ArticlePDF Available

Cómo presentar la evidencia científica a la comunidad jurídica: factor de Bayes

Article

Cómo presentar la evidencia científica a la comunidad jurídica: factor de Bayes

Abstract

Tanto la comunidad forense como la jurídica abogan por tener una metodología unificada para la interpretación de la fuerza de la evidencia científica. La recomendación para que el perito empleen cocientes de verosimilitudes (factor de Bayes) independiza los resultados del tipo de análisis forense y la técnica empleada, y permite hacerlos más comprensible para los abogados, jueces y personal de la justicia que son los responsables de tomar las decisiones del caso a partir de ellos. En el presente trabajo se explica cómo determinar el factor de Bayes para casos con una única evidencia y cuando se requiere la combinación de varias evidencias para el mismo caso. Finalmente se presentan algunas pautas para la elaboración del informe evaluativo, resaltando la importancia de la presentación numérica y verbal de la fuerza de la evidencia, y la importancia de la selección correcta de la población de referencia.
©ResearchGate (2017)
Resumen Tanto la comunidad forense como la jurídica
abogan por tener una metodología unificada para la interpretación
de la fuerza de la evidencia científica. La recomendación para que
el perito empleen cocientes de verosimilitudes (factor de Bayes)
independiza los resultados del tipo de análisis forense y la técnica
empleada, y permite hacerlos más comprensible para los abogados,
jueces y personal de la justicia que son los responsables de tomar
las decisiones del caso a partir de ellos. En el presente trabajo se
explica cómo determinar el factor de Bayes para casos con una
única evidencia y cuando se requiere la combinación de varias
evidencias para el mismo caso. Finalmente se presentan algunas
pautas para la elaboración del informe evaluativo, resaltando la
importancia de la presentación numérica y verbal de la fuerza de
la evidencia, y la importancia de la selección correcta de la
población de referencia.
Palabras claves evidencia científica, cociente de
verosimilitudes, factor de Bayes, informe evaluativo, marco de
referencia, población de referencia.
I. UN CASO CON UNA ÚNICA EVIDENCIA
upongamos que un juez quiere saber cuál es la
probabilidad de que un sospechoso hubiera sido el que
cometió un robo en un edificio, siendo que la voz del ladrón
quedó grabada en el sistema de seguridad de un edificio en el
que se encontraban 21 personas entre las que se contaba el
sospechoso. Para ello, se le tomó una muestra de voz al
sospechoso y se utilizó un sistema automático de
identificación forense de voz de última tecnología para
comparar ambas grabaciones. El estado del arte en este tipo de
tecnología es la metodología basada en i-vectores con
compensación PLDA cuyo resultado se expresa según un
cociente de verosimilitudes LR (Likelihood Ratio), también
denominado factor de Bayes, que puede tomar valores entre
[0, ∞]. Valores menores que 1 representan voces diferentes y
valores superiores a 0 voces similares; a menor o mayor valor
respectivamente mayor certeza en cada caso. De manera de
poder expresar este tan amplio rango de valores generalmente
se presentan los resultados en escala logarítmica log(LR) o
LLR (Log Likelihood Ratio). En la Tabla 1 podemos ver la
equivalencia entre estos valores y una posible interpretación
verbal de acuerdo a una escala de conclusiones propuesta por
Evett et al. (2000) del British Forensic Science Service. En
este caso se consideraron dos hipótesis competitivas: la de la
fiscalía y la de la defensa. La fiscalía propone que ambas
Pedro Univaso, BlackVOX & Laboratorio de Investigaciones Sensoriales
(INIGEM-CONICET, UBA), Buenos Aires, Argentina,
punivaso@blackvox.com.ar
grabaciones fueron emitidas por la misma fuente y la defensa
por diferentes personas. Por ejemplo: un factor de Bayes de
100 (LLR=2) significa que existe una probabilidad cien veces
superior que las grabaciones provengan de la misma fuente
que de diferentes fuentes.
Tabla 1. Interpretación de los valores del cociente de verosimilitudes (LR) y
del logaritmo del cociente de verosimilitudes (LLR). Se supone que las
hipótesis competitivas son la de la defensa y la de la fiscalía.
Siendo p(Hf|E) la probabilidad “a posteriori” de que la
hipótesis de la fiscalía sea cierta dada la evidencia (en este
caso el resultado de la comparación de ambas voces) y
p(Hd|E) la de la defensa. Entonces, y de acuerdo al teorema de
Bayes, el cociente de ambas probabilidades se expresa como:

