Absztrakt
Cél: A kétrészes tanulmány második része bemutatja a mesterséges intelligencia lehetőségeit a bűncselekmények komplex rekonstrukciója és a prediktív rendészet terén. A tanulmány első részére építve, néhány úgynevezett klasszikus forenzikus terület áttekintését követően bemutatja a törvényszéki tudományok egy lehetséges jövőképét annak etikai korlátaival és dilemmáival, a komplex rekonstrukció és a prediktív rendészet mesterségesintelligencia-alapú támogatását. Végül mindkét tanulmány összegzését is elvégzi.
Módszertan: A tanulmány számos, közelmúltban megjelent külföldi szakcikk feldolgozásával azok szintézisét végzi el.
Megállapítások: A mesterséges intelligencia alkalmazásának behatolása az egyes tudományterületekre napjainkban is zajló folyamat. Ezt a fejlődést nem kerülhetik el a legváltozatosabb forenzikus szakterületek sem. A hagyományos módszerekkel kezelhetetlen méretű adatbázisokban való eligazodás, a mintafelismerés, a gépi tanulás mind hasznos eszköz lehet a forenzikus tudomány műveléséhez is. Fontos következtetés azonban, hogy a mesterséges intelligencia a szakértői munka támogatója, nem helyettesítője.
Érték: Magyar nyelven a forenzikus tudományok területén ilyen részletes összefoglaló szakcikk eddig nem született.
Hivatkozások
Akhgar, B., Bayerl, P., Mounier, G., Linden, R. & Waites, B. (2022). AP4AI. European Law Enforcement Research Bulletin, (6), 47–56.
Apasrawirote, D., Boonchai, P., Muneesawang, P., Nakhonkam, W. & Bunchu, N. (2022). Assessment of deep convolutional neural network models for species identification of forensically-important fly maggots based on images of posterior spiracles. Scientific Reports, (12), 4753. https://doi.org/10.1038/s41598-022-08823-8
Almazrouei, M. A., Dror, I. E. & Morgan, R. M. (2019). The forensic disclosure model: what should be disclosed to, and by, forensic experts? Int J Law Crime Justice, (59), 100330. https://doi.org/10.1016/j.ijlcj.2019.05.003
Barros, A. I., van der Zwet, K., Westerveld, J. & Schreurs, W. (2022). AI Potential to Uncover Criminal Modus Operandi Features. European Law Enforcement Research Bulletin, (6), 255–263.
Bobbili, R., Ramakrishna, B. & Madhu, V. (2020). An artificial intelligence model for ballistic performance of thin plates. Mechanics Based Design of Structure and Machines, 51(1), 327–338. http://dx.doi.org/10.1080/15397734.2020.1843487
Clarke, R. V. (2004). Technology, criminology and crime science. European Journal on Criminal Policy and Research, 10(1), 55–63. http://dx.doi.org/10.1023/B:CRIM.0000037557.42894.f7
Chin, J. M., Ribeiro, G. & Rairden, A. (2019). Open forensic science. Journal of Law and the Biosciences, 6(1), 255–288. https://doi.org/10.1093/jlb/lsz009
Cole, S. A. (2016). Scandal, fraud, and the reform of forensic science: the case of fingerprint analysis. West Virginia University, 119(2), 524–548.
Czebe A. (2021) A mesterséges intelligencia alkalmazásának elméleti keretei a büntetőeljárásban. Kúriai Döntések, 16(7), 1111–1119.
Dobó J. & Gyaraki R. (2021). A mesterséges intelligencia egyes felhasználási lehetőségei a rendvédelmi területeken. Magyar Rendészet, 21(4), 67–81. https://doi.org/10.32577/mr.2021.4.3
Dror, I. E. & Morgan, R. M. (2019). A Futuristic Vision of Forensic Science. Journal of Forensic Sciences, 65(1), 239–242. https://doi.org/10.1111/1556-4029.14240
Dror, I. E. (2018). Biases in forensic experts. Science, 360(6386), 243–253. https://doi.org/10.1126/science.aat8443
Dror, I. E. (2013). What is (or will be) happening to the cognitive abilities of forensic experts in the new technological age. Journal of Forensic Sciences, 58(2), 563–572. http://dx.doi.org/10.1111/1556-4029.12079
Dror, I. E. & Mnookin, J. (2010). The use of technology in human expert domains: challenges and risks arising from the use of automated fingerprint identification systems in forensics. Law Probability Risk, 9(1), 47–67. http://dx.doi.org/10.1093/lpr/mgp031
el Rahwan, A. (2022). Artificial Intelligence and Interoperability for Solving Challenges of OSINT and Cross-Border Investigations. European Law Enforcement Research Bulletin, (6), 179–197.
