Jotta rikostekniset vertailu- ja tunnistustutkimukset voidaan tunnustaa tieteellisesti luotettaviksi, oikeudellisesti hyväksyttäviksi ja tiedeyhteisössä hyväksytyiksi, ne on tehtävä tieteellisillä menetelmillä, jotka tuottavat johdonmukaisesti samat tulokset.

Nykyisin noudatettavat menettelyt ja niiden tieteellinen perusta ovat erittäin tärkeitä todistusaineiston vaikutukselle tuomioistuimen harkintaan ja sen merkittävälle asemalle tuomioistuimen ratkaisussa.

Tutkijoihin kohdistuu kansainvälisesti painetta tehdä objektiivisempia tunnistuksia.

Oikeuden ja tieteen näkökulmat yhtyivät asiantuntijatodistelua koskevassa kysymyksessä ensimmäisen kerran vuonna 1997. ENFSI:n (European Network of Forensic Science Institutes) työryhmä vahvisti 31. elokuuta 2004 rikostekniikan tieteelliset tunnistuskriteerit.

President’s Council of Advisors on Science and Technology (PCAST), johtavista tutkijoista koostuva neuvoa-antava elin, julkaisi 20. syyskuuta 2016 raportin Forensic Science in Criminal Courts: Ensuring Scientific Validity of Feature-Comparison Methods (“Rikostekniikka rikostuomioistuimissa: ominaisuusvertailumenetelmien tieteellisen pätevyyden varmistaminen”). Raportissa suositeltiin toimia rikostekniikan pätevän ja näyttöön perustuvan käytön edistämiseksi oikeussaleissa.

Ihannetapauksessa jokaisen laboratoriotutkimuksen tulisi kuvata todellisuutta: ongelman esiintyessä sen tulisi havaita se ja antaa positiivinen tulos, ja kaiken ollessa kunnossa sen tulisi antaa negatiivinen tulos. Käytännössä tällaista täydellistä laboratoriotutkimusta ei kuitenkaan ole.

Jokaiseen laboratoriomenetelmään sisältyy virheosuus. Menetelmävirhettä kutsutaan satunnaiseksi, kun se johtuu tilastollisesta vaihtelusta, ja systemaattiseksi, kun menetelmä ei eri syistä kykene määrittämään mitattavaa suuretta tarkasti.

Tuloksia tulkittaessa voi siten syntyä kahdentyyppisiä virheellisiä tuloksia:

• a) tulos voi olla väärä positiivinen; ja
• b) tulos voi olla väärä negatiivinen.

Laboratorioanalyysien vertailemiseksi ja luotettavimmat tulokset tuottavan menetelmän määrittämiseksi käytetään käsitteitä sensitiivisyys ja spesifisyys.

Laboratoriotutkimuksen sensitiivisyys kuvaa sen kykyä tunnistaa positiiviset tulokset oikein. Korkean sensitiivisyyden tutkimus tuottaa siten mahdollisimman vähän vääriä negatiivisia tuloksia. Spesifisyys puolestaan kuvaa kykyä tunnistaa negatiiviset tulokset oikein. Korkean spesifisyyden tutkimus tuottaa siten mahdollisimman vähän vääriä positiivisia tuloksia.

Laboratoriotutkimuksen tarkkuus (accuracy) perustuu korkean sensitiivisyyden ja korkean spesifisyyden yhdistelmään. Käytännössä nämä kaksi suuretta muuttuvat kuitenkin usein käänteisesti.

Korkean sensitiivisyyden tutkimuksilla voi olla matalampi spesifisyys ja päinvastoin. Asiantuntijan on tapauksesta riippuen valittava sopiva tasapaino sensitiivisyyden ja spesifisyyden välillä.

Oletetaan esimerkiksi, että tapauksen löydöksiä verrataan avoimien tapausten rekisteriin. Tällöin on selvästi käytettävä korkean sensitiivisyyden testiä, jotta kaikki mahdolliset osumat havaitaan.

Jotkin löydökset luokitellaan väistämättä virheellisesti vastaaviksi, mutta tämä ei ole ratkaisevaa, koska ensisijainen tavoite on, ettei yhtäkään avointa tapausta jää huomaamatta.

Kun positiivinen tulos myöhemmin päätetään ilmoittaa tutkimuksen pyytäneille viranomaisille, tarkastus on toistettava toisella, korkean spesifisyyden tutkimuksella väärän positiivisen tuloksen mahdollisuuden minimoimiseksi. Viattomalle henkilölle aiheutuvan perusteettoman haitan välttäminen on yhtä tärkeää kuin oikeuden asianmukainen toteutuminen.

Sensitiivisyyttä ja spesifisyyttä arvioidaan määrällisesti seuraavan nelikenttätaulukon avulla:

Näin ollen:

• α, oikeat positiiviset tunnistukset.
• β, väärät positiiviset tunnistukset.
• γ, väärät negatiiviset tunnistukset.
• δ, oikeat negatiiviset tunnistukset.
• α+γ, positiivisten tunnistusten kokonaismäärä.
• β+δ, negatiivisten tunnistusten kokonaismäärä.

Sensitiivisyys lasketaan suhteesta α / (α+γ), ja se ilmaistaan tavallisesti prosentteina.

Spesifisyys lasketaan suhteesta δ / (β+δ), ja se ilmaistaan tavallisesti prosentteina.

Näiden kysymysten ratkaisemiseksi perinteisten mikroskooppisten vertailujen rinnalle on kehitetty erikoistuneisiin matemaattisiin kriteereihin ja hahmontunnistukseen perustuvia menetelmiä. Ne käyttävät perinteisen vertailututkimuksen ohella mitattavaa tieteellistä menetelmää — Quantitative Consecutive Matching Striae (QCMS), eli peräkkäisten yhtenevien uurteiden määrällistä arviointia. Tämä mitattava menettely lisää varmuutta ja osoittaa tutkijan sekä hänen johtopäätöstensä luotettavuuden tuomioistuimessa.

Kuten edellä todettiin, Biasottin ja Murdockin vuonna 1997 AFTE:lle esittämät määrälliset tunnistuskriteerit ovat seuraavat:

Kolmiulotteisissa työkalunjäljissä, kun vähintään:

• Kaksi (2) eri ryhmää, joista kumpikin koostuu vähintään kolmesta (3) peräkkäisestä vastaavasta uurteesta, esiintyy samassa suhteellisessa kohdassa; tai
• Yksi kuuden (6) peräkkäisen vastaavan uurteen ryhmä vastaa tutkittavan työkalunjäljen vastaavia piirteitä verrattaessa sitä koejälkeen. (Toisin sanoen epäillyn työkalun näyttöjäljet ja koejäljet); ja

Kaksiulotteisissa työkalunjäljissä, kun vähintään:

• Kaksi (2) eri ryhmää, joista kumpikin koostuu vähintään viidestä (5) peräkkäisestä vastaavasta uurteesta, esiintyy samassa suhteellisessa kohdassa; tai
• Yksi kahdeksan (8) peräkkäisen vastaavan uurteen ryhmä vastaa tutkittavan työkalunjäljen vastaavia piirteitä verrattaessa sitä koejälkeen. (Toisin sanoen epäillyn työkalun näyttöjäljet ja koejäljet).

Yhteenvetona voidaan todeta, että koska myös näiden kriteerien soveltamiseen sisältyy laskennan subjektiivisuutta, automatisoitua matemaattista vertailua on tutkittu edelleen.