ประสิทธิภาพของการให้ความร้อนโดยตรงในการพัฒนาลายนิ้วมือแฝงบนกระดาษเทอร์มอล และการเปรียบเทียบการประเมินคุณภาพระหว่างผู้เชี่ยวชาญทางนิติวิทยาศาสตร์กับปัญญาประดิษฐ์
คำสำคัญ:
ลายนิ้วมือแฝง , กระดาษเทอร์มอล , แผ่นให้ความร้อน, ปัญญาประดิษฐ์, นิติวิทยาศาสตร์บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อประเมินประสิทธิภาพของการให้ความร้อนในการพัฒนาลายนิ้วมือแฝงบนกระดาษเทอร์มอล และเปรียบเทียบผลการประเมินคุณภาพลายนิ้วมือระหว่างผู้เชี่ยวชาญด้านนิติวิทยาศาสตร์กับปัญญาประดิษฐ์ (ChatGPT) โดยใช้ตัวอย่างกระดาษเทอร์มอลจำนวน 80 ตัวอย่าง จากสลิปเครื่องถอนเงินอัตโนมัติ (ATM receipts) และใบเสร็จรับเงินจากเครื่องรับชำระเงิน (POS receipts) ลายนิ้วมือแฝงถูกพัฒนาโดยใช้แผ่นให้ความร้อน (Hot plate, 100 °C) และเตารีด (Iron, 70-100 °C) ภายใต้เงื่อนไขการควบคุมเดียวกัน ผลการศึกษาพบว่า วิธี Hot plate ให้ค่าเฉลี่ยคะแนนคุณภาพลายนิ้วมือสูงกว่า และมีความสม่ำเสมอมากกว่าวิธีเตารีดเล็กน้อย ขณะที่กระดาษประเภท ATM ให้คุณภาพลายนิ้วมือสูงกว่ากระดาษประเภท POS เล็กน้อย การเปรียบเทียบผลประเมินพบว่า ChatGPT ให้คะแนนใกล้เคียงกับผู้เชี่ยวชาญ โดยไม่พบความแตกต่างอย่างมีนัยสำคัญทางสถิติ (p = 0.56) และมีค่า Weighted Cohen’s Kappa เท่ากับ 0.62 ซึ่งสะท้อนระดับความสอดคล้องที่ยอมรับได้ทางวิชาการ ผลการศึกษาชี้ให้เห็นว่า AI มีศักยภาพในการใช้เป็นเครื่องมือสนับสนุนการประเมินลายนิ้วมือแฝงในงานนิติวิทยาศาสตร์ อย่างไรก็ตามการวิเคราะห์เชิงลึกยังคงจำเป็นต้องอาศัยผู้เชี่ยวชาญ
เอกสารอ้างอิง
ประมวลกฎหมายวิธีพิจารณาความอาญา. (2569). [มาตรา 226-227]. ราชกิจจานุเบกษา.
Becue, A., Eldridge, H., Champod, C., & Margot, P. (2020). Interpol review of fingermark detection and visualization. Forensic Science International, 315, 110420. https://doi.org/10.1016/j.forsciint.2020.110420
Bleay, S. M., Sears, V. G., Bandey, H. L., & Gibson, A. P. (2021). Fingermark visualisation: A review of processes and techniques. Science & Justice, 61(1), 46–64. https://doi.org/10.1016/j.scijus.2020.09.003
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., ... Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.
Cantu, A. A., & Johnson, J. L. (2021). Thermal paper: Chemistry, imaging, and forensic challenges. Forensic Chemistry, 23, 100327. https://doi.org/10.1016/j.forc.2021.100327
Champod, C., Lennard, C., Margot, P., & Stoilovic, M. (2016). Fingerprints and other ridge skin impressions (2nd ed.). CRC Press.
Chen, H., Zhang, Y., & Wang, S. (2022). Advances in latent fingerprint detection technologies. Forensic Science International, 337, 111339. https://doi.org/10.1016/j.forsciint.2022.111339
Cohen, J. (1968). Weighted kappa: Nominal scale agreement with provision for scaled disagreement or partial credit. Psychological Bulletin, 70(4), 213–220. https://doi.org/10.1037/h0026256
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
Deng, J., Guo, J., Xue, N., & Zafeiriou, S. (2019). ArcFace: Additive angular margin loss for deep face recognition. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 4690–4699). https://doi.org/10.1109/CVPR.2019.00482
Dror, I. E., Kukucka, J., Kassin, S. M., & Zapf, P. A. (2021). Cognitive bias in forensic decision making. Forensic Science International: Synergy, 3, 100161. https://doi.org/10.1016/j.fsisyn.2021.100161
Field, A. (2013). Discovering statistics using IBM SPSS statistics (4th ed.). Sage.
Girod, A., Ramotowski, R., & Weyermann, C. (2012). Composition of fingermark residue and its evolution. Forensic Science International, 223(1–3), 10–24. https://doi.org/10.1016/j.forsciint.2012.08.018
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 770–778). https://doi.org/10.1109/CVPR.2016.90
Holder, E. H., Robinson, L. O., & Laub, J. H. (2011). The fingerprint sourcebook. National Institute of Justice.
Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174.
Liao, R., Chen, X., & Wang, Y. (2020). Thermal paper chemistry and imaging characteristics. Journal of Imaging Science and Technology, 64(5), 1–8.
National Institute of Justice. (2018). Forensic science research and development reports. U.S. Department of Justice.
OpenAI. (2023). GPT-4 technical report. arXiv. https://doi.org/10.48550/arXiv.2303.08774
Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., & Sutskever, I. (2019). Language models are unsupervised multitask learners. OpenAI.
Ramotowski, R. S. (Ed.). (2012). Lee and Gaensslen’s advances in fingerprint technology (3rd ed.). CRC Press.
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206–215. https://doi.org/10.1038/s42256-019-0048-x
Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.
Ulery, B. T., Hicklin, R. A., Buscaglia, J., & Roberts, M. A. (2011). Accuracy of fingerprint examiners. Proceedings of the National Academy of Sciences, 108(19), 7733–7738. https://doi.org/10.1073/pnas.1018707108
Zhang, Q., Li, X., & Liu, Y. (2023a). AI-based fingerprint recognition: A review. Applied Sciences, 13(5), 2871. https://doi.org/10.3390/app13052871
Zhang, Y., Song, X., & Liu, H. (2023b). Applications of artificial intelligence in forensic science: A review. Forensic Science International, 337, 111302.
