Loading [MathJax]/extensions/tex2jax.js

0

1
1

文字

分享

0
1
1

法拉第不只懂電磁學,也是火場鑑識專家?──《比小說還離奇的 12 堂犯罪解剖課》

PanSci_96
・2017/09/14 ・2642字 ・閱讀時間約 5 分鐘 ・SR值 552 ・八年級

火場通常又暗又臭,很不舒服,考驗體力。經過漫長的一天,你回到家,累得像條狗,渾身燒過的塑膠味。一點都不光彩。可是很迷人。

──火場調查員妮亞.尼克.戴依德(Niamh Nic Daeid)

是陰謀?還是天時地利人和造就了倫敦大火?

1666 年 9 月 2 日星期日,倫敦普丁巷的一名僕役被煙嗆醒,發現樓下店鋪起火了,他猛敲雇主麵包師傅湯馬斯.法里納(Thomas Farriner)的房門。全家上下沿屋頂逃生,只剩下女僕蘿絲(Rose)嚇得無法動彈,被烈焰吞噬。

圖/Diliff@wikimedia commons

不久,焰舌舔上附近住戶屋牆,市長湯瑪士.布拉德沃斯爵士(Sir Thomas Bloodworth)被叫到現場,指揮消防隊員拆毀建築,阻止火勢延燒。美夢遭到侵擾的布拉德沃斯怒氣騰騰,不理會消防隊員急切請求採取更進一步的措施。「呸!找個女人來撒泡尿不就沒事了。」說完,他離開現場。

隔天上午,記事員山繆爾.派比(Samuel Pepys)體驗到「狂風大作,將火焰趕入市區,歷經長時間的乾旱,什麼東西都成了可燃物,就連教堂的石牆也不例外」。到了下午,倫敦陷入地獄般的火海,火焰沿著「油、葡萄酒、白蘭地倉庫」、木造建築、稻草屋頂、瀝青、布料、油脂、煤炭、火藥──17 世紀的各種易燃物──呼嘯而過。極度高溫使得空氣迅速膨脹攀升,乘著風勢吸入新鮮空氣,將更多的氧氣捲入煉獄。倫敦大火塑造出專屬的天氣系統。

大火在 4 天後漸漸平息,摧毀了中世紀倫敦的大半城區,涵蓋 13,000 多棟屋舍、87 間教堂,以及聖保羅大教堂。城裡 80,000 居民中約有 70,000 人在一瞬間流離失所。

-----廣告,請繼續往下閱讀-----
倫敦大火的局部畫作,作者不明。畫中描繪9月4日星期二自倫敦塔碼頭附近船隻所見的火勢,倫敦塔在畫面右方,左方則為倫敦鐵橋,遠方為聖保羅座堂,被高竄的火舌環繞。圖/wikimedia commons

灰燼餘溫尚存,種種陰謀論甚囂塵上。大部分的倫敦人無法相信這場火純屬意外,裡頭有太多巧合:起火點是密集的木造建築區;當時大家都在夢鄉之中;那天街上格外冷清,沒有人幫忙滅火;吹起狂風,泰晤士河水位正低。

蓄意犯罪的謠言如雨後春筍般萌生。外科醫師湯瑪士.米斗頓(Thomas Middleton)站在教堂尖頂上,俯瞰火勢從幾處相隔甚遠的個別區域燒起。「這類狀況令我相信這場火的延燒是有人刻意為之。」他如此寫道。

外國人背負最大的嫌疑,在摩爾菲有個法國人差點被打死,因為旁人懷疑他用盒子裝「火球」,之後才發現那是網球。詩歌表達出眾人對起火原因的困惑:

我們仍舊不解一切從何而起;究竟是地獄、法國、羅馬,還是阿姆斯特丹。

──無名氏〈倫敦焚燒詩〉(A Poem on the Burning of London,1667)

