0

16
0

文字

分享

0
16
0

指紋的辨識:從指紋認證系統發展到鑑識科學的應用——《黏黏滑滑》

晨星出版
・2023/01/07 ・3415字 ・閱讀時間約 7 分鐘

這幾年來我拿過幾本護照和簽證,所以我相當熟悉指紋掃描這件事。但是這次的流程感覺有點不一樣。首先,我坐在位於威靈頓的紐西蘭警察總局一間無窗的房間裡。掃描影像也是用一個跟我的智慧型手機差不多大小的儀器掃描。但是我卻著迷似地,用以前不曾有過的方式盯著複雜的紋路看。

指紋負責人吉蘭.哈利爾(Gilane Khalil)帶我走了一趟我的指紋之旅:

指紋的分類與組成

深色線就是凸起區,我們稱作乳突紋線(papillary ridge),其紋路可大略分為三類:箕形紋(loop)、斗形紋(whorl),及弧形紋(arch)。箕形紋的紋線會出現,繞圈之後再彎折回來,回到同一側。弧形紋是從一端往上彎曲或隆起,然後流向另一端—只有大約5%的人口有這種指紋。斗形紋是環形紋路。大部分人會有箕形紋混合斗形紋,你手上的指紋也是如此。

她指著取自我右手中指的指紋說,「不過你的指紋的確很不尋常。你看得出來這個特徵是結合了箕形紋和和斗形紋嗎?真是很好的複合紋路範例。」

-----廣告,請繼續往下閱讀-----
乳突紋線的紋路複雜,但是以上是最常見的三種。你的是哪一種呢?圖/

雖然指紋獲得最多關注,但我們整個手掌其實都被這個有乳突紋線的皮膚包覆,上方覆加一層網絡,有特有的深褶痕和摺皺。這些複雜性全都反映出肉眼可見表面之下的暗潮洶湧。我們皮膚上的紋線圖型是由不同種類的蛋白質角蛋白構成,最強、最耐久的種類就位於凸起的紋線,比較柔韌的則位於兩者之間的凹部。這樣的組合讓紋線可以承受大量擠壓,而凹部則可讓它們有空間屈曲和伸展。

這些紋路的根部很深,延伸到皮膚最外層(表皮)之下,並進入下方的真皮。這層結締組織有類似的紋線形式—大衛.林登(DavidLinden)稱之為「朝內的指紋」—其提供表皮各種支持,包括血管。

皮膚的汗腺和管道也會把這幾層固定在一起,灌注沿指紋線頂端分布的大量汗孔。位於手掌無毛皮膚下的腺體是人體當中最大也最緻密者,每平方公分有 1000 ∼ 1200 個。所以下次你在不合時宜的時刻冒手汗時,你就知道要怪誰了。

人類並不是手腳有乳突紋線皮膚的唯一靈長目。匹茲堡動物園(Pittsburgh Zoo)和聯邦調查局(FBI)在 2011 年進行一項研究,在例行性獸醫檢查期間採集各種不同靈長目的指紋。毫不意外,已知與我們關係密切的物種,如紅毛猩猩、金剛猩猩和黑猩猩,都出現類似的箕形紋、斗形紋和弧形紋,雖然與我們的分布有點不同。

-----廣告,請繼續往下閱讀-----

所有紅毛猩猩的指紋中,幾乎一半都有人類罕見的弧形紋。黑猩猩的斗形紋比我們多,而金剛猩猩的箕形紋比例與一般人類差不多。不過目前已知另外至少還有一種動物也有指紋,儘管其演化路徑與靈長目非常不同:無尾熊(學名是Phascolarctos cinereus)。

無尾熊的指紋與人類相似。圖/envatoelements

這種毛茸茸的有袋動物(也是澳洲的代表動物)指頭上的紋線,不管大小、形狀和排列,都跟人類的紋線相似,牠們前掌每根指頭都有弧形紋,有些後掌也有。斗形紋和箕形紋往往只出現在特定指頭。差異如此大的物種之間有這些共同特定特徵的原因,普遍認為是因為紋線可以增進牠們的抓握能力。對大半時間都待在森林樹冠的物種而言,這是很有效的技能⋯⋯或我們之後將會看到,這種技能更常出現在都市叢林中。

指紋認證系統的起源

指紋長久以來都被當做人類在物體上留下痕跡的方式,從簽合約和泥板文書(clay tablet),到古代墓碑的牆面。但是用來辨識個體—因其明顯的獨特性—是比較近代才開始,且有一段非常成敗參半的過去。

與指紋早期發展關係最密切的有三個人,分別是亨利.佛德斯(HenryFaulds)醫師、優生學家法蘭西斯.高爾頓(Francis Galton),以及殖民地警察愛德華.亨利(Edward Henry)。佛德斯透過實驗證實指紋會永久存在—即使遭遇嚴重的表皮損傷也可以恢復原本的紋路。除了尺寸變大,指紋的紋路從出生到成年都一樣。

