Em 14 de fevereiro, 1929, pistoleiros trabalhando para Al Capone se disfarçaram de policiais, entrou no armazém de uma gangue concorrente, e matou sete de seus rivais. O Massacre do Dia de São Valentim é famoso não apenas nos anais da história das gangues, mas também a história da ciência forense. Capone negou envolvimento, mas um dos primeiros cientistas forenses chamado Calvin Goddard ligou as balas da cena do crime às armas Tommy encontradas na casa de um dos homens de Capone. Embora o caso nunca tenha chegado a julgamento - e o envolvimento de Capone nunca foi provado em um tribunal de justiça - a cobertura da mídia apresentou Goddard e seu estranho microscópio a milhões de leitores.

Esse microscópio tinha uma tela dividida que permitia a Goddard comparar balas ou cartuchos, as caixas de metal que uma arma ejeta depois de disparar uma bala, lado a lado. Se as marcações nas balas ou caixas corresponderem, que indicava que eles foram disparados da mesma arma. Os examinadores de armas de fogo ainda usam o mesmo método hoje, mas tem uma limitação importante:depois de comparar visualmente dois marcadores ou cartuchos, o examinador pode oferecer uma opinião especializada quanto à compatibilidade. Mas eles não podem expressar a força da evidência numericamente, da mesma forma que um especialista em DNA pode ao testemunhar sobre evidências genéticas.

Agora, uma equipe de pesquisadores do Instituto Nacional de Padrões e Tecnologia (NIST) desenvolveu uma abordagem estatística para comparações balísticas que podem permitir o testemunho numérico. Enquanto outros grupos de pesquisa também estão trabalhando neste problema, as vantagens da abordagem NIST incluem uma baixa taxa de erro nos testes iniciais e que é relativamente fácil de explicar a um júri. Os pesquisadores descreveram sua abordagem em Ciência Forense Internacional .

Ao comparar duas caixas de cartucho, o método NIST produz uma pontuação numérica que descreve como eles são semelhantes. Ele também estima a probabilidade de que efeitos aleatórios possam causar uma correspondência falsa positiva - um conceito semelhante às probabilidades de correspondência para evidências de DNA.

"Nenhum método científico tem uma taxa de erro zero, "disse John Song, um engenheiro mecânico do NIST e o principal autor do estudo. "Nosso objetivo é dar ao examinador uma maneira de estimar a probabilidade desse tipo de erro para que o júri possa levar isso em consideração ao decidir a culpa ou a inocência."

A nova abordagem também busca transformar a identificação de arma de fogo de um método subjetivo, que depende da experiência e julgamento do examinador, para um método baseado em medidas objetivas. Um relatório marcante de 2009 da Academia Nacional de Ciências e um relatório de 2016 do Conselho de Consultores de Ciência e Tecnologia do presidente pediram pesquisas que trouxessem essa transformação.

A teoria por trás da balística forense

Quando uma arma é disparada, e a bala atinge o cano, ele encontra sulcos e sulcos que o fazem girar, aumentando a precisão do tiro. Essas cristas cravam no metal macio da bala, deixando estrias. Ao mesmo tempo que a bala explode para a frente, a caixa do cartucho explode para trás com igual força contra o mecanismo que absorve o recuo, chamado de face culatra. Isso marca uma impressão da face da culatra no metal macio na base da caixa do cartucho, que é então ejetado da arma.

A teoria por trás da identificação de arma de fogo é que estrias microscópicas e impressões deixadas em balas e cartuchos são únicas, reproduzível, e portanto, como "impressões digitais balísticas" que podem ser usadas para identificar uma arma. Se os investigadores recuperarem balas ou cartuchos de uma cena de crime, Os examinadores forenses podem fazer um teste de disparo com a arma de um suspeito para ver se ela produz impressões digitais balísticas que correspondam às evidências.

Mas balas e cartuchos disparados de armas diferentes podem ter marcações semelhantes, especialmente se as armas foram fabricadas consecutivamente. Isso levanta a possibilidade de uma correspondência falsa positiva, o que pode ter consequências graves para o acusado.

Uma Abordagem Estatística

Em 2013, Song e seus colegas do NIST desenvolveram um algoritmo que compara varreduras tridimensionais da superfície das impressões da face da culatra em cartuchos. Seu método, chamadas células de correspondência congruentes, ou CMC, divide uma das superfícies digitalizadas em uma grade de células, em seguida, pesquisa a outra superfície em busca de células correspondentes. Quanto maior o número de células correspondentes, quanto mais semelhantes as duas superfícies, e é mais provável que tenham vindo da mesma arma.

Em seu estudo recente, os pesquisadores escanearam 135 cartuchos que foram disparados de 21 diferentes pistolas de 9 milímetros. Isso produziu 433 pares de imagens correspondentes e 4, 812 pares não correspondentes. Para tornar o teste ainda mais difícil, a maioria das pistolas foi fabricada consecutivamente.

The CMC algorithm classified all the pairs correctly. Além disso, 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, por outro lado, had at least 18 matching cells. Em outras palavras, 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 este método, 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."