Adli Bilimlerde Yapay Zeka Uygulamaları

Yapay zeka (YZ), insana ait öğrenme, düşünme, algılama gibi becerilerini bilgisayar ortamına aktarmayı hedefleyen bilişim sistemidir. Problem çözme, alternatif üretme gibi süreçlerde de işlem yapabilen yapay zeka uygulamaları, bilişim dünyasında çok-disiplinli bir çalışma alanıdır. Bu çalışmada, adli bilim alanında suç ve suçlu tespiti, bulgudan delile geçiş sırasında sıklıkla başvurulan yapay zeka uygulamalarından ve bu uygulamaların tarihsel süreç içindeki gelişiminden bahsedilecektir.

adli bilimlerde yapay zeka uygulamalari

Adli bilimler, bir suç olayında, olayla alakalı kişileri, olayın gerçekleştiği yeri, olayla ilişi bulunan alet ve nesneleri inceleyen; çeşitli disiplinlerin suç araştırmalarında kullanımında birleştirici nitelik taşıyan, hukuki süreçlerin yürütülmesinde, suçlu olayın aydınlatılmasında etkili olan bir bilim dalıdır.

Olay-olay, olay-fail, mağdur-fail ilişkisini inceleyen ve suç olayına karşı çıkarımlar yapan adli bilimler, olayların aydınlatılmasında birden çok teknik kullanmaktadır. Teknolojinin gelişimiyle birlikte günlük yaşantımızın da merkezine oturan çeşitli alet ve mekanizmalar kimi zaman bir suç aleti olabilirken kimi zaman da suç olayının aydınlatılmasında, suçlu tespitinde kanıt niteliği taşımaktadır. İnsan zihninin bilgisayar teknolojisi ile birleştiği yapay zeka (YZ) uygulamaları ile, tanımlama işlemleri yapılabilmekte, olaylar ve kişilerarası ilişkiler kurulabilmekte, bulgulara delil niteliği kazandırılabilmektedir.

Bu çalışmada, dijitalleşen dünyada adli bilimler çalışmalarında da yer edinen bilgisayar tabanlı mekanizmalar ve yapay zeka uygulamalarının adli araştırmalardaki kullanım alanları incelenecektir.

ADLİ BİLİMLER

Adli bilimler, sosyal bilimler ve doğa bilimlerinin araştırmalarını ve bu araştırmaların sonuçlarını ceza hukuku ile birlikte değerlendirerek adli vakaların aydınlatılması, suç ve suçlunun tespit edilmesi için çalışmalar yapan bir disiplindir. Adli bilimler sadece tecavüz, cinayet ve uyuşturucu kaçakçılığı gibi suçların soruşturulması ve kovuşturulmasında değil, aynı zamanda bir suçun işlenmemiş olduğu ancak birinin medeni bir yanlışlıkla suçlandığı konularda da başvurulan bir alandır (Siegel, J. A., 2017).

16. yüzyılda ilk olarak tıp doktorlarınca uygulanmaya başlanan adli bilimler, 18. yüzyıldaki modern patoloji çalışmalarının ve 1909’da kurulan, adli bilim eğitimi veren okulun başlangıç noktası ve kanıtı olmuştur. 16. yüzyıldan bu güne kadar, adli bilimler gizemlerin açığa çıkarılmasında, suçların çözülmesinde ve suç şüphelilerinin cezalandırılmasında etkili olmuştur.

Adli bilim çalışmalarında kimya, biyoloji gibi fen bilimlerinden yararlanıldığı gibi sosyoloji, antropoloji, psikoloji gibi sosyal bilimlerden de faydalanılmaktadır. Adli bilim çalışmalarında öncelikli amaç bulguların delil statüsüne getirilmesidir; bu sayede adli bilim çalışmaları hukuka uygulanabilmektedir. Adli bilimler bir olayın suç olayı olduğunu, suçun failini ve olayın suç olayı ile ilişkisini bazı yöntemlerle kanıtlamaya çalışır:

Fiziksel, maddi bulguların incelenmesi

Test ve ölçümlerin yapılması

Verilerin yorumlanması, analizlerin yapılması

Raporlama; olayın net olarak açıklandığı, ayrıntılı bir rapor

Adli bilim araştırmacılarının çıkarımları

Adli bilim araştırmacıları, adli davaların çözümlenmesinde ve ceza hukukunun uygulanmasında önemli bir rol üstlenmektedir. Bilimsel dayanakları olan, objektif yorumlar yapan adli bilim araştırmacısı adli süreçlerde avukatlar ve savcılar kadar önemli bir statüde bulunmaktadır.