  
 (1)
Donde p(Hf) es la probabilidad “a priori” de que se cumpla la
hipótesis de la fiscalía previo a que se tuviera información de
la evidencia. Es decir, en este caso, la probabilidad de que el
sospechoso pudiera ser el ladrón hubiera sido 1 en 21, es decir
p(Hf) = 1/21 = 4,76%; y p(Hd) es la probabilidad “a priori” de
que se cumpla la hipótesis de la defensa que diría que existen
20 personas que podrían haber sido el ladrón y no su
defendido, con lo cual él diría que existe una probabilidad
p(Hd) = 20/21 = 95,24% de que no haya sido su defendido.
Supongamos que el sistema de identificación de hablantes
arrojó un resultado de LR = 1000. Con lo cual el cociente de
probabilidades (1) quedaría como:

 
   
(2)
LR Log(LR) In terpretación del Factor de Bayes*
< 0,0001 < -4 Evidencia muy fuerte
0,001 a 0,0001 -3 a -4 Evidencia fuerte …
0,01 a 0,001 -2 a -3 Evidencia moderadamente fuerte …
0,1 a 0,01 -1 a -2 Evidencia moderada …
< 1 a 0,1 < 0 a -1 Evidencia limitada …
1 0 La evidencia no puede apoyar una hipótesis frente a la otra
> 1 a 10 > 0 a 1 Evidencia limitada …
10 a 100 1 a 2 Evidencia moderada …
100 a 1.000 2 a 3 Evidencia moderadamente fuerte …
1.000 a 10.000 3 a 4 Evidencia fuerte …
> 10.000 > 4 Evidencia muy fuerte
Factor de Bayes
… a favor de la
hipótesis de la
defensa
… a favor de la
hipótesis de la
fiscalía
Cómo presentar la evidencia científica a la
comunidad jurídica: factor de Bayes
Pedro Univaso
S
©ResearchGate (2017)
La Fig. 1 muestra este caso de forma esquemática y nos
permite visualizar la influencia de la evidencia forense en la
inferencia del caso. Si inicialmente se tenía una presunción 20
a 1 a favor de la inocencia del imputado, después de analizar
la evidencia se invierte la presunción y se puede inferir que
existe una probabilidad de 50 a 1 de considerarlo culpable.
Fig. 1. Análisis de la evidencia forense basado en la
inferencia bayesiana. Adaptado de Ramos Castro (2015)
Si ahora pasamos términos en la ecuación (2) nos queda:
   (3)
Se debe tener en cuenta que dado que las hipótesis de la
fiscalía y la defensa son complementarias la suma de ambas
probabilidades debe ser la unidad, es decir: p(Hd) + p(Hf) = 1
(en el ejemplo actual es 4,76% + 95,24% = 100%). Lo mismo
ocurre con las hipótesis que se obtienen después de considerar
la evidencia, es decir: p(Hd|E) + p(Hf|E) = 1. Entonces
podemos expresar 3) como:
     (4)
Y despejando y reordenando nos queda la probabilidad que
estaba buscando el juez inicialmente:

  (5)
Es decir en este caso en que inicialmente existía una misma
probabilidad del 4,76% de que cualquiera de las 21 personas
fuera el ladrón, una vez obtenida la evidencia (LR = 1000) la
probabilidad del sospechoso pasó a ser del 98% y la de cada
una de las demás personas del 0,1% (el resto de las personas
poseen una probabilidad del 2%, complementaria al 98% del
sospechoso, es decir: 2%/20 = 0,1% cada una).
Si en cambio el sistema hubiera arrojado un valor del factor de
Bayes de LR=100, la probabilidad de que el sospechoso
hubiera sido el ladrón se hubiera reducido al 83% (aunque en
las ecuaciones anteriores sólo cambia el valor 50 por 5 esto
afecta grandemente el factor de la ecuación 7) que pasa a ser 6
en lugar de 51, con lo cual la p(Hf|E) = 5/6 = 83%).
Por otro lado si en lugar de 21 personas hubieran sólo 11
personas en el edificio la probabilidad, con la misma LR =
1000, hubiera sido del 99% (el valor 50 pasa a ser ahora 100,
y la p(Hf|E) = 100/101 = 99%)
Se ha de notar que el factor de Bayes puede ser menor que 1,
significando que el cotejo de las muestras es diferente.
Supongamos en el caso anterior que LR = 0,1 con lo cual el
resultado de la ecuación (2) sería 1/200, y por lo tanto la
probabilidad de que el sospechoso hubiera sido el ladrón se
hubiera reducido al 0,5%, menor que la probabilidad original
que era del 4,76% antes de la intervención del forense.
Si analizamos la ecuación (1) vemos que el cociente de
probabilidades depende de un factor que se corresponde
directamente con el “cotejo de voz” (LR) y otro que depende
del “entorno” (en este caso la cantidad de personas en el
edificio). El ámbito del perito (en este caso del cotejo de
voces) es informar al juez el resultado de su análisis pero no
deberá dar una probabilidad de la culpabilidad o inocencia o
del sospechoso, ya que no tiene acceso al factor del “entorno”
que afecta directamente sus resultados. Es recomendable que
el perito sólo tenga acceso a la información del caso que le sea
relevante para el análisis de su experticia, para no sesgar su
decisión. Si en la ecuación (1) denominamos al cociente de
probabilidades “a priori” como PR (Probability Ratio) y
reordenamos podemos ver más claramente esta relación.

   
   (6)
     (7)
  
 (8)
Podemos ver ahora más claramente como la probabilidad que
busca conocer el juez depende del factor de LR y PR, es decir
del cotejo de voz y del entorno. Aplicándola en el primer
ejemplo del caso que estamos viendo donde LR x PR = 50
podemos calcular directamente la probabilidad como 50 /
(50+1) = 50/51 = 98% y así sucesivamente en los otros
ejemplos vistos.
En la Fig. 2 podemos ver los valores que toma la probabilidad
de que el sospechoso sea el ladrón según los resultados del
sistema de identificación de hablantes en el caso que estamos
analizando, para diferentes valores de personas en el edificio
(n), lo cual varía la probabilidad “a priori” (PR). Podemos ver
como disminuye esta probabilidad para un mismo resultado
del sistema de identificación de hablantes a medida que la
cantidad de personas en el edificio aumenta. El límite p(Hf|E)
= 50% divide los casos de inocencia y culpabilidad; para el
©ResearchGate (2017)
caso de n=200 si el forense determina un factor de Bayes
superior a 200 implica la culpabilidad del sospechoso y
viceversa.
Fig. 2. Ejemplo de probabilidad de que se cumpla la hipótesis
de la fiscalía p(Hf|E), en el caso del sospechoso de robo del
edificio, en función del factor de Bayes (LR), donde n es la
cantidad de personas en el edificio.
La Fig. 3 es un gráfico paramétrico que presenta la variación
de la probabilidad final de una hipótesis en función de la
hipótesis inicial de la misma hipótesis y de acuerdo a
diferentes valores del factor de Bayes o fuerza de la evidencia
encontrada. El ejemplo marcado corresponde a un LR = 10 y
donde con una probabilidad inicial del 40% se pasa a una
probabilidad final del 88%.
Fig. 3. Ejemplo de cómo la probabilidad final de una hipótesis
es afectada por la fuerza de la evidencia (LR) en función de la
probabilidad inicial de la misma hipótesis.
II. UN CASO CON VARIAS EVIDENCIAS
Supongamos ahora que en el caso que estamos analizando,
además de haberse obtenido la grabación de la voz del ladrón
también se obtuvo una muestra de las huellas de su pisada en
el lugar del hecho, lo cual lleva al juez a tener que considerar
ambas evidencias. ¿Cómo puede hacerlo en el entorno de la
metodología de inferencia bayesiana?
Suponiendo que ambas evidencias E1 y E2 son independientes
y que los factores de Bayes obtenidos en el cotejo de voces y
del análisis de las pisadas son LR1 y LR2 respectivamente,
entonces podemos expresar el cociente de probabilidades
como:


