Den 14 februari, 1929, beväpnade män som arbetar för Al Capone förklädda sig till poliser, gick in i lagret hos ett konkurrerande gäng, och sköt ihjäl sju av sina rivaler. St. Alla hjärtans dag-massakern är känd inte bara i annalerna om ganglands historia, men också den rättsmedicinska vetenskapens historia. Capone förnekade inblandning, men en tidig kriminaltekniker vid namn Calvin Goddard kopplade kulor från brottsplatsen till Tommy-pistoler som hittades hemma hos en av Capones män. Även om fallet aldrig kom till rättegång - och Capones inblandning aldrig bevisades i en domstol - introducerade mediabevakningen miljontals läsare för Goddard och hans märkliga mikroskop.

Det mikroskopet hade en delad skärm som gjorde att Goddard kunde jämföra kulor eller patronhylsor, metallhöljena som en pistol skjuter ut efter att ha skjutit en kula, sida vid sida. Om markeringar på kulorna eller fodralen matchade, som tydde på att de avlossades från samma pistol. Skjutvapenundersökare använder fortfarande samma metod idag, men det har en viktig begränsning:Efter visuell jämförelse av två kulor eller patronhylsor, examinatorn kan ge ett expertutlåtande om de matchar. Men de kan inte uttrycka styrkan i bevisen numeriskt, så som en DNA-expert kan när han vittnar om genetiska bevis.

Nu, ett team av forskare vid National Institute of Standards and Technology (NIST) har utvecklat en statistisk metod för ballistiska jämförelser som kan möjliggöra numeriska vittnesmål. Medan andra forskargrupper också arbetar med detta problem, fördelarna med NIST-metoden är bland annat en låg felfrekvens i inledande tester och att det är relativt enkelt att förklara för en jury. Forskarna beskrev sitt tillvägagångssätt i Forensic Science International .

När man jämför två patronhylsor, NIST-metoden ger en numerisk poäng som beskriver hur lika de är. Den uppskattar också sannolikheten för att slumpmässiga effekter kan orsaka en falsk positiv matchning - ett koncept som liknar matchningssannolikheter för DNA-bevis.

"Ingen vetenskaplig metod har noll felfrekvens, sa John Song, en maskiningenjör från NIST och huvudförfattaren till studien. "Vårt mål är att ge examinatorn ett sätt att uppskatta sannolikheten för denna typ av fel så att juryn kan ta hänsyn till det när de avgör skuld eller oskuld."

Det nya tillvägagångssättet syftar också till att omvandla identifiering av skjutvapen från en subjektiv metod som beror på en examinators erfarenhet och omdöme till en som är baserad på objektiva mätningar. En landmärke 2009 rapport från National Academy of Sciences och en rapport från 2016 från President's Council of Advisors on Science and Technology krävde båda forskning som skulle åstadkomma denna omvandling.

Teorin bakom kriminalteknisk ballistik

När en pistol avfyras, och kulan spränger nerför pipan, den möter åsar och spår som får den att snurra, öka träffsäkerheten. Dessa åsar gräver sig in i kulans mjuka metall, lämnar ränder. Samtidigt som kulan exploderar framåt, patronhylsan exploderar bakåt med lika stor kraft mot mekanismen som absorberar rekylen, kallade slutansiktet. Detta stämplar ett avtryck av slutstycket i den mjuka metallen vid basen av patronhylsan, som sedan kastas ut från pistolen.

Teorin bakom identifiering av skjutvapen är att mikroskopiska ränder och avtryck som lämnas på kulor och patronhylsor är unika, reproducerbar, och därför, som "ballistiska fingeravtryck" som kan användas för att identifiera en pistol. Om utredare återvinner kulor eller patronhylsor från en brottsplats, rättsmedicinska utredare kan provskjuta en misstänkts pistol för att se om den producerar ballistiska fingeravtryck som matchar bevisen.

Men kulor och patronhylsor som avfyras från olika vapen kan ha liknande markeringar, speciellt om vapnen tillverkades i följd. Detta ökar risken för en falsk positiv matchning, vilket kan få allvarliga konsekvenser för den tilltalade.

Ett statistiskt tillvägagångssätt

Under 2013, Song och hans NIST-kollegor utvecklade en algoritm som jämför tredimensionella ytskanningar av avtrycken av slutstycket på patronfodral. Deras metod, kallas kongruenta matchande celler, eller CMC, delar upp en av de skannade ytorna i ett rutnät av celler, söker sedan efter matchande celler på den andra ytan. Ju större antal matchande celler, ju mer lika de två ytorna, och desto mer sannolikt är det att de kommer från samma pistol.

I deras senaste studie, forskarna skannade 135 patronhylsor som avfyrades från 21 olika 9-millimeterspistoler. Detta gav 433 matchande bildpar och 4, 812 icke-matchande par. För att göra testet ännu svårare, de flesta av pistolerna tillverkades i följd.

The CMC algorithm classified all the pairs correctly. Vidare, 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, å andra sidan, had at least 18 matching cells. Med andra ord, 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. Med denna metod, 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."