Fazekas I. (2018). A mesterségesintelligencia-kutatás eredményei a kriminalisztika néhány vonatkozásában. Belügyi Szemle, 66(7-8), 55–65. https://doi.org/10.38146/BSZ.2018.7-8.4
Garfinkel, S. L. (2010). Digital forensics research: the next 10 years. Digital Investigation, 7(Suppl), 64–73. http://dx.doi.org/10.1016/j.diin.2010.05.009
Gelder, J., Vries, R.E., Demetriou, A., Sintemaartensdijk, I. & Donker, T. (2019). The virtual reality scenario method: moving from imagination to immersion in criminal decision-making research. Journal of Research in Crime and Delinquency, 56(3), 451–480. https://doi.org/10.1177/0022427818819696
Gosch, A. & Courtslow, C. (2019). On DNA transfer: the lack and difficulty of systematic research and how to do it better. Forensic Science International Genetics, 40, 24–36. http://dx.doi.org/10.1016/j.fsigen.2019.01.012
Hefetz, I. (2023). Mapping AI-ethics’ dilemmas in forensic case work: To trust AI or not? Forensic Science International, 350, 111807. https://doi.org/10.1016/j.forsciint.2023.111807
Herke Cs. (2021). A mesterséges intelligencia kriminalisztikai aspektusai. Belügyi Szemle, 69(10), 1709–1724. https://doi.org/10.38146/BSZ.2021.10.2
Ifa, D. R., Manicke, N. E., Dill, L. A. & Cooks, R. G. (2008). Latent fingerprint chemical imaging by mass spectrometry. Science, 321(805), 805–811. https://doi.org/10.1126/science.1157199
Kisfonai B. (2023). A bűnügyek jövőbeli megelőzése, avagy a prediktív rendészet új arca. Rendőrségi Tanulmányok, 3, 58–73. https://doi.org/10.53304/RT.2023.3.02
Koeijer, J., Sjerps, M., Vergeer, P. & Berger, C. (2019). Combining evidence in complex cases – a practical approach to interdisciplinary casework. Science & Justice, 60(1), 20–29. https://doi.org/10.1016/j.scijus.2019.09.001
Leese, M. (2022). Digital Data and Algorithms in Law Enforcement. European Law Enforcement Research Bulletin, (6), 39–46.
Leone, M. (2021). From Fingers to Faces: Visual Semiotics and Digital Forensics. International Journal of Semiotics Law, 34, 579–599. https://doi.org/10.1007/s11196-020-09766-x
Mátyás Sz., Mészáros B. & Szabó I. (2020). Prediktív rendészet. In Ruzsonyi P. (Szerk.), Közbiztonság: Fenntartható biztonság és társadalmi környezet tanulmányok III. (pp. 1895–2064). Nemzeti Közszolgálati Egyetem.
Morgan, R. M. (2019). Forensic science. The importance of identity in theory and practice. Forensic Science International: Synergy, 1, 239–242. https://doi.org/10.1016/j.fsisyn.2019.09.001
Morgan, R. M. & Levin, E. (2019). A crisis for the future of forensic science: lesson from the UK for the importance of epistemology for funding research and development. Forensic Science International: Synergy, 1, 243–252. https://doi.org/10.1016/j.fsisyn.2019.09.002
Neumann, C., Evett, I. W. & Skerrett, J. (2012). Quantifying the weight of evidence from a forensic fingerprint comparison: a new paradigm. Journal of the Royal Statistical Society: Series A (Statistics in Society), 175(2), 1–26. https://doi.org/10.1111/j.1467-985X.2011.01027.x
Onen, M., Emond, N., Wang, B., Zhang, D., Ross, F. M., Li, J., Yildiz, B. & del Alamo, J. A. (2022). Nanosecond protonic programmable resistors for analog deep learning. Science, 377(6605), 539–543. https://doi:10.1126/science.abp8064
Oura, P., Junno, A. & Junno, J. A. (2021). Deep learning in forensic gunshot wound interpretation-a proof-of-concept study. International Journal of Legal Medicine, 135(5), 2101–2106. https://doi:10.1007/s00414-021-02566-3
Ozkaya, N. & Sagiroglu, S. (2010). Generating One Biometric Feature from Another: Faces from Fingerprints. Sensors, 10(5), 4206–4237. https://doi:10.3390/s100504206
Petrétei D. (2023). A daktiloszkópiai nyomkutatás modern módszerei I. – A fizikai módszerek. Belügyi Szemle, 71(4), 585–601. https://doi.org/10.38146/BSZ.2023.4.2
Ribaux, O. & Talbot, W. B. (2014). Expanding forensic science through forensic intelligence. Science & Justice, 54(6), 494–501. http://dx.doi.org/10.1016/j.scijus.2014.05.001
Smolianitsky, E., Wolf, E. & Almog, J. (2014). Proactive forensic science: a novel class of cathinone precursors. Forensic Science International, 242, 219–227. https://doi.org/10.1016/j.forsciint.2014.06.020
Taylor, D., Biedermann, A., Samie, L., Pun, K. M., Hicks, T. & Champod, C. (2017). Helping to distinguish primary from secondary transfer events for trace DNA. Forensic Science International: Genetics, 28, 155–177. https://doi.org/10.1016/j.fsigen.2017.02.008
Zámpori A. (2021) A digitalizáció fejlődésének hatása a polgári perbeli bizonyításra. Multidiszciplináris Tudományok, 11(5), 344–352 https://doi.org/10.35925/j.multi.2021.5.38
Zhou, Z. & Zare, R. N. (2017). Personal information from latent fingerprints using desorption electrospray ionization mass spectrometry and machine learning. Analytical Chemistry, 89(2), 1369–1372. https://doi.org/10.1021/acs.analchem.6b04498
![Creative Commons License](http://i.creativecommons.org/l/by-nc-nd/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Copyright (c) 2024 Belügyi Szemle