  (9)


    (10)

     
 (11)
Y por lo tanto la probabilidad que busca el juez puede
expresarse, partiendo de la ecuación (8), como:
  
 (12)
Nótese que (12) es similar a (8) con un factor de Bayes
equivalente LReq = LR1 x LR2, cuyo valor se calcula como el
producto de los factores de Bayes de todas las evidencias
presentes en el caso.
Si consideramos que el sistema de identificación de
hablantes arrojó un LR1 = 1000 (fuerte certeza que las
grabaciones sean del sospechoso) y el de muestras de pisadas
LR2 = 0,1 (falta de certeza limitada que las pisadas sean del
sospechoso) la probabilidad de que el sospechoso sea el ladrón
asciende ahora al 84%.
Esta misma ecuación (12) puede emplearse en casos donde
existe una única evidencia pero diferentes métodos para
calcularla, aportando cada método un factor de Bayes.
Algunos laboratorios forenses emplean sistemas de
identificación de hablantes combinados, considerados por la
comunidad forense de vanguardia la alternativa de mayor
fiabilidad, que incluyen diferentes metodologías (e.g. sistemas
automáticos basados en i-vectores, análisis de formantes,
análisis auditivo-perceptual, etc.). Esta metodología permite
presentar un factor de Bayes equivalente (LReq) que incluya el
aporte de diferentes perspectivas de estudio de manera que las
conclusiones alcanzadas posean un mayor grado de
objetividad. Por supuesto que esto es factible únicamente si
los resultados de los diferentes métodos se expresan,
siguiendo el paradigma bayesiano, como cocientes de
verosimilitudes.
En el caso que las evidencias no sean independientes se
debería considerar dicha dependencia. Por ejemplo, si la E2
dependiera de los resultados de la E1 el factor LR1 x LR2
debería calcularse como LR1 x LR2|LR1. La combinación de
evidencias forenses en estos casos pueden resolverse
empleando redes bayesianas (Barriel Guitián 2011).
III. ELABORACIÓN DEL INFORME EVALUATIVO
La guía para la elaboración de informes evaluativos en el área
forense de la ENFSI (European Network of Forensic Science
Institutes) (Willis et al. 2015) proporciona a los profesionales
forenses un marco recomendado para la formulación de
©ResearchGate (2017)
informes de evaluación y los requisitos relacionados para el
archivo del caso. Mientras que el archivo del caso debe
contener todas las notas de laboratorio, resultados analíticos,
cálculos y correspondencia asociados con el caso, el informe
evaluativo proporciona la fuerza de los hallazgos en el
contexto de supuestas circunstancias. Aunque esta guía no
cubre los requisitos de inteligencia, investigación o informes
técnicos, un informe evaluativo a menudo también contiene
elementos de los reportes técnicos.
En casos donde la información no es clara o está incompleta
(tiempo, naturaleza del supuesto contacto, recuperación, etc.),
la guía propone que se debe decidir si hay motivos suficientes
para llevar a cabo un trabajo que conduzca a un informe
evaluativo o si solo se puede proporcionar un informe de
investigación. Los informes evaluativos para su uso en los
tribunales deben producirse cuando son solicitados por una
autoridad competente.
La evaluación de los hallazgos de la ciencia forense en la corte
emplea la probabilidad como una medida de incertidumbre.
Ésta se basa en los hallazgos, datos asociados, conocimiento
del experto, proposiciones específicas del caso y los
condicionamientos de la información. El término 'hallazgos o
evidencia' describe los resultados de los exámenes asociados
con los elementos del caso en cuestión, mientras que el
término 'datos' se refiere al conocimiento técnico y empírico
asociado con un tipo de muestreo dado. Se usa para referirse a
observaciones generales (empíricas), como la aparición de
perfiles de ADN entre miembros de una población relevante o
el número esperado de fragmentos de vidrio transferidos en
prendas de vestir como resultado de rotura de cristales. Dichos
datos pueden tomar, por ejemplo, la forma estructurada de
publicaciones científicas, bases de datos o informes internos o,
en ausencia de lo anterior, se parte del conocimiento experto
construido sobre experimentos conducidos bajo condiciones
controladas (incluyendo experimentos de casos específicos),
entrenamiento y experiencia.
La evaluación asigna una relación de verosimilitudes LR
(Likelihood Ratio) o factor de Bayes, la cual mide la fuerza de
la evidencia que permite discriminar entre proposiciones de