-----廣告,請繼續往下閱讀-----

他也設計出第一個正式的紋路分類系統。高爾頓在1892 年的一本著作就是以那些主張為基礎,他從世界各地蒐集了指紋樣本之後,宣稱掌足凸紋(friction ridges)是「比任何身體特徵都還更加肯定的身分判定標準」。這開啟了一扇門,世人開始把指紋當做一種鑑別工具。

高爾頓特別強調此技術對英國殖民地的潛在重要性,「這些地方的土著很難區別」。沒錯,他真的這樣寫。駐紮在印度,擔任孟加拉警察分局督察長的愛德華.亨利非常推崇高爾頓的作品,且確信他可以把分類系統再調整得更實用一點。在他的努力之下,亨利系統(HenrySystem)誕生了, 1901 年獲蘇格蘭場(Scotland Yard)採用,自此之後衍生的不同版本也受到執法機關和其他警政機構使用。

鑑識科學的指紋比對

最近幾十年來, 有些有威望的科學組織開始批評指紋在鑑識科學的地位—尤其是做為刑事案件的證據。癥結點環繞在個化(individualisation)的概念;即鑑識痕跡〔例如犯罪現場找到的潛伏指紋(latent print)〕可以無歧義地連結到特定的某個人,「而因此排除其他所有人。」

2009 年,美國國家研究委員會(National Research Council)發表一份針對美國鑑識科學狀態的大型研究。他們在這份研究中提到,指紋鑑定缺乏提出這種主張所需的科學依據。之後的報告也同意,指出諸如錯誤率、專家之間缺乏可重複性和重現性,以及認知偏誤等風險。

-----廣告,請繼續往下閱讀-----

如果你曾經看過那些時髦的「犯罪現場調查」(CSI)電視劇,你可能會想,這跟認知偏誤有什麼關係。指紋比對想必都是由電腦完成的吧?這個嘛,雖然電腦化的資料庫的確善盡職責,但拿指紋比對資料庫裡的指紋資料這個過程,其實是由人工進行,很意外吧。

在紐西蘭這裡,軟體只會當做初步過濾的工具,用來觀察指紋的整體模式,以及畫面中不同點之間的關係。那樣的電腦分析會吐出一長串可能的候選清單,接著就人工檢查每一位候選人的指紋細節—所謂的人工即是受過訓練的指紋專家。指紋專家要留意很多地方。負責管理紐西蘭國家指紋服務(National Finger Print Service)的塔妮亞.凡.皮爾(Tanja Van Peer)告訴我:

光是一枚完美的潛伏指紋,可能資訊量就很龐大。當我們調出指紋畫面,我們要看的不只是紋線的流動和形狀;汗孔、皮膚褶皺及疤痕也都獨一無二。我們縮小螢幕上的搜尋範圍後,就會調出原始的指紋組,並重複進行分析。我們每一次鑑別都會再跟另外兩位專家進行半盲確認,上法庭時,會再重複進行所有過程。我們的驗證過程非常可靠。

但是即使經過以上所有嚴謹地檢查和斟酌程序,指紋分析還是一直被視為意見證據(opinion evidence)。沒錯,指紋分析是基於最高級專家的判斷,指紋連結到錯誤人選的可能性非常低,但並不是零。

-----廣告,請繼續往下閱讀-----

根據其性質,意見證據無法提供絕對的確定性。 2017 年,美國科學促進會(American Association for the Advancement of Science, AAAS)表示,「(檢查人員)應避免主張或暗示可能來源數量僅限於單一人選的說法。」類似「吻合」、「鑑定」、「個化」等用詞及其同義字,所暗示的含意都超出科學可支援的範圍。

不過,把人類這個因素完全排除於指紋分析之外,也不太可能讓過程更加準確。事實上,許多研究已顯示,說到比對指紋,訓練有素檢查人員的表現都明顯優於任何自動系統。在我參訪期間,凡.皮爾不斷強調,紐西蘭的專家接受了5 年紮實的訓練,精進他們的技能,但是她也坦承,即使是如此可靠的分析方法,也無法保證完全不會出錯。

指紋驗證系統如今還是被視為意見證據。圖/envatoelements

愈來愈多組織也會採用類似的「盲性驗證」步驟,降低偏誤的風險。把過程調整得更科學一點,似乎也是全球趨勢。洛桑大學(University ofLausanne) 鑑識科學教授克里斯托夫.錢帕德(Christophe Champod)認為,有個方法可以辦得到,就是為指紋證據分配數學機率,這能使其更符合在法庭上呈現DNA 證據的方式。有幾個以此為目標的數學模型正在發展中,雖然目前還沒有任何模型可以廣泛採用。