最高階層掀起對真相的渴求。查爾斯二世(Charles Ⅱ)在這場火中損失最為慘重。國王授權給國會,設立調查火災起因的委員會。大批目擊證人紛紛站出來,某些人說他們看到有人投擲火球,或是坦承自己正是丟火球的犯人。有個叫愛德華.泰勒(Edward Taylor)的人說,星期六晚上,他跟荷蘭籍的叔叔走到普丁巷,發現湯馬斯.法里納烘焙坊的窗戶開著,往裡頭丟了「兩顆用火藥跟硫磺做的火球」。不過愛德華.泰勒才十歲,他的證詞不被採信。法國鐘錶師之子羅伯特.賀伯特(Robert Hubert)腦袋愚鈍,承認點火的人是他。沒有人真正相信,可是因為他如此堅持,陪審團認定他有罪,把他送上泰伯恩刑場的絞架。

-----廣告,請繼續往下閱讀-----

國會委員會成員湯瑪士.奧斯朋爵士(Sir Thomas Osborne)寫下:「所有的論點都瑣碎無比,人民知道此事並非人為就滿足了。」最後,委員會判定這場恐怖的火災是源自「上帝之手、一場狂風,以及極端的乾季」。

火場鑑識專家:麥可.法拉第!?

委員會做出如此缺乏說服力的結論,其實我們不用意外。評估複雜火場的調查人員需要了解火焰的運作模式。17 世紀在這方面的科學知識少得可憐。直到 1861 年,麥可.法拉第(Michael Faraday)把關於火焰的論述寫進書裡之後,社會大眾才有辦法接觸這類理論。

《蠟燭的化學史》(The Chemical History of a Candle)書中收錄了 6 篇他針對年輕聽眾設計的講演內容,是這個主題的關鍵教材。法拉第以蠟燭作為燃燒本質的象徵。在某次關鍵的講座中,他用罐子悶熄蠟燭。「空氣是燃燒的要件。」他解釋道,「更重要的是,我要你們了解新鮮空氣是必要條件。」他口中的「新鮮空氣」其實就是「氧氣」。

麥可.法拉第。圖/Wellcome Library@Wikimedia commons

法拉第是早期的專業證人,有時將研究結果帶出實驗室這事實行得很徹底。1819 年,某間在倫敦白教堂區的糖廠於大火中燒毀,老闆告保險公司拒絕理賠 15,000 鎊的保險金。這個案子演變為某項新製程──老闆採用加熱的鯨油,沒有告知保險公司──與起火原因有多大關係。作證之前,法拉第拿鯨油做實驗,加熱到攝氏兩百度,展示「從油生出的蒸氣,除了水以外,全都比熱油本身還要易燃」。在法庭上,一名陪審員不相信這個論點,於是法拉第當場點燃他用試管裝來的蒸餾氣體,「整個法庭瞬間瀰漫最難聞的臭味」。

-----廣告,請繼續往下閱讀-----

法拉第最重要的鑑識任務,是 1844 年德罕郡的哈斯威爾礦坑爆炸案,有 95 名男子與男孩身亡。這起爆炸發生在德罕郡礦區勞資糾紛激烈時期。代表悲傷家屬的律師向首相羅伯特.皮爾(Robert Peel)請願,要求政府派出代表調查。法拉第就是其中一人。

這個團隊花了一天實地探訪礦坑,調查裡頭的空氣流向。途中,法拉第發現他坐在一桶火藥上,旁邊就是沒有遮蔽的燭火。他一躍而起,「抗議他們有多不小心」。陪審團判斷這是意外事件,法拉第贊同這個論點。但是調查團回到倫敦後提出報告,指出礦坑裡的灰塵是本次爆炸的重要因素,建議改善通風系統。礦坑主人因為成本考量而回絕。這個風險遭到長達六十年的忽略,直到1913 年,威爾斯的聖海德礦坑發生類似的意外,奪走 440 名礦工的性命,釀成英國史上最嚴重的礦災。