interés. Está científicamente aceptado emplear este tipo de
razonamiento inferencial. Otros métodos (e.g. métodos
quimiométricos) tienen un lugar en la ciencia forense, pero
para ayudar a responder otras preguntas en diferentes puntos
del proceso forense (e.g. validación del método empleado,
clasificación / discriminación de sustancias para investigación
o informes técnicos). Igualmente, otros métodos (e.g. prueba t
de Student) pueden contribuir a los informes evaluativos, pero
solo deben usarse para caracterizar los hallazgos y no para
evaluar su fortaleza. Los hallazgos forenses como tales deben
distinguirse de su evaluación, para la cual solo es aceptado un
enfoque basado en una relación de verosimilitudes.
Supongamos el siguiente caso, extractado de la guía del
ENFSI, donde un centro de atención telefónica privado recibe
una llamada desde un teléfono móvil advirtiendo de la
colocación de una bomba en un lugar público en nombre de
una organización terrorista. La explosión ocurrió según se
detallara en la llamada. La organización terrorista se adjudicó
el hecho. Como parte de los procedimientos de investigación
en curso, la policía arrestó a un hombre seis días después del
ataque y le tomó declaración en la prisión grabando la
conversación con un micrófono de mesa. Ambas grabaciones
forman parte del cotejo de voz solicitado por el juzgado al
forense para determinar si ambas voces proceden de la misma
persona o de diferentes personas (hipótesis competitivas).
Siguiendo el protocolo establecido para el análisis de ambas
grabaciones (Univaso 2017) el forense emplea un sistema de
identificación de hablantes basado en una de las últimas
técnicas conocidas (i-vector/PLDA) verificado en pruebas
internacionales (e.g. evaluaciones NIST del departamento de
comercio de los Estados Unidos de Norteamérica). Dado que
las grabaciones provienen de canales diferentes (teléfono
móvil y micrófono) se debe verificar el ajuste del canal del
sistema. Se emplearon dos bases de datos con grabaciones de
hablantes en esas condiciones y se validó el sistema de
acuerdo a la guía ENFSI para las mejores prácticas forenses
para el reconocimiento automático y semi-automático de
hablantes (Drygajlo et al. 2015). El resultado del cotejo de
voces resultó en un valor del factor de Bayes de LR = 210.
El informe evaluativo expresa que los hallazgos determinaron
que es apreciablemente más probable la hipótesis de que
ambas grabaciones hayan sido emitidas por la misma persona,
que por personas diferentes grabadas en condiciones acústicas
similares. Por "apreciablemente más probable" se consideró
cualquier resultado que sea del orden de 100 a 1000 veces más
probable si la primera proposición es verdadera en lugar de la
proposición alternativa. El calificador 'apreciablemente más
probable' es parte de la escala de evaluación verbal que puede
verse en la Tabla 2, adjunta al informe. Adicionalmente el
perito debe adicionar información del sistema empleado, su
validación y el protocolo de ensayo empleado.
Tabla 2. Escala de evaluación verbal del factor de Bayes para
un caso de identificación de hablantes.
IV. MARCO DE REFERENCIA
En el año 2016 se realizó una encuesta sobre el uso de los
sistemas de identificación de hablantes por parte de los
organismos encargados de hacer cumplir la ley en todo el
mundo. Se distribu un cuestionario en los 190 países
miembros de INTERPOL. Se recibieron 91 respuestas de 69
países. 44 encuestados informaron que tenían capacidades
para la identificación de hablantes. Como puede verse en la
Fig. 4, el marco de referencia más popular para informar
conclusiones fue la identificación / exclusión / no concluyente
LR Log(LR) In terpretación del Factor de Bayes*
< 0,0001 < -4 Es extremadamente más probable …
0,001 a 0,0001 - 3 a -4 Es mucho más probable …
0,01 a 0,001 -2 a -3 E s apreciablemente más probable …
0,1 a 0,01 -1 a -2 Es más probable …
< 1 a 0,1 < 0 a -1 Es levemente más probable …
1 0 No se puede resolver el problema
> 1 a 10 > 0 a 1 Es levemente más probable …
10 a 100 1 a 2 Es más probable …
100 a 1.000 2 a 3 Es apreciablemente más probable …
1.000 a 10.000 3 a 4 Es mucho más probable …
> 10.000 > 4 Es extremadamente más probable …
Factor de Bayes
… que las
grabaciones hayan
sido emitidas por
diferentes personas
… que las
grabaciones hayan
sido emitidas por la
misma persona
