Ayúdanos a Compartir

Resumen

La identificación humana en ciencias forenses trata con eventos únicos e irreproducibles, por lo que es natural esperar diferencias en el procedimiento aplicado por diferentes expertos, aun cuando éstos sigan el mismo protocolo. En circunstancias como esta, en las que se toman decisiones bajo incertidumbre que afectan la vida de las personas, es deseable que el procedimiento llevado a cabo por el experto se explique de manera transparente y que se hagan explícitas las decisiones tomadas en cada paso. La teoría de decisión bayesiana proporciona un marco racional y consistente que facilita este proceso. En este artículo, se presenta un protocolo de toma de decisiones bayesiano dentro del contexto forense de la identificación humana, que involucra la comparación cuantitativa de las características faciales de dos o más imágenes (por ejemplo: fotografías, o imágenes obtenidas de videos).

Palabras clave: identificación humana, morfometría geométrica, teoría de decisión bayesiana.

Abstract

Forensic human identification deals with events that are unique and cannot be reproduced; thus, differences between experts are to be expected even when they are all following the same protocol. In such circumstances, in which decisions that affect people’s lives are made under uncertainty, it is desirable that forensic experts make their procedure clear and explicit in each step. Bayesian decision theory provides a rational and consistent framework that facilitates this process. In this contribution, we present a decision-making protocol for forensic scenarios of human identification that involves quantitative assessments of the facial traits of two or more images (e.g. photos, images from videos).

 Keywords: human identification, geometric morphometry, Bayesian decision theory.

Motivación

Diariamente nos enfrentamos a problemas de decisión, desde los más comunes, como elegir nuestro desayuno, hasta las ocasionales, como decidir la carrera que vamos a estudiar. Las ciencias forenses, específicamente en el terreno de la identificación humana, no son una excepción. Es importante tomar esto en cuenta, pues tratan con eventos que son únicos y que resultan de procesos que no pueden repetirse. Específicamente, en el caso de la identificación de personas a partir de imágenes, se intenta determinar si la persona capturada en la imagen presentada como evidencia, es la misma que la persona de la que se sospecha. Diferencias en la calidad y el ángulo de las imágenes utilizadas, o la presencia de elementos (por ejemplo: lentes, barba) que dificultan la extracción de rasgos individualizantes, provocan que no se pueda aplicar un protocolo único, sino que exista una serie de alternativas factibles para resolver dicha problemática. Además, considerando que no existen dos expertos forenses con exactamente la misma experiencia profesional y el mismo conocimiento científico, lo más natural es encontrar diferencias en el procedimiento que llevan a cabo, aun cuando ambos apliquen la misma técnica (1).  Por ejemplo: dos expertos pueden diferir al decidir sobre cuáles y cuántas imágenes analizar, a cuál de los rasgos faciales observables darle más peso en el análisis, qué técnica es la más adecuada para el caso particular, etc.

Dado que la experiencia y el conocimiento individual es irremediablemente parte del proceso de investigación forense, se ha propuesto que, en lugar de desechar toda esa información, el experto forense explique y justifique su proceder y haga explícitas las decisiones tomadas en cada paso para que cualquier persona tenga a su disposición los elementos necesarios para evaluar el procedimiento (2).  Aunque existen diferentes maneras de llevar esto a cabo, la teoría de decisión bayesiana proporciona un marco racional y consistente que permite capturar las características esenciales de un proceso de toma de decisiones, así como evaluar si las conclusiones obtenidas son óptimas dadas las circunstancias particulares (3).

