Criminalistiek Samenvatting Interpreting Evidence
Hoofdstuk 1: Introduction
Forensisch wetenschappelijk bewijs kan ons helpen om vast te stellen dat:
- Een bepaald persoon op een bepaalde plaats was op een bepaald tijdstip
- Een bepaald persoon een bepaalde activiteit uitvoerde
- Iets is gedaan met een bepaald instrument
- Er een relatie is tussen twee mensen.
Dit hoofdstuk gaat over hoe zulk bewijs geïnterpreteerd moet worden en hoe het ingebed moet
worden in het proces in de rechtbank.
1.1 Three ‘principles’
Er zijn drie principes voor forensische wetenschap:
1. Locard’s principe: een dader zal of sporen achterlaten op de plaats delict, of sporen
meenemen van de plaats delict. Edmond Locard (1877-1966) was een Franse forensisch
wetenschapper.
2. Principe van individualiteit: twee objecten zijn misschien niet te onderscheiden, maar geen
twee objecten zijn identiek. Dit betekent ook dat niet twee vingerafdrukken van dezelfde
vinger hetzelfde zijn. Ook handschriften verschillen altijd van elkaar, zelfs al komen ze van
dezelfde persoon.
3. Individualisatie principe: als er genoeg overeenkomsten te zien zijn tussen twee objecten, dat
toeval uitgesloten kan worden, dan moeten deze objecten van dezelfde bron komen. Toeval
kan echter nooit volledig uitgesloten worden, en er is geen vast aantal van overeenkomsten
om toeval uit te kunnen sluiten. Om dat vast te leggen wordt onder andere gekeken naar de
ernst van de misdaad, en naar ander bewijs in de zaak.
1.2 Dreyfus, Bertillon, and Poincaré
Bertillon was een Franse politieagent die een laboratorium had opgezet om criminelen te kunnen
identificeren. Hij heeft een antropometisch systeem ontwikkeld (het meten van mensen), waarin
foto’s en films gemaakt werden van botstructuren die na de adolescentie niet meer veranderden.
Vingerafdrukken werden hier ook aan toegevoegd. Het idee erachter was dat niemand dezelfde
afmetingen had als werd gekeken naar alle kenmerken samen. Kritiek hierop was:
- De methode was langzaam en duur en niet zonder fouten
- De agenten moesten er speciaal voor getraind worden, geen enkele agent maakte dezelfde
metingen als een ander.
- Het systeem kon niet gebruikt worden bij jongeren
- Dit systeem kon niet gebruikt worden om aan te tonen dat een persoon op het plaats delict
was geweest.
Een aantal jaren later kwam de focus meer te liggen op vingerafdrukken en dat bleek veel beter te
zijn.
In 1894 is Alfred Dreyfus (1859-1935) veroordeeld voor verraad in een van de beroemdste strafzaken
in de geschiedenis. Een van de belangrijkste bewijsstukken was de vergelijking van handschrift tussen
een brief aan de tegenstander met geheime informatie, met het handschrift van Dreyfus. Bertillon zei
als handschriftexpert dat Dreyfus de brief had geschreven.
Iemand die ontzettend veel kritiek had op de redenatie van Bertillon, was Poincaré, een wiskundige.
Hij had drie kritiekpunten: er werd gekeken naar veel meer kenmerken dan de bedoeling was, dus de
kans dat het toeval was, was veel groter dan Bertillon zei. Verder betekent het feit dat iets bijna
onmogelijk is, niet dat het helemaal onmogelijk is en dat de uitkomst dus fout is. Als belangrijkste
kritiekpunt noemde Poincaré de inverse probability problem: het verschil tussen het vooraf
berekenen van de kans op een uitkomst, en het achteraf berekenen van de meest waarschijnlijke
oorzaak van dat effect. Dit is een belangrijk punt voor forensische wetenschap.
,Als je de uitkomst weet, heb je een paar dingen nodig om de kans op een oorzaak te berekenen:
- We moeten weten wat a priori, dus voor de gebeurtenis, de kans op de oorzaken was
- We moeten dan voor elke oorzaak weten wat de kans was voor de uitkomst
1.3 Requirements for forensic scientific evidence
Foto’s worden gebruikt om criminelen te identificeren. Dit heeft een paar voordelen: ze kunnen
makkelijk gemaakt worden, en er kunnen mensen mee geïdentificeerd worden van een afstand. Het
wordt minder betrouwbaar als de foto lang geleden gemaakt is.
Fysieke beschrijvingen van mensen zorgen ervoor dat een groot deel van de bevolking uitgesloten
wordt. Maar beschrijvingen en getuigenverklaringen kunnen onbetrouwbaar zijn, omdat mensen wel
op elkaar kunnen lijken en de verkeerde dus gearresteerd kan worden.
