El Yazısı İncelemelerinde Kullanılan Bireysel Karakteristiklerin Kanıt Değerinin Veri Tabanındaki Frekanslara Göre Belirlenmesi

  • Dilara Öner İstanbul Üniversitesi Adli Tıp Enstitüsü
  • Salih Cengiz İstanbul Üniversitesi Adli Tıp Enstitüsü
  • Gürsel Çetin İstanbul Üniversitesi Cerrahpaşa Tıp Fakültesi Adli Tıp Anabilim Dalı

Özet

Amaç: Bu çalışmada veri tabanı oluşturulması sureti ile yazı incelemeleri ve karşılaştırmalarında elde edilen sonuçların güvenilirliğinin olasılık oranları yolu ile matematiksel olarak belirlenebilmesi amaçlanmıştır.

Gereç ve Yöntem: Amaç doğrultusunda üniversite veya lisansüstü eğitim programlarından mezun olmuş veya halen öğrenim görmekte olan 500 kişiye tek tek harfler, rakamlar ve özel olarak hazırlanmış tüm harfleri, rakamları büyük ölçüde bağlantı ve noktalamaları içeren bir metin ikişer kez yazdırılmıştır. Yazdırılan örnekler yüksek çözünürlükte taranarak bilgisayar ortamına aktarılmıştır.

Farklı kişilere suç teşkil edecek nitelikteki bir cümle kaçma gayreti içerisinde ancak bazı harfler değiştirilmeden yazdırılarak bu alanda çalışan ve bu yayında yazar olmayan üç uzmandan inceleme konusu cümleleri karşılaştırma olarak alınan örneklerle kıyaslamaları ve aidiyet gösterecek özellikleri saptamaları istenmiştir.

Bulgular: Uzmanlar tarafından tespit edilen harflerin yapılışına ve formuna ait benzerlikler veri tabanında araştırılmış ve aidiyetin belirlenmesinde rol oynayan bu benzerliklerin veri tabanındaki dolayısıyla toplumdaki görülme sıklıkları belirlenerek varılan sonuçların matematiksel olarak güvenilirliği ortaya konmuştur.

Sonuç: Son yıllarda konu ile ilgili çok sayıda bilimsel çalışmanın ışığı altında yapılan bu çalışmada benzerlik olarak saptanan bazı özelliklerin veri tabanında yüksek oranda görülebildiği buna karşılık bazı özelliklerin çok nadir görüldüğü saptanmıştır. Bu nedenle alanda çalışan bir uzmanın ya genel olarak oluşturulmuş veri tabanlarını kullanması veya yıllar içerisinde kendisinin arşivlediği örnekleri veri tabanı haline getirmesinin çok büyük önem taşıdığı sonucuna varılmıştır.

 

İndirmeler

İndirme istatistik verileri henüz hazır değil.

Yazarların Özgeçmişleri

Dilara Öner, İstanbul Üniversitesi Adli Tıp Enstitüsü
İstanbul Üniversitesi Adli Tıp Enstitüsü Fen Bilimleri Anabilim Dalı, Doktora Öğrencisi
Salih Cengiz, İstanbul Üniversitesi Adli Tıp Enstitüsü
İstanbul Üniversitesi Adli Tıp Enstitüsü Fen Bilimleri Anabilim Dalı, Profesör Dr.
Gürsel Çetin, İstanbul Üniversitesi Cerrahpaşa Tıp Fakültesi Adli Tıp Anabilim Dalı
İstanbul Üniversitesi Cerrahpaşa Tıp Fakültesi Adli Tıp Anabilim Dalı, Profesör Dr.