圖/Wikimedia commons

在 20 世紀,消防單位與科學界聯手研發出火場調查技術,背後的支持者是想要知道究竟有多少火場、起火點以及起火原因的政府機關。60 與 70 年代的調查行動變得更加文明:有固定的流程、能夠驗出複合化學物質──比如,火場裡是否有汽油的蹤跡──的新器材。社會大眾愈來愈了解消防原理,現今的和平時代極少有火災或是爆炸──必定要有火才會引爆──造成大量死傷。要是這類不幸事故真發生了,調查火場的人員絕對是畢生難忘。

 

本文摘自泛科學2017年9月選書《比小說還離奇的12堂犯罪解剖課》,馬可孛羅出版。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

鳥苷三磷酸 (PanSci Promo)_96
225 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

3

5
4

文字

分享

3
5
4
鑑識故事系列:德國免費電玩,邀玩家扮法醫
胡中行_96
・2023/03/20 ・1664字 ・閱讀時間約 3 分鐘

本系列以往藉由講解真實案件,來分享鑑識科學;這篇則摘要免費電玩的虛構情境,鼓勵讀者親自體驗辦案。2023 年 1 月的《國際法醫期刊》(International Journal of Legal Medicine),介紹了一款德國漢堡開放線上大學(Hamburg Open Online University)的遊戲,名叫「Adventure Legal Medicine」(非官方中譯:法醫歷險)。論文詳述開發過程與教學功能,還強調玩家不管有無醫學知識,皆能輕易上手。[1]

=========微劇情,防雷線=========

想避開遊戲情境簡介的讀者,請跳過圖片後的第一段,謝謝。

電玩《Adventure Legal Medicine》的繪畫風格。圖/參考資料 1,Figure 1(CC BY 4.0)

情境設定

依照學習的領域,此遊戲有下列 5 個故事情境,可供選擇:

-----廣告,請繼續往下閱讀-----
  1. 估計死亡時間(time of death estimation):有人死在公寓裡。玩家必須選取正確的驗屍工具,例如:直腸體溫計(rectal thermometer)或神經反射錘(reflex hammer),來推估死亡時間。[1, 2]
  2. 體外驗屍檢查(external post-mortem examination):河岸上死者的某些身體部位,藏有非自然死亡的線索。[1]像是顱骨和手肘擦傷等,都有待玩家一探究竟。[2]
  3. 鑑識人類學(forensic anthropology):森林裡,散落著人類骨骸。觀察並測量骨頭,以推估年紀、性別和身高。將結果拿去跟失蹤人口的檔案比對,玩家或許就能找出死者的身份。[1]
  4. DNA親子鑑定(DNA analysis/paternity test):不知從哪迸出 4 個人,想繼承情境 2 那名死者的巨額財產。[1]玩家得從唾液樣本,分析他們的 DNA,判斷誰才是真有血親關係的子嗣。[1, 2]
  5. 解剖、酒精與藥物(autopsy/alcohol and drug influence):玩家幫車禍死者體外驗屍;解剖以檢查器官;並進行毒物學分析。最後,判讀以上檢查所得的結果。[1]

開發過程

這個遊戲是鑑識病理學家、鑑識人類學家、心理學家、醫科學生、遊戲工程師和插畫藝術家,共同合作的結晶。類似於商業開發的線上遊戲,產品正式釋出之前,得先找人來封閉測試。2 名分別為 25 和 49 歲的男性;以及 21、25 與 54 歲的 3 名女性,率先嘗試情境 1 和 2 的前期測試版。研發團隊根據他們的感想與建議,改進遊戲,並設計情境 3。接著,請 40 名醫學系的學生,操作情境 1 至 3 的測試版。另外,其他不同教育程度的學生,作為一般大眾的樣本,也受邀試玩。最終統合大家的評論後,團隊設計出情境 4 和 5 的遊戲。[1]

