[論文レビュー] A defense of Columbo (and of the use of Bayesian inference in forensics): A multilevel introduction to probabilistic reasoning

G. D’Agostini|arXiv (Cornell University)|Mar 10, 2010

Bayesian Modeling and Causal Inference参考文献 5被引用数 5

ひとこと要約

この論文は、有名なコロンボのエピソードを確率的推論の妥当な応用として分析することで、法的推論におけるベイズ推論の使用を擁護している。不確実な証言を含む多段階のベイズネットワーク・モデルを用いて、探偵の手法—容疑者に正しいカメラを特定させること—が、事前信念と証人の信頼性を更新することで、強固で整合性のある証拠を構成することを示している。これは裁判所における「確率的罠」との主張に対抗するものである。

ABSTRACT

Triggered by a recent interesting New Scientist article on the too frequent incorrect use of probabilistic evidence in courts, I introduce the basic concepts of probabilistic inference with a toy model, and discuss several important issues that need to be understood in order to extend the basic reasoning to real life cases. In particular, I emphasize the often neglected point that degrees of beliefs are updated not by `bare facts' alone, but by all available information pertaining to them, including how they have been acquired. In this light I show that, contrary to what claimed in that article, there was no "probabilistic pitfall" in the Columbo's episode pointed as example of "bad mathematics" yielding "rough justice". Instead, such a criticism could have a `negative reaction' to the article itself and to the use of Bayesian reasoning in courts, as well as in all other places in which probabilities need to be assessed and decisions need to be made. Anyway, besides introductory/recreational aspects, the paper touches important questions, like: role and evaluation of priors; subjective evaluation of Bayes factors; role and limits of intuition; `weights of evidence' and `intensities of beliefs' (following Peirce) and `judgments leaning' (here introduced), including their uncertainties and combinations; role of relative frequencies to assess and express beliefs; pitfalls due to `standard' statistical education; weight of evidences mediated by testimonies. A small introduction to Bayesian networks, based on the same toy model (complicated by the possibility of incorrect testimonies) and implemented using Hugin software, is also provided, to stress the importance of formal, computer aided probabilistic reasoning.

研究の動機と目的

• 『ネガティブ・リアクション』というコロンボのエピソードのシーンに、裁判における証拠評価の『確率的罠』が存在するという主張を反駁すること。
• 証拠収集の文脈を含む完全な情報に基づいて適切に適用されたベイズ推論が、確率的推論における一般的な誤りを回避することを示すこと。
• 法的意思決定における事前信念、証人の信頼性、証拠構造の統合の重要性を強調すること。
• ベイズネットワークを、不確実性を管理し、直感的判断や頻度主義的誤解に過度に依存することを避ける形式的ツールとして提唱すること。
• 個々の信頼性が不確実であっても、複数の一致する証言が真実性への信念を高めることを示すこと。

提案手法

• 12個の黒い玉と1個の白い玉が入った箱の玩具モデルを用いて、法的証拠収集と証人の証言を模擬する。
• ベイズの定理を適用し、証拠と証言に基づいて、真の状態（例：どのカメラが使われたか）に関する信念度を更新する。
• Huginソフトウェアで実装されたベイズネットワークを導入し、箱の構成、証言、真実を述べる確率の間の依存関係をモデル化する。
• 式 $\tilde{O}_{B_1}(B_T,I) = \frac{1}{P(W|B_2) + P(B|B_2)/\lambda}$ を用いて、仮説に有利または不利な証拠の重みを定量化する有効ベイズ因子を計算する。
• 証人の信頼性を潜在変数としてモデル化し、嘘をつく確率（例：$\lambda = 1/5$）を事前確率として設定し、報告の一貫性に基づいて信念を更新する。
• 反復的ネットワーク更新を用いて逐次的証拠をシミュレートする：最初の2名の証人が「白」と報告、3人目が「黒」と報告、その後に黒い玉の直接観察を行う。

実験結果

リサーチクエスチョン

• RQ1 コロンボの探偵が容疑者に正しいカメラを特定させることで、確率的推論の正当な応用であったのか、それとも『確率的罠』を犯していたのか。
• RQ2 複数の一致するまたは矛盾する証言の信頼性が、自然の真の状態に関する事後信念にどのように影響するか。
• RQ3 事前信念と証拠収集の方法が、法的事例における最終的な確率的評価にどの程度影響を与えるか。
• RQ4 ベイズネットワークが、不確実な証拠に関する直感的推論を形式化し、改善できるか。
• RQ5 証言が不確実または矛盾する場合、ベイズ因子が証拠の重みをどのように定量化するか。

主な発見

• 容疑者が正しいカメラを特定した確率は、文脈と容疑者の行動がランダムではなくコロンボの質問への反応であったという事実を考慮した後、1/12から75.7％に上昇した。
• 2名の証人が「白」と報告し、3人目が「黒」と報告した後、箱が $B_1$（白い玉）である確率は75.7％に低下し、ベイズ因子が3.1に上昇した。これは $B_1$ に反する中程度の証拠を示している。
• 最初の2名の証人が真実を述べたと信じる確率は、2回の一致する報告の後、85％から95％に上昇した。これは一貫性が信頼性を高めるという事実を示している。
• 3人目の証人が最初の2名と矛盾した後、最初の2名の真実性への信念は83％に低下した一方、3人目の信頼性は低い（76％）に下がった。これは多数派の報告がより重み付けられることを示している。
• 黒い玉が直接観察された後、将来の引き出しで白い玉が出る確率は7.7％に低下し、最初の2名の証人がうそをついたと信じる確率は70.6％に上昇した。一方、3人目の証人がうそをついた確率は1.6％に低下した。
• ネットワークモデルは、定性的な直感が定量的ベイズ結果と一致することを確認したが、正確な信念更新の推定には計算が不可欠であることを示している。