YAPAY ZEKA (YZ)

Yapay zeka (YZ) terimi ilk olarak 1956’da Marvin Minsky tarafından kullanılmıştır. İlk Yapay Zeka Laboratuvarı ise 1959 yılında Minsky ve McCarthy tarafından MIT’de kurulmuştur (https://www.bbva.com).

Yapay zeka (YZ), Mitchell tarafından, ‘akıllıca davranan bir bilgisayar süreci oluşturma’ veya ‘insan davranışını taklit edebilecek bir bilgisayar süreci oluşturma’ şeklinde tanımlanır (Mitchell, 2010). Turing (1950), makinelerin insan davranışını taklit ederek öğrendiğini ortaya koymuştur. Ona göre, makineler araştırmaya değil öğrenmeye eğilimlidir; insanın sorduğu soruya cevap vermek amacıyla öğrenir (Turing, 1950). Disiplinlerarası bir alan olan yapay zeka, teknolojinin de gelişimiyle birlikte yeni yöntem ve paradigmalar geliştirmiştir.

Norving ve Russell (1988), yapay zekanın çalışma prensibini dört maddede ele almaktadır:

·İnsan gibi davranmak (Acting humanly)

Alan Turing (1950)’in Turing Testi’ne göre; bir bilgisayar mekanizmasının kendisine verilen görevde bir bilgisayar gibi mi yoksa bir insan gibi mi cevap verdiğini algılayıp algılayamadığına dikkat edilmelidir.

· İnsan gibi düşünme (Thinking humanly: The cognitive modeling approach)

Bilgisayarın insan beynine yakın düşünceler üretip üretemediği önemlidir. Mekanizma etkinliği sonucu gridiler ve çıktılar insan davranışına uygun nitelik sergiliyorsa bu makine yapay zeka uygulamalarına dahil edilebilir.

·Mantıklı düşünme (Thinking rationally: The “laws of thought” approach)

Makinelerde girdiler ve çıktılar arasında bir uyum olmalıdır. Bu mantıksal çıkarımlar, onu insan zihnine yaklaştıracak faaliyetlerdir.

·Rasyonel davranma (Acting rationally: The rational agent approach)

Bigisayarlar hedefe odaklanmalıdır; hedefe kilitlenmeli, doğru soruyu sormalı ve belirsizlikleri yok etmelidir (Russell ve Norvig, 1988).

·Yapay zeka (YZ) ile ilgili çalışmaları sonucunda Luger (2009), yapay zeka ile ilgili şu sonuçlara ulamıştır:

·Bilgisayarlar çıkarım yapma, örüntü belirleme gibi amaçlar doğrultusunda kullanılabilmektedir.

·Yapay zeka, problem çözme teknikleri açısından algoritmik işlemlere yönelir ve problem çözmeye odaklanır.

·Eksik veri tanımlaması sonucu yapay zekanın yanlış sonuçlar ortaya koyacağına dair endişeler devam etmektedir.

·Yapay zeka ve bu konudaki çalışmalar, konuda önemli noktalara odaklanır.

·Anlamlandırmanın yanısıra söz dizimi konusuna da odaklanılmıştır.

·Yapay zeka her zaman kesin olmasa bile en olağan sonucu ve çözümü üretir.

·Problem çözmede alana özgü tekniklerin hakim olduğu uzman sistemler kullanılır.

·Problem çözümlerinde gerçek sonuçlara ulaşmak için üst düzey bilgi kullanılır (Luger, 2009).