Técnica

La morfometría geométrica (MG) es una técnica de medición alternativa a las técnicas tradicionales (4). La MG utiliza las coordenadas en dos (2D) o en tres (3D) dimensiones de los puntos anatómicos de interés, lo que permite conservar durante todo el análisis la forma de la morfología a comparar. En el contexto forense de identificación de personas, esto tiene la ventaja de que permite una descripción detallada de la morfología y la disminución de la posibilidad de que la misma medición pueda pertenecer a dos morfologías diferentes (Figura 1A). Con esta técnica, cada morfología analizada puede representarse como un punto en el espacio de formas (Figura 1B), y la distancia que existe entre dos formas puede utilizarse como una medida de similitud entre ellas: entre más pequeña sea la distancia, las formas son más similares y viceversa. A lo largo de esta exposición utilizaremos esta métrica para ejemplificar la toma de decisiones bayesiana en el contexto de identificación humana.

 

Figura 1. Distancia de similitud utilizada. (A) Morfologías de la base de datos pública de Aberdeen [http://pics.psych.stir.ac.uk]. La comparación del rostro del individuo1a con el rostro del mismo individuo en un momento diferente (individuo1b) y, con el rostro de un individuo diferente (individuo2), resulta en (B) distancias de similitud de diferentes magnitudes (líneas rojo y azul, respectivamente).

Propuesta

Existen dos proposiciones de interés dentro de un contexto de identificación humana: a) el ítem de la evidencia (evidencia) y el ítem de fuente conocida (fuente o sospechoso) coinciden, es decir, provienen del mismo individuo; b) el ítem de la evidencia y el ítem de fuente conocida no coinciden, es decir, provienen de distintos individuos. A continuación, se muestra cómo la distancia de similitud discutida anteriormente puede ayudarnos a evaluar estas proposiciones si consideramos la determinación de una “coincidencia” como un problema de decisión estadístico.

En nuestro ejemplo, la proposición (a) evaluaría si la forma facial de la evidencia y la forma facial del sospechoso provienen de la misma fuente (es decir, mismo individuo). Esperaríamos que, en el caso de ser el mismo individuo, la distancia entre la evidencia y el sospechoso sea muy pequeña; sin embargo, ¿cuánto es “muy pequeña”? Podemos responder a esta pregunta si obtenemos, en un grupo de individuos, las distancias de similitud de cada persona consigo misma en fotografías tomadas en diferentes momentos. Aunque un cambio de pose o diferencias al tomar la fotografía agregarán variabilidad de foto a foto, en esta población de distancias intraindividuales encontraremos distancias cercanas a, pero no necesariamente iguales a cero.

No obstante, cualquiera que haya cometido el error de saludar a una persona desconocida en la calle creyendo que es un conocido, puede reconocer que existe la posibilidad de que la distancia entre la evidencia y el sospechoso sea muy pequeña, aun cuando se trate de personas diferentes. Nuevamente podemos preguntarnos, ¿cuán pequeña? Para responder esta pregunta podemos considerar una población de distancias similar a la anterior, pero ahora comparando individuos diferentes. Esperaríamos que, en general, esta población de distancias interindividuales tenga distancias más grandes que las observadas en la población de distancias intraindividuales, pero que existan casos en los que la distancia entre rostros de diferentes individuos sea muy pequeña debido a similitudes morfológicas. A partir de esta base de datos podríamos evaluar la proposición (b), es decir, si las formas faciales de la evidencia y del sospechoso provienen de individuos diferentes.

La comparación de las dos poblaciones de distancias permite asignar un valor umbral máximo de similitud (Figura 2). A partir de este umbral podemos decir que existe coincidencia entre el ítem de la evidencia y el ítem del sospechoso (evidencia en favor de la proposición (a)), si la distancia entre los mismos puede clasificarse como perteneciente a la población intraindividual (Figura 2, región azul), a diferencia de la población interindividual (Figura 2, región rosa).

 

Figura 2. Poblaciones de distancias intraindividuales (azul) e interindividuales (rosa). El umbral de similitud se presenta con una línea punteada. La región en la que las dos poblaciones se traslapan representa los casos en los que el tamaño de la distancia obtenida, al comparar diferentes imágenes de la misma persona, es similar a la obtenida de imágenes de diferentes personas. A la izquierda se muestra un caso en el que la técnica y los rasgos medidos podrían permitir una discriminación adecuada de las poblaciones de distancias, a diferencia del caso de la derecha en el que se observa mayor traslape entre las mismas. El punto negro representa una distancia observada hipotética. La configuración de la izquierda sugiere que la distancia observada proviene de la población de distancias intraindividuales, mientras que la configuración de la derecha sugiere que proviene de la población de distancias interindividuales.

