomen gebe rtenis is
De beperkingen van Bertillonage laten ons nadenken over de kenmerken van een ideaal
wetenschappelijk systeem voor het identifceren van mensen Deze omvaten:
De gebr ikte f ncties moeten zeer variabel zijn t ssen individ enr
De gebr ikte f ncties veranderen niet over tijdr
Dat deze f ncties ond bbelzinnig zijn, zodat twee desk ndigen dezelfde f nctie op
dezelfde manier beschrijvenr
Dat deze f ncties k nnen worden overgebracht naar sporen op een plaats delictr
Dat het redelijk eenvo dig en goedkoop is om mee te werken
2
,Als een verdachte is geïdentifceerd en de waargenomen kenmerken van deze bekende
persoon bijvoorbeeld vergelijkbaar zijn met die van de sporen van de plaats delict, moeten
we eval eren wat die waargenomen overeenkomsten waard zijn Als de verdachte niets te
maken had met de misdaad, wat zo dan de kans zijn om die overeenkomsten te vinden?
Die kans kan worden beoordeeld met beh lp van databases met kenmerken die
representatief zijn voor sommige pop laties
Er mag niet worden verwacht dat er zekerheid wordt geboden Dit maakt bewijs niet
onbetro wbaar of niet-ontvankelijk Advocaten negeren vaak bewijs dat niet op zekerheid
d idt, maar daarmee verliezen ze relevant en belastend bewijs
Hoofdstuk 2n Interpretining Scientiic Evidencen
Desk ndig wetenschappelijk bewijsmateriaal ho dt meestal in dat de forensisch
wetenschapper een opmerking maakt over een bepaald aspect van de zaak en op basis van
kennis en ervaringen it het verleden, concl sies aan de rechtszaak rapporteert Het zijn de
gemaakte waarnemingen die het bewijs vormen en niet het onderzochte materiaal De taak
van de desk ndige is om te zien welke gevolgtrekkingen wel en niet rechtmatig it dergelijke
observaties k nnen worden getrokken
De eerste vereiste van enig bewijsmateriaal dat voor de rechter wordt aangeboden, is dat
het relevant moet zijn Om in aanmerking te komen als bewijsmateriaal, moet die het
potentieel hebben om een beslissing rationeel te beïnvloeden Als het bewijsst k dit niet
kan, dan is het waardeloos Als bewijsmateriaal er niet toe leidt dat we onze probability voor
de hypothese veranderen, dan zo den we het normaal gesproken niet beschrijven als
bewijsmateriaal voor of tegen Goed bewijsmateriaal is bewijs dat een s bstantieel efect
heef op de probability
Stel dat een blinde persoon moest bepalen of het bewolkt was. Regen is geen ideaal bewijs
omdat afwezigheid van regen niet betekent dat er geen wolk is. Als het regent, kunnen we
zeker zijn dat er wolken zijn, maar er kunnen ook wolken zijn als het niet regent
Ideaal bewijs is iets dat alleen optreedt/verschijnt tijdens de gebe rtenis waarvan we aan
willen tonen dat die waar is, en nooit optreedt/verschijnt tijdens de gebe rtenis waarvan we
willen aantonen dat die niet waar is Dit bewijs is echter onmogelijk om te vinden In de
praktijk komt het erop neer dat goed bewijs iets is dat met grotere waarschijnlijkheid
voorkomt tijdens de gebe rtenis waarvan we willen aantonen dat die waar is, dan tijdens de
gebe rtenis waarvan we willen aantonen dat die niet waar is
De bewijswaarde van elk bewijs (probative val e) kan op dezelfde manier worden
beoordeeld Een wetenschappelijk testres ltaat is een goed bewijs voor een bepaalde
hypothese als het veel waarschijnlijker is dan dat de hypothese waar is, dan wanneer de
hypothese niet waar is We z llen dit alleen weten als we het res ltaat van de test zowel bij
een aantal gelegenheden hebben gezien als de hypothese waar is, maar ook als de
ontkenning van de hypothese waar is Zelfs wanneer we de waarschijnlijkheid van het
res ltaat onder beide hypotheses hebben geëval eerd, weten we alleen nog de sterkte van
3
