Fingerprint Identification: Potential Sources of Error and the Cause of Wrongful Convictions
Notice bibliographique
Résumé
Fingerprint identification has long been used by law enforcement to either identify or eliminate potential suspects in a case. It relies on friction ridges – the upraised skin that forms grooves on fingers – and friction ridge impressions, which form from natural secretions of sweat and other trace components. Latent prints, a common term for friction ridge impressions, have many benefits and advantages as a type of forensic evidence. However, they are not a perfect tool: wrongful convictions identified by post-conviction DNA testing and the re-evaluation of forensic evidence have spawned criticism and investigation into the scientific basis of this branch of forensics. This literature review examines literature in both the scientific and legal fields, and investigates three main themes: the principle of uniqueness assumed in individualization, the presence of cognitive bias and human error in analysis, and the changing role of expert testimony in court. There are arguments both for and against uniqueness, but it is still difficult to prove using statistical models and data analysis. Bias in examiners, on the other hand, undeniably exists in different ways, and should be actively guarded against in fingerprint analysis and expert testimony. Expert witness testimony that misleads, exaggerates, or is scientifically unsupportable has been linked to wrongful convictions in the past, highlighting the importance of careful regulation of how an expert witness is advised to testify. In addition to these topics, the techniques of collecting latent print evidence and the standard procedures of analysis have also been examined and evaluated for potential sources of error. Le maintien de l’ordre public utilise depuis longtemps les empreintes digitales pour identifier et éliminer des suspects d’une affaire criminelle. Les empreintes digitales se ent aux crêtes papillaires — les crêtes et les creux qui formes des rainures sur les doigts — et des empreintes des crêtes papillaires, ce qui se forme par les sécrétions naturelles de transpiration et autres composantes de traces. Les empreintes latentes, un terme courant pour les empreintes digitales, possèdent plusieurs avantages en tant qu’élément médico-légal de preuve. Toutefois, ce n’est pas une ressource able; des condamnations injustifiées identifiées par un test d’ADN post-condamnatoire et la réévaluation de l’évidence médico-légale ont frayé des critiques et des enquêtes de la base des sciences des empreintes digitales. Cette revue examine les textes dans les domaines scientifiques et médico-légaux, et examine trois thèmes : le principe d’unicité assumé par l’individualisation, la présence d’un biais cognitif et l’erreur humaine dans l’analyse, et le rôle changeant de témoignages experts devant la Cour. Il existe des arguments pour et contre l’unicité, mais l’unicité est tout de même difficile à prouver en utilisant les modèles statistiques et l’analyse de données. Un préjugé chez les examinateurs, d’autres parts, existe incontestablement, et devrait être activement évité lors de l’analyse d’empreinte digitale et de témoignages experts. Le témoignage d’expert qui induit en erreur, qui est exagéré ou qui est scientifiquement faux a mené à des condamnations injusti ées dans le passé, ce qui met en évidence l’importance d’une législation prudente sur comment l’expert est conseillé de témoigner. En plus de ces thèmes, les techniques de collecte des empreintes digitales latentes et les procédures normales d’analyse ont aussi été examinés et évalués pour des sources d’erreurs potentielles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».