©ResearchGate (2017)
con el 43% de casos analizados, mientras que sólo el 37% de
los casos emplean el marco de escalas de cociente de
verosimilitudes o factor de Bayes. Un limitado número de
laboratorios emplean el marco de referencia de la probabilidad
“a posteriori” y la del Reino Unido (UK), en la cual las
muestras del habla se comparan en términos de dos factores
ordenados en serie: consistencia y carácter distintivo (Rose et
al. 2009).
Fig. 4. Encuesta sobre el uso de los sistemas de identificación
de hablantes por las agencias internacionales, miembros de la
INTERPOL, encargadas de hacer cumplir la ley. Adaptado de
Morrison et al. (2016)
Coincidiendo con Gascón Abellán (2007), “el resultado de la
comparación de muestras puede ser la exclusión (no
coincidencia de los perfiles comparados) o la identificación
(coincidencia de los perfiles comparados). Cuando el resultado
de la comparación es la exclusión, dicho resultado en principio
se puede aceptar como infalible, aunque en la práctica se
aconseja repetir la prueba para verificar que no ha habido
fallos o errores. Pero si el resultado fuera la identificación o
coincidencia, habrá que valorar aún esa coincidencia; más
exactamente, habrá que valorar la probabilidad de que el
vestigio analizado provenga de ese individuo, lo que
dependerá del porcentaje de individuos de la población
general presentan ese perfil o rasgo de comparación. La
valoración de la coincidencia no puede realizarse
intuitivamente, sino que ha de hacerse mediante un análisis
matemático-estadístico (preferentemente por métodos
bayesianos) habida cuenta de la frecuencia con la que el perfil
o rasgo identificado se presenta en la población general. Por
eso es particularmente importante conocer cuál es el grupo o
población de referencia que ha tomarse como población
general.”
Gold et al. (2011) realizaron otra encuesta internacional sobre
prácticas forenses de cotejo de voces en la que participaron
universidades y laboratorios de 13 países. El marco de
referencia más citado fue la probabilidad “a posteriori”
(típicamente en formato verbal: probable / muy probable que
las muestras provengan del mismo o diferente hablante), en
segundo lugar el factor de Bayes (numérico y verbal) y en
menor medida el marco de referencia UK y la identificación
(considerando en este caso la decisión binaria).
V. CONCLUSIONES
Estamos ante la necesidad que la ciencia y la ley comiencen a
hablar un idioma común para que las pruebas forenses
contemplen los requisitos de validez científica y que su
interpretación por parte de los profesionales de la ley sea
unívoca.
Para ello se le debe pedir a la ley que no autorice peritajes
forenses sin el sustento científico enunciado en los principios
Daubert (Green et al. 1999) que requiere que la técnica o
teoría empleada: 1) esté probada, 2) haya sido publicada o
sujeta a revisión por pares, 3) posea un rango de error
conocido o posible, y la existencia de estándares de calidad y
su cumplimiento durante el peritaje, y 4) sea ampliamente
aceptada por la comunidad científica relevante.
Con respecto al testimonio forense, el Departamento de
Justicia de USA emitió un memorando en septiembre de 2016
recomendando a los forenses y fiscales que no utilicen la frase
“certeza científica razonable” en su informes o testimonios,
para no inducir a errores a los jueces o jurados.
Es importante que los resultados se presenten de forma
inteligible para los legos, pero sin menoscabar la rigurosidad
científica. La recomendación para que se emplee el factor de
Bayes independiza los resultados de la técnica empleada, y
permite hacerlos más comprensible para los profesionales de
la justicia. Lo que ellos esperan del perito es conocer la
probabilidad de que el vestigio analizado provenga del
individuo con el que se establece la comparación. Pero podría
suceder que el juez poco o nada versado en el análisis
matemático-estadístico- malinterprete el valor probabilístico
de esa coincidencia. Es muy importante, por eso, que el perito
presente adecuadamente ese valor junto a su interpretación
verbal.
El perito sólo tiene la responsabilidad de comunicar al juez, en
los términos más rigurosos y claros posibles, el margen de
incertidumbre de la opinión que emite. Pero es el juez quien
debe verificar la validez de dichas pruebas y ponderar el valor
relativo con respecto al resto de las pruebas del caso en la
