Några av historiens mest ökända olösta mordbrott kunde avslöjas tack vare ny kriminalteknisk forskning ledd vid Northumbria University, i Newcastle.

Dr Matteo Gallidabino, Universitetslektor i kriminalteknik vid Northumbria University, arbeta med kollegor vid King's College London och universiteten i Lausanne, Santiago de Compostela och Rom (La Sapienza), har avslöjat att maskininlärning – ett område av artificiell intelligens – kan användas för att bestämma vilken ammunition, och i slutändan vilket skjutvapen, var ansvarig för ett visst skott från resterna den lämnade efter sig.

Deras resultat har publicerats i Royal Society of Chemistry's Analytiker journal – hemmet för grundläggande upptäckter, uppfinningar och tillämpningar inom analytiska och bioanalytiska vetenskaper.

"Machine learning använder en serie algoritmer för att modellera komplexa datarelationer", förklarar Dr. Gallidabino. "Genom noggrann finjustering, dessa kan användas för att förutsäga viktiga egenskaper hos ammunitionen som används i en viss skjutningshändelse från de för respektive skottrester (GSR) som deponeras på omgivande ytor eller föremål, som förbrukade fall, sår och, potentiellt, även skyttens händer."

Detta är en banbrytande utveckling jämfört med tekniker som för närvarande finns tillgängliga i GSR-analys. Verkligen, den komplexa datorstatistik som implementeras av forskargruppen möjliggör identifiering av ammunitionen som är ansvarig för de olika skottspår som lämnats på en brottsplats och eventuellt associering av sådana spår, med oöverträffad noggrannhet. Båda funktionerna är för närvarande utmanande med traditionella kriminaltekniska metoder.

Med ytterligare utvecklingar av det föreslagna tillvägagångssättet, nya undersökningsledningar skulle snabbt kunna sökas för att undvika liknande olösta mord från det förflutna, som Jill Dando 1999 och de ökända Bloody Sunday-morden 1972.

"Efter blodiga söndagen, problemet var att avgöra om skott avlossades av civila eller militär personal", säger Dr. Gallidabino. "Utredarna hittade stora mängder GSR över offren och drog slutsatsen att dessa berodde på skjutaktiviteter. Det fastställdes senare, dock, att dessa sannolikt berodde på den sekundära, överföring efter händelsen av föroreningar från militär personal – vars händer var rika på GSR – till döda kroppar. Små mängder GSR, verkligen, kan överföras vid långvariga kontakter med förorenade ytor, som de som ägde rum när soldater hjälpte till att transportera offer till sjukhuset efter händelsen.

"Om tekniker som de vi utvecklar nu var tillgängliga vid den tiden, de kunde ha använts för att avgöra om GSR kom från civil ammunition eller militär eld, vilket skulle ha varit ett kritiskt bevis."

Dr. Gallidabino är specialiserad på statistisk modellering och maskininlärningstekniker för kriminaltekniska tillämpningar. Han utvecklade och testade personligen både den innovativa kemiska tekniken och de matematiska modellerna som används i tillvägagångssättet, efter att ha avfyrat en rad ammunition. Efter att ha samlat in pistolpatronerna, han analyserade dem, och särskilt den flyktiga delen av GSR, innan han riktade sin uppmärksamhet mot de ursprungliga rökfria pudren. Härifrån, han kunde fastställa ett förhållande mellan ammunitionen och resterna, med samma statistiska metoder som datavetare använder för att träna robotar.

Efter detta, forskargruppen har krävt att denna unika metod ska tillämpas mycket mer allmänt inom kriminalteknisk vetenskap och, mer allmänt, analytisk kemi. "Fördelarna är otaliga", sa Dr. Gallidabino. "De kan till och med sträcka sig till andra områden inom analytiska vetenskaper som rutinmässigt stöter på föränderliga kemiska spår, såsom analys av improviserade sprängladdningar, brandacceleratorer och miljöföroreningar."

Dr Leon Barron, Universitetslektor i kriminalteknik från King's College London, tillade:"Samsmältningen av toppmodern laboratorieanalys med datorbaserad maskininlärning kommer att göra det möjligt för oss att dra nytta av de enorma mängder data vi nu genererar för att göra banbrytande framsteg som detta oftare. Inom kriminalteknisk vetenskap, och ofta med tanke på de olika scenarierna och händelseförloppen, maskininlärning är ett av de mest lovande sätten att snabbare förstå bevis för att stödja det straffrättsliga systemet."

Jill Dando

Den 26 april, 1999, den 38-åriga BBC-stjärnan sköts ihjäl på tröskeln till sitt hem i Fulham, Västra London i vad som fortfarande är ett av Storbritanniens mest uppmärksammade olösta mord. Barry George, som bodde några minuter från Jills hus, fängslades i åtta år för mordet men frikändes efter en ny rättegång 2008 efter oro över rättsmedicinska bevis. Ärendet är fortfarande öppet.

Att ha mer kunskap om källan till GSR vid tiden för mordet kunde ha varit användbart, enligt Dr. Gallidabino och resten av forskargruppen.

"En enda GSR-partikel hittades i fickan på pälsen på Barry George (den misstänkte)", säger han. "Denna partikel visade sig ha en mycket liknande sammansättning som de som hittades på offret, Jill Dando, enligt tillgängliga tekniker vid tidpunkten. Eftersom det inte fanns någon godkänd metod för att jämföra GSR-kompositioner på olika ytor, dock, detta bevis var starkt ifrågasatt. Med vårt tillvägagångssätt, vi hoppas i framtiden kunna tillhandahålla robusta verktyg till brottsbekämpande myndigheter för att mer effektivt kunna hantera denna typ av situation."