Een ideaal wetenschappelijk systeem om mensen te identificeren zou de volgende kenmerken
overwegen:
- Kenmerken die sterk verschillen per individu
- Kenmerken die niet of weinig veranderen over tijd
- Kenmerken die niet ambigu zijn, zodat verschillende experts het kenmerk op dezelfde manier
beschrijven
- Kenmerken die kunnen worden overgedragen naar een plaats delict
Er zijn eigenlijk geen systemen die naar alle kenmerken kijken.
Het is handig om een database te hebben met kenmerken van bepaalde individuen. Zulke databases
zijn bijvoorbeeld DNA banken en vingerafdrukverzamelingen.
Als er een overeenkomst is tussen een spoor dat gevonden is op een plaats delict, en een kenmerk in
een database, moet er bepaald worden wat de waarde is van deze overeenkomst. Wat is de kans dat
het individu helemaal niks te maken had met het plaats delict?
Bewijs hoeft niet per se zekerheid te geven. Maar dat maakt het niet onbetrouwbaar. Vaak wordt
bewijs dat geen zekerheid geeft genegeerd, maar dat bewijs zou nog wel bruikbaar kunnen zijn.
, Hoofdstuk 2: Interpreting Scientific Evidence
Wanneer het gaat om wetenschappelijk bewijs, is het meestal zo dat een forensische wetenschapper
een observatie heeft gedaan en op basis van kennis en ervaring daar een conclusie uit trekt. Onze
taak is het besluiten welke conclusies wel en niet gemaakt kunnen worden op basis van observaties.
In dit hoofdstuk kijken we hoe we een stuk bewijsmateriaal moeten evalueren.
2.1 Relevance and probative value
Een van de vereisten voor bewijsmateriaal is dat het relevant moet zijn. Bewijs is relevant als het een
neiging heeft om een feit meer of minder waarschijnlijk te maken, en dat feit belangrijk is in het
nemen van een beslissing over bijvoorbeeld straf.
2.1.1 Ideal and useless evidence
Een ideaal stuk bewijsmateriaal zou iets zijn dat zich altijd voordoet op het moment dat hetgeen dat
we onderzoeken gebeurt. Dit is bijna onmogelijk om te vinden.
Nutteloos bewijs is iets wat zich altijd voordoet, ongeacht of hetgeen dat we onderzoeken is gebeurt
of niet.
2.1.2 Typical Evidence
Realistisch is bewijs iets dat meer of minder waarschijnlijk is om zich voor te doen op het moment
dat hetgeen dat we onderzoeken gebeurt. De sterkte van dit bewijs heet de ‘probative value’ of
bewijskracht.
2.1.3 An aside on probability and odds
Probability is een rationele meting van de mate van geloof in de waarheid van een stelling.
Probabilities hangen af van de assumpties en de informatie die worden gebruikt. Al deze informatie
staat bekend als voorwaarden. Probabilities hebben waarden tussen 0 en 1. Een probability van 0
betekent dat de stelling niet waar kan zijn en we volledig zeker zijn dat het fout is. Een probability
van 1 betekent dat de stelling waar moet zijn en we er volledig zeker van zijn dat het waar is. Je kan
het ook uitdrukken in percentages.
Je kan probabilities ook uitdrukken in de vorm van odds. Om de odds te krijgen, moet je de volgende
formule gebruiken:
Odds = probability / 1-probability.
Dus stel dat de kans dat een stelling waar is 0.3 is, dan is de odds 0..7 = 3/7.
Als de kans dat een stelling waar is 0.5 is, dan is de odds 0..5 = 1
Als een odd onder de 1 is, is het een ‘odds against’. Dus 3/7 kan beschreven worden als ‘7 to 3
against’.
Om van odds terug te gaan naar probability, gebruik je de volgende formule:
Probability = odds / 1+odds.
2.1.4 A breath-testing device
Er zijn 2 typen fouten die gemaakt kunnen worden: fout negatief en fout positief. Het proberen te
verminderen van de ene fout, zorgt ervoor dat de kans op de andere fout groter wordt. Het is niet
mogelijk om beide fouten volledig te elimineren. We moeten dus kiezen welke fout we willen maken.
- Voorbeeld: je test een ademtest voor mensen die te veel gedronken hebben. Je test het met
1000 samples van mensen die boven de limiet zitten, en met 1000 samples van mensen die
onder de limiet zitten. Je stelt het apparaat zo af dat van de mensen die boven de limiet
zitten, er 950 rood worden en 50 groen, en dat van de mensen die onder de limiet zitten, er
995 groen worden 5 rood.
Dan is er een 95% kans dat het apparaat rood wordt als iemand over de limiet zit (950/1000),
en een 5% kans dat het apparaat groen wordt als iemand over de limiet zit (50/1000). Dan
zijn de odds 19 op 1 dat het apparaat rood wordt als de persoon over de limiet zit.