decisión final que debe adoptar.
REFERENCIAS
E. Barriel Guitián, “Cálculo del peso de la evidencia en casos
forenses de reconocimiento automático de locutor en los que
existen varias tomas de vos de procedencia desconocida”.
Proyecto fin de carrera, Universidad Autónoma de Madrid, 2011.
N. A. Drygajlo, M. Jessen, S. Gfroerer, I. Wagner, J. Vermeulen &
T. Niemi, “Methodological Guidelines for Best Practice in
Forensic Semiautomatic and Automatic Speaker Recognition”, in
European Network of Forensic Science Institutes, 2015.
I. W. Evett, G. Jackson, J.A. Lambert, & S. McCrossan, “The
impact of the principles of evidence interpretation on the structure
and content of statements”. Science & Justice, 40(4), 233-239,
2000
M. Gascón Abellán, “Validez y valor de las pruebas científicas: la
prueba del ADN”. Versión html del archivo disponible en
http://www.uv.es/CEFD/15/gascon.pdf, 2007.
©ResearchGate (2017)
E. Gold, & P. French, An international investigation of forensic
speaker comparison practices. In Proceedings of the 17th
International Congress of Phonetic Sciences, pp. 751-754, 2011.
E. Green, C. Nesson, & P. Murray, “Daubert v. Merrell Dow
Pharmaceuticals, Inc. 113 S. Ct. 2786”. United States, Harvard
Law.http://www.law.harvard.edu/publications/evidenceiii/cases/da
ubert.htm, 1999.
G. S. Morrison, F. H. Sahito, G. Jardine, D. Djokic, S. Clavet, S.
Berghs, & C. G. Dorny, “INTERPOL survey of the use of speaker
identification by law enforcement agencies”. Forensic Science
International, 263, 92-100, 2016.
D. Ramos Castro, “Forensic evaluation of the evidence using
automatic speaker recognition systems”. Tesis doctoral, 2007.
P. Rose, & G. Morrison, “A response to the UK position statement
on forensic speaker comparison”. The international journal of
speech, language and the law, 16(1), 139, 2009.
P. Univaso, “Towards a Unified Methodology for Forensic
Speaker Identification”, ResearchGate, DOI:
10.13140/RG.2.2.31571.58402, 2016.
S. M. Willis, L. McKenna, S. McDermott, G. O’Donell, A.
Barrett, B. Rasmusson, ... & G. Zadora, “ENFSI guideline for
evaluative reporting in forensic science”. European Network of
Forensic Science Institutes, 2015.
Pedro Univaso nació en Buenos Aires, Argentina, el 4 de
marzo de 1959. Se graduó en la Facultad de Ingeniería de la
Universidad de Buenos Aires (UBA) como Ingeniero
Electromecánico orientación Electrónica y es candidato al
doctorado por la misma universidad. Es socio fundador de
BlackVOX, empresa de base tecnológica incubada en el Laboratorio de
Investigaciones Sensoriales (LIS), perteneciente al Consejo Nacional de
Investigaciones Científicas y Técnicas (CONICET) y a la UBA, de la cual es
Investigador Invitado. Sus temas de investigación son el reconocimiento
automático de habla y hablantes, la identificación de hablantes en el ámbito
forense y la minería de datos.
Thesis
Full-text available
Some of the most popular applications of speaker recognition are: financial, forensic and legal, security, audio and video indexing, surveillance, teleconferencing, and e-learning. This work focuses on forensic applications, and seeks to improve automatic speaker recognition systems by incorporating distinctive long-term features to actual short-term information. We can summarize the overall objective of this thesis as the "incorporation of long-term information to an automatic speaker recognition system based on standard segmental parameters to be used in forensic applications." The proposed hypothesis suggests that if you manage to find segmental characteristics of higher order and suprasegmental features that are useful for people discrimination, the multiparametric system will perform better in the recognition task, since it will have more information about the speaker. The main sources for the determination of these features will neuroscience and linguistics, considering that valuable knowledge can be extracted from the analysis of the innate ability of humans to recognize people by their voice.
Data
Full-text available
