Muvraline a lancé une Intelligence Artificielle pour assister la police dans les affaires judiciaires et l’identification. Cette Intelligence Artificielle pourrait permettre une meilleure identification des criminels évitant des biais de construction de parades d’identification. Notre objectif est de nous baser sur un processus de recherche pour évaluer la qualité de son approche en comparant les performances des personnes face à l’IA.

Les parades d’identification peuvent être considérées comme une étape primordiale dans un processus d’enquête. Elle consiste à présenter un suspect au milieu d’autres individus que l’on nomme généralement distracteurs.

Cependant, en France, peu de personnes sont formées pour présenter des suspects dans un alignement de personnes, alors que cette méthode produit le plus d’erreurs judiciaires (National Research Council and others, 2015). Ces erreurs peuvent être issues de méthodes incorrectes pouvant biaiser l’issue de la parade et par extension l’issue de l’enquête. Ces biais sont souvent liés par exemple à l’absence de personnes disponibles pour construire une parade d’identification crédible (pas d’individus du même âge, du même sexe ou ne partageant pas les mêmes caractéristiques physiques, allant parfois jusqu’à des individus de couleurs de peau très différentes), ou à des consignes qui peuvent influencer le choix du témoin (le policier insiste plus sur un individu que sur les autres). Le suspect est alors très saillant dans cette parade et n’importe qui ayant lu la description sera capable de l’identifier sans avoir été témoin de la situation. La construction d’une parade non biaisée n’est pas chose facile et doit se faire selon des recommandations dans le but d’éviter les biais (Wells, Seelau, Rydell, & Luus, 1994). En plus de ces éléments, la construction de la parade devrait se faire en aveugle, la personne qui choisit les distracteurs se base sur la description du suspect lors de son témoignage antérieur et n’a donc pas connaissance du suspect. Dans la même logique, la personne en charge de la présentation de la parade au témoin ne devrait ni avoir connaissance du suspect ni de la construction de la parade afin de ne pas influencer le choix du témoin. En somme, il est facile de créer une parade d’identification pouvant amener à la désignation du suspect, de manière consciente ou non.

Afin de pallier ces difficultés, nous construisons actuellement une Intelligence Artificielle (IA) dont la fonction finale serait de construire des parades automatiques non biaisées, en sélectionnant automatiquement des photographies de descripteurs crédibles pour la parade. Cependant, construire une IA capable d’identifier les éléments d’une description sur une photographie nécessite de savoir comment sont décrites les personnes. Si nous savons bien quels sont les éléments les plus mentionnés. Il n’existe en revanche aucune publication de recherche nous renseignant sur le contenu de ces descriptions, ne permettant pas ainsi d’estimer les descripteurs les plus communs et leur nombre. Par ailleurs, il n’existe aucune certitude que deux personnes donnent des descriptions similaires d’un même individu dans la mesure où chacun d’eux peut avoir une représentation mentale différente des descripteurs. Ainsi, des descripteurs ambigus comme des cheveux « blonds » ou « châtain clair » sont fortement susceptibles d’apparaître dans des descriptions différentes d’un même individu.

Nous avons donc entrepris une première expérimentation où nous avons demandé à des participants francophones de décrire des photographies de portraits, pour ainsi récolter des adjectifs recouvrant les différentes variations de chaque caractéristique du visage (cheveux, yeux, nez, bouche, etc.). En nous basant sur la fréquence des adjectifs nous avons retenu des descripteurs courants. Ces descripteurs ont par la suite été utilisés pour décrire un grand nombre de portraits afin de créer une base de données. Lors de cette étape, chaque portrait a été observé au minimum 5 fois afin de pouvoir observer les disparités dans les distracteurs sélectionnés. Ainsi, l’IA pourra par la suite tenir compte des disparités de descriptions possibles chez les individus.

L’IA entraînée avec ces données devrait alors être capable de décrire de nouvelles photos par elle-même et de construire une parade avec des descripteurs crédibles. Les premiers résultats de cette IA semblent prometteurs, mais il reste encore à tester si elle produit des parades équitables (Tredoux, 1999 ; Wells & Bradfield, 1999).

Leïla Sadok, Nicolas Rochat

Références :

National Research Council and others. (2015). Identifying the culprit: Assessing eyewitness identification. National Academies Press.

Tredoux, C. (1999). Statistical considerations when determining measures of lineup size and lineup bias. Applied Cognitive Psychology, 13(S1), S9–S26. https://doi.org/10.1002/(sici)1099-0720(199911)13:1+3.0.co;2-1

Wells, G. L., & Bradfield, A. L. (1999). Measuring the goodness of lineups: parameter estimation, question effects, and limits to the mock witness paradigm. Applied Cognitive Psychology, 13(S1), S27–S39. https://doi.org/10.1002/(sici)1099-0720(199911)13:1+3.3.co;2-d

Wells, G. L., Seelau, E. P., Rydell, S. M., & Luus, C. A. (1994). Recommendations for properly conducted lineup identification tasks.