Referanslar

1. Aitken CGG, Taroni F. Statistics and the evalution of evidence for forensic scientists. 2. baskı , Chichester: John Wiley& Sons Ltd, The Atrium, Southern Gate, Chichester, West Sussex PO19 8SQ, England, 2004.
2. Adam C,.Essential mathematics and statistics for forensic science. 1.baskı, Chichester: John Wiley & Sons, Ltd, The Atrium , Southern Gate, Chichester, West Sussex PO198SQ, England, 2010.
3. Lucy D. Introduction to Statistics for Forensic Scientists. 1. baskı, Chichester: John Wiley & Sons, Ltd, The Atrium , Southern Gate, Chichester, West Sussex PO198SQ, England, 2005.
4. Taroni F, Marquis R, Schmittbuhl M, Biedermann A, Thie´ry A, Bozza S. The use of the likelihood ratio for evaluative and investigative purposes in comparative forensic handwriting examination, Forensic Science International, 2012;214:189-194
5. Tang Y, Srihari SN. Likelihood ratio estimation in forensic identification using similarity and rarity, Pattern Recognition, 2014;47:945-958
6. Morrison GF. Measuring the validity and reliability of forensic likelihood-ratio systems, Science and Justice, 2011;51: 91-98
7. Srihari SN, Singer K. Role of automation in the examination of hand written items, Pattern Recognition, 2014;47:1083-1095
8. Biedermann A, Voisard R, Taroni F. Learning about Bayesian networks awardfor forensic interpretation: An example based on the problem of multiple propositions, Science and Justice, 2012;52:191-198
9. Forster MR. Counterexamples to a likelihood theory of evidence, Journal Minds and Machines, 2006;16:319-338
10. Srihari SN, Srinivasan H. Comparison of ROC and likelihood decision methods in automatic fingerprint verification, International Journal of Pattern Recognition and Artificial Intelligence, 2008;22:535-553
11. Srihari SN, Huang C, Srinivasan, H. On the discriminability of the handwriting of twins, Journal of Forensic Science, 2008;53:430-446
12. Evett IW, Jackson G, Lambert JA, McCrossan S. The impact of the principles of evidence interpretation on the structure and content of statements, Science & Justice, 2000;40:233-239
13. Xu Z, Srihari SN. Bayesian network structure learning and Inference Methods for Handwriting, Proceeding of 12th International Conference on Document Analysis and Recognition;2013 1320 – 1324: Washington, DC doi:10.1109/ICDAR.2013.267
14. Marquis R, Taroni F, Bozza S, Schmittbuhl M. Quantitative characterization of morphological polymorphism of handwritten characters loops, Forensic Science International, 2006;164:211-220
15. Bozza S, Taroni F, Marquis R, Schmittbuhl M. Probabilistic evaluation of handwriting evidence: likelihood ratio for authorship, Journal of the Royal Statistical Society, 2008;57:329-341
16. Cardinetti B, Cammarota C, Negative conclusion cases: further proposal for likelihood ratio evaluation, Law, Probability and Risk Advance, 2007:1-16, doi:10.1093/lpr/mgl018
17. Srihari SN. Determining writership of historical manuscripts using computational methods, Automatic Pattern Recognition and Historical Handwriting Analysis workshop presented at Erlengen, Germany, June 14-15, 2013
18. Srihari SN, Tomai CI, Zang B, Sangjik L. Individuality of Numerals. Proceedings of the Seventh International Conference on Document Analysis and Recognition (ICDAR 2013)
19. Srihari S, Huang C, Srinivasan H. Content-based information retrieval from handwritten documents, U.S. Department of Justice, National Institute of Justice grant 2002-LT-BX-K007
20. Nordgaard A, Ansell R, Drotz W, Jaeger L. Scale of conclusions fort he value of evidence, Law Probability and Risk, 2011;1-24 doi:10.1093/lpr/mgr020
21. Aitken CGG, Taroni F. A verbal scale for the interpretation of evidence, Science & Justice, 38;(1998): 279-283
22. Cereda G. Impact of model choice on LR assessment in case of rare haplotype match (frequentist approach), 2015 arXiv:1502.04083
23. Taroni F, Aitken C, Garbolino P, Biedermann A, Bayesian Networks and Probabilistic Inference in Forensic Science. Barnett V, editör, 2006, doi: 10.1002/0470091754
24. Biedermann A, Taroni F. Findings evaluation in forensic manuscript examination: Necessity of a logical approach. Kriminalistik, 2005; 59:369-370
25. Taroni F, Bozza S, Biedermann A, Aitken C. Dismissal of the illusion of uncertainty in the assessment of a likelihood ratio, Law Probability and Risk, 2016;15:1-16 doi: 10.1093/lpr/mgv008