While the forensic and judicial community advocate a unified methodology for the identification of speakers, the market with its need for differentiation and the scientific field with its vertiginous progress are opposed with indifference to that longing. This paper proposes a methodology that includes as broadly as possible all the technologies available in the current forensic laboratories. This covers the reception of the samples and the plan of the analysis strategy, continuing with the adequacy of the material and the identification itself, until the final report is drawn up and the samples returned. The validation of the technique used was incorporated in the procedure, so that it could also count on reliable and comparable results between different laboratories. The recommendation on using likelihood ratios is independent of the results of the technique used, and makes it more understandable for lawyers, judges and justice personnel who must make important decisions from them.
Conference Paper
Full-text available
The results of the first international survey on forensic speaker comparison practices are presented in this paper. Thirty-four experts from 13 countries and 5 continents responded to a series of questions concerning their practices in casework and which features they found to be useful speaker discriminants. Despite the responses revealing some prominent trends, there is wide variation in methodology, importance assigned to particular speech features, and choice of framework for expressing conclusions.
Article
A survey was conducted of the use of speaker identification by law enforcement agencies around the world. A questionnaire was circulated to law enforcement agencies in the 190 member countries of INTERPOL. 91 responses were received from 69 countries. 44 respondents reported that they had speaker identification capabilities in house or via external laboratories. Half of these came from Europe. 28 respondents reported that they had databases of audio recordings of speakers. The clearest pattern in the responses was that of diversity. A variety of different approaches to speaker identification were used: The human-supervised-automatic approach was the most popular in North America, the auditory-acoustic-phonetic approach was the most popular in Europe, and the spectrographic/auditory-spectrographic approach was the most popular in Africa, Asia, the Middle East, and South & Central America. Globally, and in Europe, the most popular framework for reporting conclusions was identification/exclusion/inconclusive. In Europe, the second most popular framework was the use of verbal likelihood ratio scales.
Article
This Ph.D. Thesis proposes a complete methodology for the adaptation of automatic speaker recogition technology to forensic evaluation of the evidence. The nature of the prob-lem of forensic automatic speaker recognition is deeply ana-lyzed in the context of the current debate about scientific pro-cedures in forensic disciplines worldwide. Then, a solution for this problem is proposed in the form of a hyerarchical method-ology which integrates current standards and state of the art of automatic speaker recognition technology and the requirements and needs of the so-called coming paradigm shift in forensic sci-ence. The Thesis contributions are supported by numeorus peer-reviwed publications in national and international conferences and jorunals included in ISI-JCR. Also, this Thesis and its con-stributions have been the recipient of several awards in different national and international contexts. Moreover, the applicabil-ity of the Thesis is evidence by the multiple public and private contracts and projects which consider the framework presented here, as well as the impact of the proposed methodologies in im-portant fora such as working groups of the European Network of Forensic Science Institutes.
Article
The Forensic Science Service (FSS) has devoted appreciable effort to developing the application of the principles of evidence interpretation. Much of the work has been reported in previous papers in this journal, in particular those that develop a model for Case Assessment and Interpretation (CAI). The principles of interpretation are restated and the implications for structure and content of statements are described.
Cálculo del peso de la evidencia en casos forenses de reconocimiento automático de locutor en los que existen varias tomas de vos de procedencia desconocida
  • E Barriel Guitián
E. Barriel Guitián, "Cálculo del peso de la evidencia en casos forenses de reconocimiento automático de locutor en los que existen varias tomas de vos de procedencia desconocida". Proyecto fin de carrera, Universidad Autónoma de Madrid, 2011.