Es importante considerar que evaluar únicamente una de las proposiciones sin tomar en cuenta la otra puede llevar a conclusiones sesgadas. El cociente de verosimilitudes (CV), o razón de verosimilitudes (RV), permite comparar las dos proposiciones que se están evaluando y medir su fuerza relativa, y de esta forma llegar a una conclusión balanceada con ambos puntos de vista (5). Aun así, el CV también es susceptible de ser malinterpretado, pues solamente trata con la probabilidad de que un ítem de fuente conocida coincida con la evidencia dado que el individuo es la verdadera fuente del indicio. El problema es que, si recordamos, en el contexto de identificación humana se busca resolver el problema inverso, es decir, se busca determinar si la persona capturada en la imagen de evidencia es la misma que la persona que se sospecha, dado que existe una coincidencia entre la fuente y la evidencia. Este error de interpretación, denominado la falacia del fiscal, es bastante común y puede tener consecuencias desastrosas, como lo ilustra el caso de Sally Clark (6). Para evitar este problema, es necesario incorporar en el análisis la experiencia del experto relacionada con otros tipos de evidencia morfológica (por ejemplo: cicatrices, tatuajes) o información antropométrica (por ejemplo: estatura). Esto se hace a través de los llamados momios iniciales (MI), que es el cociente de las probabilidades que el experto asigna, a priori, a las dos proposiciones. Los MI se combinan con el CV por medio del Teorema de Bayes para producir los momios finales (MF), que describen la probabilidad de las proposiciones a posteriori, es decir, dada toda la información que se considera relevante.

El experto debe decidir si incluir o no su experiencia en la decisión final sobre si “el ítem de evidencia y el de fuente conocida coinciden”; es decir, si reportar los MF o el CV, respectivamente. Cualquiera de estas decisiones tiene consecuencias; específicamente, ambas pueden llevar a una identificación adecuada (es decir, consecuencias deseables): identificar correctamente que las características capturadas en la imagen de evidencia y las capturadas de la persona que se sospecha provienen de la misma persona, y descartar correctamente la evidencia cuando las características morfológicas de la evidencia y del sospechoso provienen de diferentes personas. De la misma forma, ambas pueden llevar a consecuencias indeseables, como la identificación falsa y la exclusión errónea de una pieza de evidencia. En circunstancias específicas, la experiencia del experto podría llevarlo a tomar en cuenta el peso de dichas consecuencias indeseables antes de realizar su decisión final. Por ejemplo: el experto podría considerar que las consecuencias de realizar una identificación falsa son más severas que las consecuencias de realizar una exclusión errónea. Cada una de estas consecuencias puede cuantificarse a través de un “costo” o “pérdida”, medido en alguna escala apropiada. El cociente de pérdidas (CP) encapsula entonces las preferencias relativas del experto sobre las consecuencias de su decisión, y le permite generar una regla de decisión en la que declara una coincidencia si, y sólo si, los MF o el CV es mucho mayor que la pérdida relativa dada por el CP.

A continuación, se muestra un ejemplo concreto de nuestra propuesta.

Aplicación

Imaginemos que un científico forense tiene a su disposición una muestra de 100 distancias intraindividuales y otra muestra de 100 distancias interindividuales. Imaginemos también que la distancia de 0.03 es el umbral a partir del cual se considera que existe coincidencia entre el ítem de evidencia y el del sospechoso. En la Figura 3 se representan, en negro, comparaciones tanto entre un individuo consigo mismo (intraindividual) como entre dos individuos diferentes (interindividual) con una distancia de similitud menor o igual que 0.03.