嚴肅遊戲

德國研發團隊將產品定位成「嚴肅遊戲」(serious game),以教學而非娛樂為主要目的,而且在視覺上多採灰階,來保持中性。[1]筆者試玩了一小部份,又觀賞攻略影片,覺得繪圖和音效雖不華麗,但頗為用心。由於遊戲全程都有電子版的課本唾手可得,玩家本身無須具備專業知識。每個階段結束後,還能透過小測驗,了解學習成效。對相關科系而言,也可用於輔助教學或自學。從 2020 年 1 月在 Google Play 上架以來,有數千人下載,並獲得平均 4.5 星的評價;可惜不曉得線上網頁版的使用人次。[1]下面是此遊戲的基本資料、連結與攻略,歡迎讀者分享闖關心得。

Adventure Legal Medicine

  • 名稱:Adventure Legal Medicine[1](英文別名:Forensic Medicine Adventure;德文名稱:Abenteuer Rechtsmedizin)[2]
  • 對象:醫學相關科系的學生及一般愛好者。[1]
  • 語言:英文和德文。[1]英文版的故事敘述,用字不難;但基於辦案的情境,勢必會出現骨骼、基因等,鑑識科學常見的專有名詞。
  • 行動裝置版:僅支援Android系統的平板電腦和手機;沒有 iOS 的版本。請點超連結下載,或上Google Play搜尋「Abenteuer Rechtsmedizin」。[1]
  • 線上網頁版http://elearning.uke.de/HOOU/RechtsmedizinSeriousGame/ (完全載入後,可以按下方代表德文的「DE」,將語言改為英文「EN」。)[1]
電玩《Adventure Legal Medicine》英文版,前 4 個情境的攻略。影/參考資料 2

  

  1. Anders S, Steen A, Müller T, et al. (2023) ‘Adventure Legal Medicine: a free online serious game for supplementary use in undergraduate medical education’. International Journal of Legal Medicine, 137, 545–549.
  2. SLY MobileGaming (15 JAN 2021) ‘Forensic Medicine Adventure Abenteuer Rechtsmedizin | Point and Click Game Walkthrough’. YouTube.
-----廣告,請繼續往下閱讀-----
所有討論 3
胡中行_96
169 篇文章 ・ 67 位粉絲
曾任澳洲臨床試驗研究護理師,以及臺、澳劇場工作者。 西澳大學護理碩士、國立台北藝術大學戲劇學士(主修編劇)。邀稿請洽臉書「荒誕遊牧」,謝謝。

0

10
2

文字

分享

0
10
2
鑑識故事系列:Lucia de Berk 值班死幾人?荷蘭護理冤案
胡中行_96
・2023/02/27 ・2983字 ・閱讀時間約 6 分鐘

前言:本文為鑑識系列中,罕見提及統計學的故事。不過,繁複的計算過程全部省略,僅討論統計概念和辦案原理。請害怕數學的讀者放心。

護理人員 Lucia de Berk。圖/Carole Edrich on Wikimedia Commons(CC BY-SA 3.0)

荷蘭護理人員 Lucia de Berk,長年於海牙茱莉安娜兒童醫院(Juliana Kinderziekenhuis)的 1 個病房,與紅十字醫院(Rode Kruis Ziekenhuis)的 2 個病房工作。2001 年 12 月,她因謀殺罪嫌被捕。[1]

超幾何分佈

警方起先偵辦 2 名住院病患的死因,發現是中毒身亡;後來連帶調查 1997 至 2001 年間,幾家醫院可能的謀殺案件,於是找上了她。[2]在法庭上,司法心理學家 Henk Elffers 用機率的概念,證明 Lucia de Berk 有罪。簡單來說,就是計算嫌犯現身出事班次的機率。他採取的統計方法,叫做超幾何分佈(又稱「超幾何分配」;hypergeometric distribution)。[1]

超幾何分佈適合用在從一個母數中,隨機抽取樣本,不再放回的情形。例如:袋子裝有 N 顆球,其中 L 顆為紅球。一把抓出 n 顆球,不特別挑選的話,紅球碰巧被抓到的機率為 X。[3, 4]以此類推,在此案被調查的時間範圍內,病房總共有 N 個班次,其中 Lucia de Berk 值了 L 班,而有醫療事故的班次共 n 個。如果不刻意安排,則她正好出現在事故班次的機率為 X。[1]公式介紹。[4]