指紋還是會繼續被當做一種法庭上的鑑識證據,但還是希望透過這些努力,可以增進其可靠性和客觀性,同時也正式確立其並非萬無一失—就跟所有鑑識技術一樣。唯一可以有自信地宣稱兩組指紋「完全吻合」的人,只有虛構的電視警探吧。

-----廣告,請繼續往下閱讀-----

——本文摘自《黏黏滑滑》,2022 年 11 月,晨星出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
文章難易度
晨星出版
12 篇文章 ・ 3 位粉絲

0

1
0

文字

分享

0
1
0
人與 AI 的關係是什麼?走進「2024 未來媒體藝術節」,透過藝術創作尋找解答
鳥苷三磷酸 (PanSci Promo)_96
・2024/10/24 ・3176字 ・閱讀時間約 6 分鐘

-----廣告,請繼續往下閱讀-----

本文與財團法人臺灣生活美學基金會合作。 

AI 有可能造成人們失業嗎?還是 AI 會成為個人專屬的超級助理?

隨著人工智慧技術的快速發展,AI 與人類之間的關係,成為社會大眾目前最熱烈討論的話題之一,究竟,AI 會成為人類的取代者或是協作者?決定關鍵就在於人們對 AI 的了解和運用能力,唯有人們清楚了解如何使用 AI,才能化 AI 為助力,提高自身的工作效率與生活品質。

有鑑於此,目前正於臺灣當代文化實驗場 C-LAB 展出的「2024 未來媒體藝術節」,特別將展覽主題定調為奇異點(Singularity),透過多重視角探討人工智慧與人類的共生關係。

-----廣告,請繼續往下閱讀-----

C-LAB 策展人吳達坤進一步說明,本次展覽規劃了 4 大章節,共集結來自 9 個國家 23 組藝術家團隊的 26 件作品,帶領觀眾從了解 AI 發展歷史開始,到欣賞各種結合科技的藝術創作,再到與藝術一同探索 AI 未來發展,希望觀眾能從中感受科技如何重塑藝術的創造範式,進而更清楚未來該如何與科技共生與共創。

從歷史看未來:AI 技術發展的 3 個高峰

其中,展覽第一章「流動的錨點」邀請了自牧文化 2 名研究者李佳霖和蔡侑霖,從軟體與演算法發展、硬體發展與世界史、文化與藝術三條軸線,平行梳理 AI 技術發展過程。

圖一、1956 年達特茅斯會議提出「人工智慧」一詞

藉由李佳霖和蔡侑霖長達近半年的調查研究,觀眾對 AI 發展有了清楚的輪廓。自 1956 年達特茅斯會議提出「人工智慧(Artificial Intelligence))」一詞,並明確定出 AI 的任務,例如:自然語言處理、神經網路、計算學理論、隨機性與創造性等,就開啟了全球 AI 研究浪潮,至今將近 70 年的過程間,共迎來三波發展高峰。

第一波技術爆發期確立了自然語言與機器語言的轉換機制,科學家將任務文字化、建立推理規則,再換成機器語言讓機器執行,然而受到演算法及硬體資源限制,使得 AI 只能解決小問題,也因此進入了第一次發展寒冬。

-----廣告,請繼續往下閱讀-----
圖二、1957-1970 年迎來 AI 第一次爆發

之後隨著專家系統的興起,讓 AI 突破技術瓶頸,進入第二次發展高峰期。專家系統是由邏輯推理系統、資料庫、操作介面三者共載而成,由於部份應用領域的邏輯推理方式是相似的,因此只要搭載不同資料庫,就能解決各種問題,克服過去規則設定無窮盡的挑戰。此外,機器學習、類神經網路等技術也在同一時期誕生,雖然是 AI 技術上的一大創新突破,但最終同樣受到硬體限制、技術成熟度等因素影響,導致 AI 再次進入發展寒冬。

走出第二次寒冬的關鍵在於,IBM 超級電腦深藍(Deep Blue)戰勝了西洋棋世界冠軍 Garry Kasparov,加上美國學者 Geoffrey Hinton 推出了新的類神經網路算法,並使用 GPU 進行模型訓練,不只奠定了 NVIDIA 在 AI 中的地位, 自此之後的 AI 研究也大多聚焦在類神經網路上,不斷的追求創新和突破。

圖三、1980 年專家系統的興起,進入第二次高峰

從現在看未來:AI 不僅是工具,也是創作者

隨著時間軸繼續向前推進,如今的 AI 技術不僅深植於類神經網路應用中,更在藝術、創意和日常生活中發揮重要作用,而「2024 未來媒體藝術節」第二章「創造力的轉變」及第三章「創作者的洞見」,便邀請各國藝術家展出運用 AI 與科技的作品。

