Wilmer Souder, un físico y científico forense temprano en la Oficina Nacional de Estándares, ahora NIST, compara dos balas usando un microscopio de comparación. Souder aprendió técnicas forenses de Calvin Goddard, otro científico temprano en el campo. Crédito:NBS / NIST; fuente:NARA
El 14 de febrero 1929, hombres armados que trabajaban para Al Capone se disfrazaron de policías, entró en el almacén de una pandilla competidora, y mató a siete de sus rivales. La masacre del día de San Valentín es famosa no solo en los anales de la historia de las mafias, pero también la historia de la ciencia forense. Capone negó su participación, pero uno de los primeros científicos forenses llamado Calvin Goddard relacionó las balas de la escena del crimen con las pistolas Tommy encontradas en la casa de uno de los hombres de Capone. Aunque el caso nunca llegó a juicio, y la participación de Capone nunca fue probada en un tribunal de justicia, la cobertura de los medios presentó a millones de lectores a Goddard y su microscopio de aspecto extraño.
Ese microscopio tenía una pantalla dividida que le permitía a Goddard comparar balas o cartuchos, las cajas de metal que una pistola expulsa después de disparar una bala, lado a lado. Si las marcas en las balas o en las cajas coinciden, eso indicó que fueron disparados con la misma arma. Los examinadores de armas de fuego todavía usan el mismo método hoy en día, pero tiene una limitación importante:después de comparar visualmente dos balas o cartuchos, el examinador puede ofrecer una opinión experta sobre si coinciden. Pero no pueden expresar la fuerza de la evidencia numéricamente, como puede hacerlo un experto en ADN cuando testifica sobre evidencia genética.
Ahora, un equipo de investigadores del Instituto Nacional de Estándares y Tecnología (NIST) ha desarrollado un enfoque estadístico para las comparaciones balísticas que pueden permitir el testimonio numérico. Si bien otros grupos de investigación también están trabajando en este problema, Las ventajas del enfoque NIST incluyen una baja tasa de error en las pruebas iniciales y que es relativamente fácil de explicar a un jurado. Los investigadores describieron su enfoque en Ciencia forense internacional .
Al comparar dos cajas de cartuchos, el método NIST produce una puntuación numérica que describe cuán similares son. También estima la probabilidad de que los efectos aleatorios puedan causar una coincidencia de falso positivo, un concepto similar a las probabilidades de coincidencia de la evidencia de ADN.
"Ningún método científico tiene una tasa de error cero, "dijo John Song, ingeniero mecánico del NIST y autor principal del estudio. "Nuestro objetivo es darle al examinador una forma de estimar la probabilidad de este tipo de error para que el jurado pueda tenerlo en cuenta al decidir la culpabilidad o la inocencia".
El nuevo enfoque también busca transformar la identificación de armas de fuego de un método subjetivo que depende de la experiencia y el juicio de un examinador a uno que se basa en mediciones objetivas. Un informe histórico de 2009 de la Academia Nacional de Ciencias y un informe de 2016 del Consejo de Asesores de Ciencia y Tecnología del Presidente pidieron una investigación que produjera esta transformación.
Una bala disparada con impresiones estriadas del cañón de una pistola (izquierda). Una vaina de cartucho disparada y una bala disparada (derecha). Los expertos a menudo pueden identificar el arma utilizada basándose en las impresiones de estriado en la bala o en la imprimación (el metal plateado) en la base de la caja del cartucho. Crédito:Robert Thompson / NIST
La teoría detrás de la balística forense
Cuando se dispara un arma, y la bala estalla por el cañón, encuentra crestas y surcos que lo hacen girar, aumentando la precisión del disparo. Esas crestas se clavan en el metal blando de la bala dejando estrías. Al mismo tiempo que la bala explota hacia adelante, el casquillo del cartucho explota hacia atrás con igual fuerza contra el mecanismo que absorbe el retroceso, llamado la cara de nalgas. Esto imprime una impresión de la cara de la recámara en el metal blando en la base de la caja del cartucho, que luego es expulsado de la pistola.
La teoría detrás de la identificación de armas de fuego es que las estrías e impresiones microscópicas que quedan en las balas y los casquillos de los cartuchos son únicas, reproducible, y por lo tanto, como "huellas dactilares balísticas" que se pueden utilizar para identificar un arma. Si los investigadores recuperan balas o cartuchos de la escena del crimen, Los examinadores forenses pueden probar el arma de un sospechoso para ver si produce huellas dactilares balísticas que coincidan con la evidencia.
Pero las balas y los cartuchos que se disparan con diferentes armas pueden tener marcas similares, especialmente si las armas se fabricaron consecutivamente. Esto plantea la posibilidad de una coincidencia de falso positivo, lo que puede tener graves consecuencias para el acusado.
Un enfoque estadístico
En 2013, Song y sus colegas del NIST desarrollaron un algoritmo que compara escaneos de superficie tridimensionales de las impresiones de la cara de la recámara en las vainas de los cartuchos. Su método, llamadas celdas coincidentes congruentes, o CMC, divide una de las superficies escaneadas en una cuadrícula de celdas, luego busca en la otra superficie celdas coincidentes. Cuanto mayor sea el número de celdas coincidentes, cuanto más similares sean las dos superficies, y es más probable que provengan de la misma arma.
En su estudio reciente, los investigadores escanearon 135 casquillos de cartucho que fueron disparados por 21 pistolas diferentes de 9 milímetros. Esto produjo 433 pares de imágenes coincidentes y 4, 812 pares no coincidentes. Para hacer la prueba aún más difícil, la mayoría de las pistolas se fabricaron consecutivamente.
Resultados típicos para una comparación de impresiones de la cara de la recámara en imprimaciones de cartuchos, utilizando la técnica NIST conocida como Congruent Matching Cells, o CMC. En el par A, almost all the cells from the first image match cells from the second image, indicating that the two cartridge cases were likely fired by the same gun. In pair B, some cells find similar cells, but they are randomly distributed, y por lo tanto, not considered matching. Only the area of interest for each primer is shown. Portions of the primer surface that were not compared appear in white. The color scale indicates relative surface height in micrometers. Credit:Johannes Soons/NIST
The CMC algorithm classified all the pairs correctly. Es más, almost all the non-matching pairs had zero matching cells, with a handful having one or two due to random effects. All the matching pairs, por otra parte, had at least 18 matching cells. En otras palabras, the matching and non-matching pairs fell into highly separated distributions based on the number of matching cells.
"That separation indicates that the probability of random effects causing a false positive match using the CMC method is very low, " said co-author and physicist Ted Vorburger.
A Better Way to Testify
Using well-established statistical methods, the authors built a model for estimating the likelihood that random effects would cause a false positive match. Usando este método, a firearms expert would be able to testify about how closely the two cartridges match based on the number of matching cells, and also the probability of a random match, similar to the way forensic experts testify about DNA.
Although this study did not include enough test-fires to calculate realistic error rates for actual casework, the study has demonstrated the concept. "The next step is to scale up with much larger and more diverse datasets, " said Johannes Soons, a NIST mechanical engineer and co-author of the study.
With more diverse datasets, researchers will be able to create separate models for different types of guns and ammunition. That would make it possible to estimate random match rates for the various combinations that might be used in a crime.
Other groups of researchers are working on ways to express the strength of evidence numerically, not only for firearms but also fingerprints and other types of pattern evidence. Many of those efforts use machine learning and artificial intelligence-based algorithms to compare patterns in the evidence. But it can be difficult to explain how machine-learning algorithms work.
"The CMC method can be easily explained to a jury, " Song said. "It also appears to produce very low false positive error rates."