26. Godambe VP, Finetti Bd. Probability, Induction and Statistics. Journal of the American Statistical Association, 1974: 69(3+010120001+0):578 doi: 10.2307/2285706
27. Dørum G, Bleka Ø, Gill P, Egeland T. Exact computation of the distribution of likelihood ratios with forensic applications, Forensic Science International: Genetics, 2014;9(1):93–101 doi: 10.1016/j.fsigen.2013.11.008
28. Berger CEH, Buckleton J, Champod C, Jackson G. Evidence evaluation: A response to the court of appeal judgment in R. v. T. Science & Justice, 2011,;51(2):43-9 •
29. Neumann C, Kaye D, Jackson G, Ranadive A. Presenting Quantitative and Qualitative Information on Forensic Science Evidence in the Courtroom. Chance, 2016; 29(1):37-43
30. Biedermann A, Taroni F, Bozza S. Implementing statistical learning methods through Bayesian networks. Part 1: A guide to Bayesian parameter estimation using forensic science data. Forensic science international, 2009;193(1-3):63-71 doi: 10.1016/j.forsciint.2009.09.007
31. Neumann C, Ranadive A, Kaye DH, Reyna V. Communicating the Results of Forensic Science Examinations. Final Technical Report for NIST Award 70NANB12H014, 2015 doi: 10.13140/RG.2.1.2078.8246
32. Taroni F, Biedermann A, Bozza S. Statistical hypothesis testing and common misinterpretations: Should we abandon p-value in forensic science applications? Forensic Science İnternational, 2016; 259:32-36 • DOI: 10.1016/j.forsciint.2015.11.013
33. Meuwly D. Forensic individualisation from biometric data, Science & Justice, 2006;46:205-213
34. Evett IW, Weir SB, Interpreting DNA evidence:Statistical genetics for forensic scientists, Sinauer Associates, Sunderland, MA, 1998
35. Saini M, Kapoor AK. Conventional and computational features in document examination, Journal of Forensic Science & Criminology, 2015;3:1-7
36. Desai B, Kalyan JL. Forensic examination of handwriting and sigantures, International Journal of Innovative Research&Development, 2013;2:514-527. Doi: 10.15744/2348-9804.3.301
37. Hussain R, Raza A, Siddiqi I, Khursid K, Djeddi C. A compherensive survey of handwritten document benchmarks: structure, usage and evalution, Journal on Image and Video Processing, 2015;46:1-24. Doi:10.1186/s13640-015-0102-5
38. Johnson ME, Vastrick TW, Boulanger M, Schuetzner EM. Measuring the Frequency occurrence of handwriting and hand-printing characteristics, National Institute of Justice, Award Number 2010-DN-BX-K273.
39. Davis LJ , Saunders CP , Hepler A , Buscaglia J. Using subsampling to estimate the strength of handwriting fevidence via score-based likelihood ratios, Forensic Science International,2012;216:146-157
40. Raymond M, Bozza S, Schmittbuhl M, Taroni F. Handwriting evidence evaluation based on the shape of characters: Application of multivariate likelihood ratios, Journal of Forensic Sciences, 2011;56:238-242
41. Hepler AB , Saunders CP, Davis LJ, Buscaglia J. Score-based likelihood ratios for handwriting evidence, Forensic Science International,2012;219:129-140
42. Srihari SN. Statistical examination of handwriting characteristics using automated tools. NIJ Report 241743, 2013, Award Number: 2010-DN-BX-K037
43. Srihari SN. Computational methods for handwritten questioned document examination. NIJ Report 232745, 2010, Award Number:2004-IJ-CX-K050
44. Marquis R, Schmittbuhl M, Mazzella WD, Taroni F. Quantification of the shape of handwritten characters:a step to objective discrimination between writers based on the study of the capital character O, Forensic Science International, 2005;150:23-32
45. Akkurt M. Adli tıp kurumu fizik ihtisas dairesi adli belge inceleme şubesine gelen ve müzekkere ile iade edilen dosyaların incelenmesi [MSc tezi], Ulusal Tez Merkezi 308084, 2011
Yayınlanma Tarihi
2017-04-29
Nasıl Atıf Yapmalı
ÖNER, Dilara; CENGIZ, Salih; ÇETIN, Gürsel. El Yazısı İncelemelerinde Kullanılan Bireysel Karakteristiklerin Kanıt Değerinin Veri Tabanındaki Frekanslara Göre Belirlenmesi. Adli Tıp Bülteni, [S.l.], v. 22, n. 1, p. 1-13, nis. 2017. ISSN 2149-4533. Erişim Adresi: <http://www.adlitipbulteni.com/index.php/atb/article/view/1058>. Erişim Tarihi: 21 kas. 2017 doi: https://doi.org/10.17986/blm.2017127135.
Bölüm
Araştırma Makaleleri

Anahtar Kelimeler

Belge İnceleme, Yazı Karşılaştırmaları, Veri Tabanı, Olabilirlik Oranı, Kanıt Değeri

Aynı yazar(lar)a ait en çok okunan makaleler