圖四、2010 年發展至今,高性能電腦與大數據助力讓 AI 技術應用更強

例如,超現代映畫展出的作品《無限共作 3.0》,乃是由來自創意科技、建築師、動畫與互動媒體等不同領域的藝術家,運用 AI 和新科技共同創作的作品。「人們來到此展區,就像走進一間新科技的實驗室,」吳達坤形容,觀眾在此不僅是被動的觀察者,更是主動的參與者,可以親身感受創作方式的轉移,以及 AI 如何幫助藝術家創作。

-----廣告,請繼續往下閱讀-----
圖五、「2024 未來媒體藝術節——奇異點」展出現場,圖為超現代映畫的作品《無限共作3.0》。圖/C-LAB 提供

而第四章「未完的篇章」則邀請觀眾一起思考未來與 AI 共生的方式。臺灣新媒體創作團隊貳進 2ENTER 展出的作品《虛擬尋根-臺灣》,將 AI 人物化,採用與 AI 對話記錄的方法,探討網路發展的歷史和哲學,並專注於臺灣和全球兩個場景。又如國際非營利創作組織戰略技術展出的作品《無時無刻,無所不在》,則是一套協助青少年數位排毒、數位識毒的方法論,使其更清楚在面對網路資訊時,該如何識別何者為真何者為假,更自信地穿梭在數位世界裡。

透過歷史解析引起共鳴

在「2024 未來媒體藝術節」規劃的 4 大章節裡,第一章回顧 AI 發展史的內容設計,可說是臺灣近年來科技或 AI 相關展覽的一大創舉。

過去,這些展覽多半以藝術家的創作為展出重點,很少看到結合 AI 發展歷程、大眾文明演變及流行文化三大領域的展出內容,但李佳霖和蔡侑霖從大量資料中篩選出重點內容並儘可能完整呈現,讓「2024 未來媒體藝術節」觀眾可以清楚 AI 技術於不同階段的演進變化,及各發展階段背後的全球政治經濟與文化狀態,才能在接下來欣賞展區其他藝術創作時有更多共鳴。

圖六、「2024 未來媒體藝術節——奇異點」分成四個章節探究 AI 人工智慧時代的演變與社會議題,圖為第一章「流動的錨點」由自牧文化整理 AI 發展歷程的年表。圖/C-LAB 提供

「畢竟展區空間有限,而科技發展史的資訊量又很龐大,在評估哪些事件適合放入展區時,我們常常在心中上演拉鋸戰,」李佳霖笑著分享進行史料研究時的心路歷程。除了從技術的重要性及代表性去評估應該呈現哪些事件,還要兼顧詞條不能太長、資料量不能太多、確保內容正確性及讓觀眾有感等原則,「不過,歷史事件與展覽主題的關聯性,還是最主要的決定因素,」蔡侑霖補充指出。

-----廣告,請繼續往下閱讀-----

舉例來說,Google 旗下人工智慧實驗室(DeepMind)開發出的 AI 軟體「AlphaFold」,可以準確預測蛋白質的 3D 立體結構,解決科學家長達 50 年都無法突破的難題,雖然是製藥或疾病學領域相當大的技術突破,但因為與本次展覽主題的關聯性較低,故最終沒有列入此次展出內容中。

除了內容篩選外,在呈現方式上,2位研究者也儘量使用淺顯易懂的方式來呈現某些較為深奧難懂的技術內容,蔡侑霖舉例說明,像某些比較艱深的 AI 概念,便改以視覺化的方式來呈現,為此上網搜尋很多與 AI 相關的影片或圖解內容,從中找尋靈感,最後製作成簡單易懂的動畫,希望幫助觀眾輕鬆快速的理解新科技。

吳達坤最後指出,「2024 未來媒體藝術節」除了展出藝術創作,也跟上國際展會發展趨勢,於展覽期間規劃共 10 幾場不同形式的活動,包括藝術家座談、講座、工作坊及專家導覽,例如:由策展人與專家進行現場導覽、邀請臺灣 AI 實驗室創辦人杜奕瑾以「人工智慧與未來藝術」為題舉辦講座,希望透過帶狀活動創造更多話題,也讓展覽效益不斷發酵,讓更多觀眾都能前來體驗由 AI 驅動的未來創新世界,展望 AI 在藝術與生活中的無限潛力。

展覽資訊:「未來媒體藝術節——奇異點」2024 Future Media FEST-Singularity 
展期 ▎2024.10.04 ( Fri. ) – 12.15 ( Sun. ) 週二至週日12:00-19:00,週一休館
地點 ▎臺灣當代文化實驗場圖書館展演空間、北草坪、聯合餐廳展演空間、通信分隊展演空間
指導單位 ▎文化部
主辦單位 ▎臺灣當代文化實驗場

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

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

  

參考資料

  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

-----廣告,請繼續往下閱讀-----

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

  

參考資料

  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。