Recordemos las dos proposiciones de interés en un contexto de identificación humana:

S: El ítem de evidencia y el ítem de fuente conocida coinciden (es decir, coincidencia; proposición a).

Sc: El ítem de evidencia y el ítem de fuente no coinciden (es decir, discrepancia; proposición b).

 

Figura 3. Ejemplo hipotético de dos muestras de distancias. En cada una de las caras, cada mitad representa una fotografía diferente. Las caras de color negro representan los casos donde la distancia de similitud es ≤ 0.03.

Supongamos ahora que el experto forense observa una distancia de similitud entre la evidencia y el sospechoso de 0.02. Denotaremos esta evidencia por E.

En este caso hipotético, el CV en favor de S se estimaría como:

 

No incluir la experiencia del experto equivaldría a considerar a prior que la proposición y Sc son igualmente probables (50 % de probabilidad) y, por lo tanto, a obtener unos MF en favor de S de igual valor que el CV:

 

En este caso, tanto el CV como los MF sugieren que la mejor decisión sería declarar una coincidencia.

Imaginemos ahora que el experto forense tiene información adicional, por ejemplo: relacionada con la presencia de una cicatriz, que lo lleva a considerar, a priori, que existe un 40% de probabilidad de coincidencia. En este caso, los MF resultarían en:

 

Lo cual reduce el peso de la evidencia a favor de la proposición S. En este caso, aunque el CV seguiría sugiriendo que existe una coincidencia, si se utilizan los MF como criterio, entonces la mejor decisión sería no declarar una coincidencia.

Finalmente, supongamos que, dado el contexto específico del problema (por ejemplo: la calidad de la evidencia deja algo que desear), el experto forense considera que las consecuencias de una identificación falsa son doblemente más severas que las consecuencias de una exclusión errónea, es decir, CP = 2. Entonces, aunque el CV en favor de la proposición S es mayor que 1 (1.33), dado que es menor que el CP, la mejor decisión sería no declarar una coincidencia.

Conclusiones

La toma de decisiones se encuentra en todos los ámbitos de nuestra vida, y la tarea de identificación humana en el contexto de ciencias forenses no es una excepción. La teoría de decisión bayesiana ofrece un marco formal y riguroso para tomar cualquier tipo de decisiones, incluyendo las de tipo científico. Dentro de este marco, la incertidumbre se considera un elemento inevitable e inherente a la toma de decisiones individual, lo cual permite por un lado que, en lugar de conclusiones definitivas, el experto exprese el grado de confianza que tiene sobre una proposición particular; y por el otro lado, que se hagan explícitos los riesgos (por ejemplo: identificación falsa y exclusión errónea) asociados a una conclusión particular, dados todos los elementos involucrados durante la toma de decisiones. En este sentido, la teoría de decisión bayesiana fomenta la transparencia e inteligibilidad del proceso forense, tanto en los practicantes como en cualquier persona que busque examinarlo.

Glosario

Rasgos individualizantes: rasgos característicos (e.g. tatuajes) del individuo que permiten su identificación con alta certidumbre.

Teoría de decisión bayesiana: teoría matemática que establece que, para tomar decisiones racionales en ambiente de incertidumbre, ésta debe cuantificarse por medio de una medida de probabilidad. Asimismo, establece que las preferencias sobre las consecuencias de las posibles decisiones deben de cuantificarse a través de una función de pérdida. La mejor decisión es aquella que minimiza la pérdida esperada.

Ítem de la evidencia: cualquier información recuperada en el lugar del hecho delictivo que refleja una relación con otro elemento.

Ítem de fuente conocida: cualquier información obtenida del sospechoso que se ocupe dentro del proceso de identificación.

Coincidencia: entre el ítem de evidencia y el ítem del sospechoso si la distancia de similitud entre los mismos puede clasificarse como perteneciente a la población intraindividual, a diferencia de la población interindividual.