, het bewijsmateriaal ten g nste van een hypothese en niet de waarschijnlijkheid dat de
hypothese waar is
Probability is een rationele maat voor iemands mate van geloof in de waarheid van een
propositie gebaseerd op informatie Een hypothese, propositie of premisse is ofwel waar of
vals Alle probabilities hangen af van de ass mpties en informatie gebr ikt bij het toewijzen
De informatie die we gebr iken wordt ook wel de condite of omstandigheid van de
probability genoemd Alle probabilities zijn afankelijk van het gebr ikte (conditonele)
bewijs en de achtergrondkennis
Probabilities nemen waarden in t ssen de en 1 Een probability van betekent dat de
hypothese niet waar kan zijn en is het zeker dat het onmogelijk is Een probability van 1
betekent dat de hypothese waar moet zijn De meeste probabilities vallen t ssen deze
limieten Een probability van 5 voor een hypothese betekent dat we even (on)zeker zijn
dat de hypothese waar is en dat de ontkenning waar is
Probabilities k nnen worden itgedr kt in een kans. Om de kans van de probability van een
hypothese te bepalen, berekent de verho ding van de probability tot de probability van de
ontkenning ervan en vereenvo digt zoveel mogelijk D s als volgt:
probability
Kans ( odds )=
1− probability
Om ter g te gaan van Kans naar Probabilities, kan als volgt gedaan worden:
kans(odds)
Probability=
1+kans (odds)
Er moet rekening geho den worden met twee types of error:
1 False positives: dit lijdt ertoe dat iemand ten onrechte wordt gearresteerd
2 False negative: dit lijdt ertoe dat iemand ten onrechte vrijkomt
In de vroege geschiedenis van de waarschijnlijkheidstheorie deed zich al het probleem voor
van de omgekeerde waarschijnlijkheid (problem of inverse probabilites) Dat wil zeggen dat
het bewijs het tegenovergestelde efect had De oplossing voor dit probleem is door Bayes
bedacht, later aangev ld door Pierre Simon en Marq is Laplace Zij hebben de zogenoemde
Bayes’ theorem ontwikkeld: Dit veronderstelt dat de waarde van een bewijs in het testen
van een bepaalde hypothese tegen een alternatieve hypothese wordt bepaald door de
Likelihood Ratio (LR) Deze Likelihood Ratio (LR) is een verho ding van 2 waarschijnlijkheden:
1 De waarschijnlijkheid dat de hypothese waar is
2 De waarschijnlijkheid dat de alternatieve hypothese waar is
Een theorem is iets dat logisch waar is Er kan geen twijfel over de waarheid zijn Bayes
Theorem vertelt ons hoe we onze kennis k nnen bijwerken door nie w bewijsmateriaal op
te nemen Er wordt begonnen met wat kennis over de hypothese, itgedr kt als de odds ten
voordele van die hypothese Deze staan bekend als de prior oddsn De prior odds (de
opdracht zonder het bewijs) moeten worden vermenigv ldigd door de Likelihood Ratio van
het nie we bewijsmateriaal om tot de posterior odds te komen De posterior odds zijn de
odds voor de hypothese na rekening te ho den met het nie we bewijsmateriaal Om een
4
The benefits of buying summaries with Stuvia:
Guaranteed quality through customer reviews
Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.
Quick and easy check-out
You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.
Focus on what matters
Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!
Frequently asked questions
What do I get when I buy this document?
You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.
Satisfaction guarantee: how does it work?
Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.
Who am I buying these notes from?
Stuvia is a marketplace, so you are not buying this document from us, but from seller Yuric. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $4.85. You're not tied to anything after your purchase.