此處實際帶入數據後得到的答案,說明 Lucia de Berk 理論上應該只有 3 億 4 千 2 百萬分之一(X = 1 / 3.42 x 108)的機率,會剛好在醫療事故發生的班次值班。因此,法庭認定她的頻繁出現(> 1 / 3.42 x 108),絕非巧合。[1, 2, 5, 6]2003 年,Lucia de Berk因 7 起謀殺和 3 次殺人未遂,[2]被判終身監禁。[5]

茱利安納兒童醫院(Juliana Kinderziekenhuis)外觀。圖/Joris on Wikimedia Commons(CC BY-SA 3.0)
紅十字醫院(Rode Kruis Ziekenhuis)已於 2021 年關閉。圖/1Veertje on Wikimedia Commons(CC BY-SA 4.0)。

統計謬誤

當時有位醫師任職於 Lucia de Berk 待過的一家醫院。他的女性姻親 Metta de Noo-Derksen 醫師,以及 Metta 的兄弟 Ton Derksen 教授,都覺得事有蹊蹺。[7]Metta 和 Ton 檢視死者的病歷紀錄,並指出部份醫療事故的類型和事發時間,與判決所用的數據對不起來因為後者大半仰賴記憶,他們甚至發現有些遭指控的班次,Lucia de Berk 其實不在現場。然而,光是這些校正,還不足以推翻判決。[1, 7]

-----廣告,請繼續往下閱讀-----

所幸出生於英國的荷蘭萊頓大學(Universiteit Leiden)統計學榮譽教授 Richard Gill,也伸出援手。[2]在協助此案的多年後,他的團隊發表了一篇論文,解釋不該使用超幾何分佈的理由,例如:[1]

  1. 護理人員不可互換:所有受訪醫師都說,護理人員可以相互替換;但是護理人員覺得,他們無法取代彼此。由於各別的個性與行事風格迥異,他們對病患的影響也不同。[1]
  2. 醫療事故通報機率:既然每個護理人員都有自己的個性,他們判定某事件為醫療事故,並且通報醫師的機率也不一樣。[1]畢竟醫院的通報規定是一回事;符合標準與否,都由護理人員判斷。比方說,有個病患每次緊張,血壓就破表。那就讓他坐著冷靜會兒,再登記第二次測量的正常結果即可。不過,難免會有菜鳥護士量一次就嚇到通報,分明給病房添亂。
  3. 班次與季節事故率:夜間與週末只剩護理人員和少數待命的醫師;季節性的特定病例增減;以及病患的生理時鐘等,都會影響出事的機率。[1]
  4. 護理排班並不平均:護理人員的班次安排,理想上會有帶狀的規律。可能連續幾天都是白班,接著是幾個小夜班之類的,[1]比較方便調整作息。此外,護理人員的資歷和個性,通常也會被納入考量。[1]以免某個班次全是資深人員;但另個班次緊急事故發生時,卻只剩不會臨機應變的新手。在這樣的排班原則下,如果單看某個時期的班表,每個人所輪到的各類班次總數,應該不會完全相同。
  5. 出院政策曾經改變:茱莉安娜兒童醫院在案發期間,曾經針對確定救不活的小病患,是否該在家中或病房離世,做過政策上的調整。帳面上來說,算在病房裡的事故量絕對會有變化。[1]

總之,太多因素會影響護理排班,或是干擾醫療事故的通報率,因此不能過度簡化成抽取紅球那樣的隨機概念。更嚴重的是,Henk Elffers 在計算過程中,分開處理 3 個病房的機率,然後再相乘。Richard Gill 的團隊強調,這樣會造成在多處上班的護理人員,比只為一處服務者,看起來有較高的嫌疑。[1]