Población de distancias intraindividuales: conjunto de distancias de similitud obtenidas de la medición de un individuo consigo mismo.

Población de distancias interindividuales: conjunto de distancias de similitud obtenidas de la medición de dos individuos diferentes.

Verosimilitud: una medida del grado de plausibilidad de un evento incierto, S, en presencia de alguna condición, E. Su valor numérico corresponde al de la probabilidad condicional de E dado S; sin embargo, no debe interpretarse como una probabilidad.

Momios: razón de la probilidad de un evento y la probabilidad de su complemento; miden la probabilidad relativa de que ocurra un evento respecto a la probabilidad de que no ocurra.

Probabilidad: una medida del grado de plausibilidad de un evento, la cual permite cuantificar la incertidumbre sobre la ocurrencia del mismo.

Falacia del fiscal: interpretar la verosimilitud de un evento como si fuera la probabilidad final o a posteriori, ignorando la probabilidad inicial o a priori del evento.

Referencias

  1. Birngruber CG. Identificación de cuerpos desconocidos: confirmación de la identidad mediante estudios morfológicos. 2020; URL: https://www.identificacionhumana.mx/identificacion-de-cuerpos-desconocidos-confirmacion-de-la-identidad-mediante-estudios-morfologicos-comparativos/
  2. Biedermann A, Bozza S, Taroni F. Decision theoretic properties of forensic identification: underlying logic and argumentative implications. Forensic Science International. 2008; 177: 120-132.
  3. Mendoza M, Gutiérrez-Peña E. Decision theory. En: Peterson P, Baker E, McGaw B, editors. International Encyclopedia of Education. Oxford: Elsevier; 2010. 7, p. 119-124.
  4. Quinto-Sánchez M. Controversias en la identificación facial forense. 2021; URL: https://www.identificacionhumana.mx/controversias-en-la-identificacion-facial-forense/
  5. Rangel Villalobos H. Importancia de la interpretación estadística en ciencias forenses. 2020; URL: https://www.identificacionhumana.mx/importancia-de-la-interpretacion-estadistica-en-ciencias-forenses/
  6. Fernández Militino A. La probabilidad estadística y el triste caso de Sally Clark. The Conversation [Internet]. 2018 [Consultado 18 Jun 2021] Disponible en: https://theconversation.com/la-probabilidad-estadistica-y-el-triste-caso-de-sally-clark-108016

Información adicional

 Sitios web

Publicaciones

Libros

  • Aitken CGG, Taroni F. Statistics and the Evaluation of Evidence for Forensic Scientists. 2nd ed. Wiley;  2004
  • Obertová Z, Stewart A, Cattaneo C. Statistics and Probability in Forensic Anthropology. Academic Press; 2020
  • Taroni F, Bozza S, Biedermann A, Garbolino P,  Aitken C. Data Analysis in Forensic Science: A Bayesian Decision Perspective. Wiley; 2010

Divulgación

Dra. Arodi Farrera. Licenciada en Antropología Física por la ENAH, Maestra y Doctora en Antropología por la UNAM. Actualmente se desempeña como Investigadora Postdoctoral en el Departamento de Modelación Matemática de Sistemas Sociales del Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas de la UNAM. Correo electrónico: arodi@comunidad.unam.mx

Dra. María Villanueva Sagrado. Es Doctora en Antropología por la UNAM. Se desempeña como Investigadora Titular en el Instituto de Investigaciones Antropológicas de la UNAM. Es miembro del Sistema Nacional de Investigadores de México. Correo electrónico: sagrado@unam.mx

Dr. Eduardo Gutiérrez Peña. Es licenciado en Actuaría y Maestro en Estadística por la UNAM; doctor en Estadística por el Imperial College, Reino Unido. Se desempeña como investigador titular en el Departamento de Probabilidad y Estadística del Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas de la UNAM.  Es miembro del Sistema Nacional de Investigadores de México así como del International Statistical Institute. Correo electrónico: eduardo@sigma.iimas.unam.mx