Forensic reports use various types of conclusions, such as a categorical (CAT) conclusion or a likelihood ratio (LR). In order to correctly assess the evidence, users of forensic reports need to understand the conclusion and its evidential strength. The aim of this paper is to study the interpretation of the evidential strength of forensic conclusions by criminal justice professionals. In an online questionnaire 269 professionals assessed 768 reports on fingerprint examination and answered questions that measured self-proclaimed and actual understanding of the reports and conclusions. The reports entailed CAT, verbal LR and numerical LR conclusions with low or high evidential strength and were assessed by crime scene investigators, police detectives, public prosecutors, criminal lawyers, and judges. The results show that about a quarter of all questions measuring actual understanding of the reports were answered incorrectly. The CAT conclusion was best understood for the weak conclusions, the three strong conclusions were all assessed similarly. The weak CAT conclusion correctly emphasizes the uncertainty of any conclusion type used. However, most participants underestimated the strength of this weak CAT conclusion compared to the other weak conclusion types. Looking at the self-proclaimed understanding of all professionals, they in general overestimated their actual understanding of all conclusion types.
Het onderzoek dat ten grondslag ligt aan dit artikel onderzoekt hoe de overheid markten reguleert voor (financiële) producten en diensten teneinde falen van de markt te voorkomen. Het behandelt specifiek EU Richtlijn 2014/57/EU betreffende strafrechtelijke sancties voor marktmisbruik en de implementatie daarvan in Nederland en opvolgend gebruik door het Openbaar Ministerie en Autoriteit Financiële Markten en hun Convenant ter voorkoming van ongeoorloofde samenloop van bestuurlijke en strafrechtelijke sancties. Het beantwoord de vraag of deze richtlijn de ontwikkeling van effectief reguleren van de financiële markt bevordert of remt. De slotsom ten aanzien van de implementatie van Richtlijn 2014/57/EU is – kort gezegd – dat “slechts” het aantal jaren gevangenisstraf voor handel met voorkennis en marktmisbruik van twee naar vier aangepast dient te worden. Het artikel concludeert tenslotte dat de huidige praktijk van het Convenant tussen OM en Autoriteit Financiële Markten kan blijven bestaan. De Autoriteit Financiële Markten kan haar inspanningen om haar toezicht verder in de geest van responsive regulation te verbeteren ongestoord door het OM voortzetten.
This chapter explores the legal and moral implications of the use of data science in criminal justice at two levels: police surveillance and the criminal trial of a defendant. At the first level, police surveillance, data science is used to identify places and people at high risk of criminal activity, allowing police officers to target surveillance and take proactive measures to try to prevent crime (predictive policing). At the second level, the criminal trial of a defendant, data science is used to make risk assessments to support decisions about bail, sentencing, probation, and supervision and detention orders for high-risk offenders. The use of data science at these levels has one thing in common: it is about predicting risk. The uncertainty associated with risk prediction raises specific related legal and ethical dilemmas, for example in the areas of reasonable suspicion, presumption of innocence, privacy, and the principle of non-discrimination.
