Dit is dé nieuwe sleutel tot misdaadoplossing

In 2016 werd Bert Otten benaderd door het Openbaar Ministerie voor een overvalzaak in Groningen. Een gemaskerde dader was door beveiligingscamera’s negen keer gefilmd en "had een erg bijzonder loopje". De vraag was of dit looppatroon overeenkwam met dat van de verdachte die was aangehouden. Hij was in eerste instantie vrijgesproken vanwege een gebrek aan bewijs.

Dat zowel dader als verdachte een overeenkomstige loopwijze hebben is voor de Nederlandse rechtspraak, in tegenstelling tot bijvoorbeeld Engeland, niet voldoende. In Nederland vereist dit cijfers, vertelt Otten: "Wij kunnen er echt getallen aan hangen: wat is nu de kans dat het dezelfde persoon is?"

Ontwikkeling van de loopanalyse

Mickey Wiedemeijer, die op dat moment nog een student van Otten was, besloot haar docent te helpen. "Ik had nog geen afstudeerproject en dit kwam op Bert zijn pad", vertelt de bewegingswetenschapper. Aanvankelijk hebben ze verschillende methodes geprobeerd, allemaal op de computer. Maar het lukte de artificiële intelligentie niet om ruimtelijke hoeken goed te herkennen. Het menselijk oog lukte dit wel.

Voor hun methode hebben ze een 20 stabiele kenmerken geïdentificeerd vertelt Wiedemeijer: "Bijvoorbeeld een voetstand. Staat een voet naar voren, naar buiten, of naar binnen gericht? Heeft iemand O-benen, X-benen of staan de knieën normaal?"

Dit levert in totaal 4 miljard verschillende loopjes op. "In de praktijk zijn dit er veel minder omdat kenmerken ook samenhangen", legt Otten uit. "Stel je hebt X-benen, dan is de kans heel klein dat je voeten dan naar buiten staan. Meestal staan ze dan naar binnen. Die samenhang gebruiken wij om niet onterecht een te grote overeenkomst te vinden tussen dader en verdachte."

Interpretatie van waarschijnlijkheid

Aan de hand van de 20 kenmerken vergelijken ze het loopje van de verdachte en de dader om de waarschijnlijkheid van een match te bepalen. Hiervoor gebruiken ze statistische kansberekeningen, legt Otten uit: "De kans, als het dezelfde persoon is, gedeeld door de kans dat het niet dezelfde persoon is." Dit heet een likelyhood ratio en is onderdeel van de bayesiaanse statistiek, die een interpretatie van waarschijnlijkheid biedt.

Vervolgens vergelijken ze dit met een "normaal looppatroon" dat gebaseerd is op een grote groep mensen die ze op straat gefilmd hebben. Deze database met looppatronen laat zien hoe uniek het looppatroon is en hoeveel het patroon van de verdachte en de dader overeenkomt. "Dan heb je statistisch bewijs", stelt de heer Otten. Dit is dus belangrijk voor de verantwoording in de rechtbank.

Kunstmatige intelligentie

Deze verantwoording verklaart ook waarom AI nog niet toegepast wordt voor looppatroonanalyses. Als het AI-systeem een overeenkomst vindt, kan deze niet aangeven waar die overeenkomst op gebaseerd is. "Je kunt de zwarte doos niet goed openmaken", verklaart Otten. Dit levert juridische complicaties op. Mensen blijken daarnaast beter in staat te zijn om afwijkende patronen te herkennen, vooral wanneer een persoon bijvoorbeeld bewust probeert zijn loopje te manipuleren.

Looppatronen blijven echter minder uniek dan DNA en het bewijs zal daarom niet snel doorslaggevend zijn. Wel kan het gebruikt worden om verdachten uit te sluiten. Als de politie verwacht dat iemand de dader is kan er een psychologische bias ontstaan. "Wij vinden dan kenmerken dat het hem niet kan zijn", aldus Wiedemeijer. Ondanks deze uitdagingen heeft looppatroonanalyse inmiddels bij meer dan 70 zaken een rol gespeeld, waaronder moord- en overvalzaken.