Il 14 febbraio 1929, uomini armati che lavorano per Al Capone si sono travestiti da agenti di polizia, entrato nel magazzino di una banda in competizione, e uccise sette dei loro rivali. Il massacro di San Valentino è famoso non solo negli annali della storia della malavita, ma anche la storia della scienza forense. Capone ha negato il coinvolgimento, ma uno dei primi scienziati forensi di nome Calvin Goddard collegò i proiettili dalla scena del crimine alle pistole Tommy trovate a casa di uno degli uomini di Capone. Anche se il caso non è mai arrivato al processo e il coinvolgimento di Capone non è mai stato dimostrato in un tribunale, la copertura dei media ha introdotto milioni di lettori a Goddard e al suo strano microscopio.

Quel microscopio aveva uno schermo diviso che permetteva a Goddard di confrontare proiettili o bossoli, le custodie di metallo espulse da una pistola dopo aver sparato un proiettile, fianco a fianco. Se i segni sui proiettili o sui bossoli corrispondevano, che indicava che erano stati sparati dalla stessa pistola. Gli esaminatori di armi da fuoco usano ancora oggi lo stesso metodo, ma ha un'importante limitazione:dopo aver confrontato visivamente due proiettili o bossoli, l'esaminatore può offrire un parere esperto sulla corrispondenza. Ma non possono esprimere numericamente la forza dell'evidenza, come può fare un esperto di DNA quando testimonia su prove genetiche.

Ora, un team di ricercatori del National Institute of Standards and Technology (NIST) ha sviluppato un approccio statistico per confronti balistici che può consentire testimonianze numeriche. Mentre anche altri gruppi di ricerca stanno lavorando su questo problema, i vantaggi dell'approccio NIST includono un basso tasso di errore nei test iniziali e che è relativamente facile da spiegare a una giuria. I ricercatori hanno descritto il loro approccio in Internazionale di scienze forensi .

Quando si confrontano due bossoli, il metodo NIST produce un punteggio numerico che descrive quanto siano simili. Stima anche la probabilità che gli effetti casuali possano causare una corrispondenza falsa positiva, un concetto simile alle probabilità di corrispondenza per l'evidenza del DNA.

"Nessun metodo scientifico ha un tasso di errore pari a zero, " ha detto John Song, un ingegnere meccanico del NIST e l'autore principale dello studio. "Il nostro obiettivo è fornire all'esaminatore un modo per stimare la probabilità di questo tipo di errore in modo che la giuria possa tenerne conto quando decide la colpevolezza o l'innocenza".

Il nuovo approccio cerca anche di trasformare l'identificazione delle armi da fuoco da un metodo soggettivo che dipende dall'esperienza e dal giudizio di un esaminatore a uno basato su misurazioni oggettive. Un rapporto storico del 2009 della National Academy of Sciences e un rapporto del 2016 del President's Council of Advisors on Science and Technology hanno entrambi richiesto la ricerca che avrebbe portato a questa trasformazione.

La teoria dietro la balistica forense

Quando viene sparata una pistola, e il proiettile abbatte la canna, incontra creste e solchi che lo fanno girare, aumentando la precisione del tiro. Quelle creste scavano nel metallo morbido del proiettile, lasciando striature. Nello stesso momento in cui il proiettile esplode in avanti, il bossolo esplode all'indietro con uguale forza contro il meccanismo che assorbe il rinculo, chiamato la faccia di culatta. Questo imprime un'impressione della faccia di culatta nel metallo morbido alla base del bossolo, che viene poi espulso dalla pistola.

La teoria alla base dell'identificazione delle armi da fuoco è che le striature e le impronte microscopiche lasciate sui proiettili e sui bossoli sono uniche, riproducibile, e quindi, come "impronte balistiche" che possono essere utilizzate per identificare una pistola. Se gli investigatori recuperano proiettili o bossoli da una scena del crimine, gli esaminatori forensi possono provare a sparare con la pistola di un sospetto per vedere se produce impronte digitali balistiche che corrispondono alle prove.

Ma i proiettili e i bossoli sparati da pistole diverse potrebbero avere segni simili, soprattutto se le armi sono state prodotte consecutivamente. Ciò aumenta la possibilità di una corrispondenza falsa positiva, che può avere gravi conseguenze per l'imputato.

Un approccio statistico

Nel 2013, Song e i suoi colleghi del NIST hanno sviluppato un algoritmo che confronta le scansioni superficiali tridimensionali delle impronte della faccia di culatta sui bossoli. Il loro metodo, chiamate celle di corrispondenza congruenti, o CMC, divide una delle superfici scansionate in una griglia di celle, quindi cerca nell'altra superficie le celle corrispondenti. Maggiore è il numero di celle corrispondenti, quanto più simili sono le due superfici, e più è probabile che provengano dalla stessa pistola.

Nel loro recente studio, i ricercatori hanno scansionato 135 bossoli sparati da 21 diverse pistole da 9 millimetri. Ciò ha prodotto 433 coppie di immagini corrispondenti e 4, 812 coppie non corrispondenti. Per rendere la prova ancora più difficile, la maggior parte delle pistole sono state prodotte consecutivamente.

The CMC algorithm classified all the pairs correctly. Per di più, 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, d'altra parte, had at least 18 matching cells. In altre parole, 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. Usando questo metodo, 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."