帕松分佈

因應這種情境,Richard Gill 教授建議採用帕松分佈(又譯「布阿松分配」;Poisson distribution),[1]一種描述特定時間內,事件發生率的統計模型。[8]有別於先前的計算方法,在這裡事故傾向(accident proneness),以及整體排班狀況等變因,都納入了考量。前者採計護理人員通報醫療事故的意願強度;後者則為輪班的總次數。這個模型通常是拿來推估非尖峰時段的來電、大城市的火災等,也適用於 Lucia de Berk 的案子。[1](深入瞭解公式計算(p. 4 – 6)。[1, 8]

雖然此模型的細節複雜,統計學家得大費周章解釋給法官聽,但是考慮的條件比較趨近真實。倘若套用原始判決的數據,這個計算最後的答案是 0.0206161,意即醫療事故本來就有 49 分之 1 的機率,會與 Lucia de Berk 的班次重疊。如果帶入 Mettade Noo-Derksen 和 Ton Derksen 校正過的數據,機率更高達 9 分之 1。[1, 9]換句話說,她單純是倒楣出現在那裡,就被當作連續殺人犯。[6]

其他證據與翻案

大相逕庭的計算結果,顯示出選擇正確統計模型的重要性。然而,最不合理的,是以機率作為判決的主要根據。就謀殺案件來說,怎能不忠於病歷或驗屍報告?Richard Gill 教授接受美國犯罪學講師 Jon Robins 的訪問時,表示後來由醫師和毒物學家組成的獨立團隊,被允許瀏覽當初沒送上法庭的關鍵資料。[2]他們發現原本被視為受害者的病患,根本都喪命於自然死因。[2, 6]

在各方人士的協助下,Lucia de Berk 還是歷經兩次上訴失敗。[6]她曾於 2008 年,被允許在家等候重審結果。[1]但直到 2010 年 4 月,司法才還她清白。[7]Ton Derksen 認為,在荷蘭像這樣誤判的案件,約佔總判決數的 4 至 11%,也就是每年 1,000 人左右。不過,2006 到 2016 年間被判刑的 2 萬 3 千人裡,只有 5 個上訴到最高法院,而且僅 Lucia de Berk 的案子得以平反。[10]

-----廣告,請繼續往下閱讀-----
Lucia de Berk 冤案改編電影的海報。圖/電影《Lucia de B.》(2014) on IMDB

  

  1. Gill RD, Groeneboom P, de Jong P. (2018) ‘Elementary Statistics on Trial—The Case of Lucia de Berk’. Chance 31, 4, pp. 9-15.
  2. Robins J. (10 APR 2020) ‘Ben Geen: Statisticians back former nurse’s in last chance to clear name’. The Justice Gap.
  3. 超幾何分佈」國立高雄大學統計學研究所(Accessed on 03 FEB 2023)
  4. 李柏堅(06 FEB 2015)「超幾何分配CUSTCourses on YouTube.
  5. Sims J. (24 FEB 2022) ‘Are We in the Midst of a Data Illiteracy Epidemic?’. Inside Hook.
  6. Schneps L, Colmez C. (26 MAR 2013) ‘Justice Flunks Math’. The New York Times.
  7. Alexander R. (28 APR 2013) ‘Amanda Knox and bad maths in court’. BBC News.
  8. 李伯堅(04 FEB 2015)「布阿松分配」CUSTCourses on YouTube.
  9. Wilson D. (13 DEC 2022) ‘Red flag to be wary of when hunting a killer nurse’. The Herald, Scotland.
  10. One in nine criminals may have been wrongly convicted – research’. (21 NOV 2016) Dutch News.
-----廣告,請繼續往下閱讀-----
胡中行_96
169 篇文章 ・ 67 位粉絲
曾任澳洲臨床試驗研究護理師,以及臺、澳劇場工作者。 西澳大學護理碩士、國立台北藝術大學戲劇學士(主修編劇)。邀稿請洽臉書「荒誕遊牧」,謝謝。