A biológiai anyagmaradványok cselekvési szintű vizsgálata bűnügyekben III. A Bayes-hálózatok = Analysis of biological traces given activity level propostitions in criminal cases III. : Bayesian networks

Füredi, Sándor (2026) A biológiai anyagmaradványok cselekvési szintű vizsgálata bűnügyekben III. A Bayes-hálózatok = Analysis of biological traces given activity level propostitions in criminal cases III. : Bayesian networks. BELÜGYI SZEMLE / ACADEMIC JOURNAL OF INTERNAL AFFAIRS: A BELÜGYMINISZTÉRIUM SZAKMAI TUDOMÁNYOS FOLYÓIRATA (2010-), 74 (6). pp. 1649-1686. ISSN 2062-9494

Preview

Text 9_1649-1686.pdf - Published Version Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (1MB) | Preview

Abstract

Cél: A háromrészes tanulmány harmadik részének célja, hogy magyar nyelven, konkrét példákon keresztül bemutassa a bűncselekményekkel kapcsolatba hozható biológiai anyagmaradványok (köztük a DNS) cselekvési szintű vizsgálatát szolgáló Bayes-hálózatanalízis alapelveit.Módszertan: A tanulmány készítéséhez a nemzetközi szakirodalmat és szakmai ajánlásokat vetette össze a szerző, illetve Bayes-hálózatanalíziseket végzett el.Megállapítások: A bűnügyekben vizsgált anyagmaradványok cselekvési szintű igazságügyi valószínűsítő értékelésének egy kiváló módszere a Bayes-hálózatanalízis. A Bayes-hálózat (BH) valószínűségi változókat és azok feltételes függőségeit tartalmazó, irányított körmentes gráf. A gráf dolgok (csomópontok, csúcsok) és rajtuk értelmezett összeköttetések (élek) halmaza. A BH irányítottsága teljesen megfelel a forenzikus cselekvési szintű elemzésekben is a vizsgálatok fókuszába kerülő ok → okozat, hatás → következmény (ti. cselekvés → anyagtranszfer) függőségeknek. A BH körmentes, azaz az állításokat, elemzett cselekvéseket, az azokhoz tartozó anyagtranszfer (TPPR) eseményeket és a szakértői vizsgálati eredményeket reprezentáló csomópontok egyirányú láncolata egyetlen csomópontba sem térhet vissza. Ez tökéletesen modellezi az anyagmaradványok változásának térbeli és időbeli dinamikáját, amely soha nem térhet vissza a kiinduláskori állapotban és időben a kezdőpontra. Minden csomópont állapotát és azok valószínűségét a hozzájuk közvetlenük kapcsolódó szülő csomópont(ok) (például DNS-transzfer) állapota és valószínűsége befolyásolja. A szakértői vizsgálati eredménynek a vád és a védelem cselekvési szintű állítására vonatkozó valószínűségei (likelihood) a BH összes csomópontjának valószínűségéből kalkulálható. Egy ausztráliai és egy magyarországi bűnügyben elvégzett Bayes-hálózatanalízissel bemutatásra kerül, hogy a módszer hogyan segítheti az igazságszolgáltatás munkáját a genetikai szakértői eredmények bizonyító erejének statisztikai megbecsülésével, cselekvési szinten is.Érték: Magyar nyelven a szerző elsőként mutatja be ezt a szakterületet az igazságszolgáltatás szereplőinek, megteremtve a szakmai hátteret és nyelvezetet a magyarországi alkalmazásban. A szerző tudomása szerint cselekvési szintű igazságügyi genetikai Bayes-hálózatanalízis magyarországi bűnügy kapcsán most először kerül publikálásra. | Aim: The aim of Part III of this three-part study is to present – in Hungarian and through concrete examples – the basic principles of Bayesian network analysis used for activity-level evaluation of biological traces (including DNA) associated with criminal offenses. Methodology: For the preparation of this study, the author reviewed international literature, professional recommendations, and conducted Bayesian network analyses. Findings: An excellent method for the activity-level forensic probabilistic evaluation of trace materials examined in criminal cases is Bayesian network analysis. A Bayesian network (BN) is a directed acyclic graph that contains probabilistic variables and their conditional dependencies. The graph consists of entities (nodes, vertices) and the connections (edges) defined between them. The directed nature of a BN perfectly corresponds to the cause → effect or action → consequence dependencies (i.e., activity → material transfer) that are also the focus of activity-level analyses in forensics. A BN is acyclic, meaning that the unidirectional chain of nodes – representing propositions, analyzed activities, the associated material transfer (TPPR) events, and expert examination results – cannot return to any previous node. This accurately models the spatial and temporal dynamics of the change in traces, which can never revert to their initial state or point in time. The state and probability of each node are influenced by the state and probability of its directly connected parent node(s) (e.g., DNA transfer). The likelihoods of observing the trace evidence, given the prosecution’s and defense’s activity-level propositions, can be calculated from the probabilities of all nodes within the BN. Bayesian network analyses of an Australian and a Hungarian criminal case illustrate how this approach can support jurisdiction by providing statistical assessments of the probative value of forensic genetic results at the activity level. Value: This is the first study to introduce this field in Hungarian to stakeholders in the justice system, providing both the professional framework and the terminology needed for domestic application. To the author’s knowledge, this is the first published application of Bayesian network analysis for activity-level forensic genetics in a Hungarian criminal case.

Actions (login required)

Edit Item