ADLİ BİLİMLERDE YAPAY ZEKANIN (YZ) KULLANIM ALANLARI

Anderson ve diğerlerine (2014) göre, teknolojik gelişmeler, bilimsel çalışmalarda çok değişkenli teknikleri kullanmamıza yardımcı olmaktadır. Bunlardan en önemlileri bilgisayar donanım ve yazılımlarındaki gelişmelerdir (Hair Jr., Black, Babin ve Anderson, 2014). Yapay zeka (YZ) uygulamaları günümüzde bir çok disiplinin çalışmalarına katkı sağlamaktadır. Adli bilim çalışmalarında verilerin analizlerini yapmak, kalıp ve desenleri tanımlamak, yasal sonuçların elde edilmesine yardımcı olmak, istatistik bilimine dayalı sonuçlar üretmek, veri havuzları oluşturmak ve yeni bulgular elde etmek amacıyla yapay zekaya ihtiyaç duyulmaktadır.

Veri Analizi

Veri analizinde araştırmacı, veri ve değişkenler arasındaki ilişkilerin yorumlanması için temel bir anlayış kazanır. Çok değişkenli teknikler, araştırmacıya daha önce karşılaşılanlardan daha karmaşık olan ilişkilere dayanan sonuçları anlama, yorumlama ve ifade etme konusunda daha fazla talep getirir (Hair Jr., Black, Babin ve Anderson, 2014). Anderson ve diğerleri (2014)’ne göre, eksik veriler, aykırı değerler ve verilerin istatistiksel özelliklerini çok değişkenli bir bağlamda değerlendirmek çok zordur. Bu nedenle, bu gereksinimlerin karşılanmasını sağlamak için yapılması gereken işlemler araştırmacıyı veri incelemede farklı teknikler aramaya zorlamaktadır (Anderson vd. 2014).

Surat (2019)’a göre, adli veri analizi, hesaplamada yüksek olan ve büyük ve karmaşık veri kümelerinin analizini gerektiren yeni bir alandır (Surat, 2019). Karmaşık veri kümelerini çözmek ve analizlerini sağlamak için yapay zeka iyi bir araçtır.

Adli araştırmalara konu olan, delil olma niteliği taşıyabilecek büyük veri kümelerinden adli olayla ilişkilendirilebilecek olanların seçilip bir havuz oluşturulması gerektiğinde yapay zekaya başvurulması veri analizi konusunda yapay zekanın rolünü ortaya çıkarmaktadır.

Adli muhasebe, adli bilim çalışmalarında veri analizinin sıklıkla kullanıldığı bir alandır. Adli muhasebeyi, ‘finansal veriler yardımıyla işletmelerin, kurumların yaşadığı hukuki sorunları çözmeyi amaçlayan bir uzmanlık alanıdır’ şeklinde tanımlamak mümkündür (Elitaş, Karakoç ve Görgülü, 2011). Al (2014)’ın çalışmasına göre ise adli muhasebe, psikoloji, suç bilimi gibi diğer bilim dallarından da yararlanarak kendine has araştırma, sorgulama ve analiz teknikleri kullanmak suretiyle, mahkemeye intikal etmiş olsun veya olmasın muhasebe ile ilişkili ihtilafların oluşturduğu sorunlarda gerçeği arayan bir bilim dalıdır (Arslan ve Şenel, 2019). Teknolojideki gelişime bağlı olarak artan hile ve usulsüzlükler, başta ABD olmak üzere diğer gelişmiş ülkelerde hile denetiminde adli muhasebe (forensic accounting) ismiyle yeni bir mesleğin doğmasına da neden olmuştur (Terzi, 2012).

Desen Tanıma

Desen tanıma; bilgi azaltma, bilgi haritalama veya bilgi etiketleme işlemi olarak tanımlanabilir (Schalkoff, 2007). Yapılan ölçümlerin analizi ve açıklanması anlamında da kullanılan desen tanımada tek bir araç yeterli olmadığından işlemlerde teknoloji çıktıları sıklıkla kullanılmaktadır.

Büyük veri kümelerindeki belirli kalıp tipleri ve örüntülerin tanımlanması adli araştırmalar için oldukça önemlidir. Bu bir kişinin yüzünü ya da görüntüsünü tanımlamaya yönelik bir işlem olabilirken bir e-posta üzerinden ya da bir ses dosyası üzerinden de örüntü tanımlama işlemi olabilmektedir.

Karmaşık istatistiksel işlemler ve akıl yürütmeye dayalı desen tanıma işleminde yapay zekanın çözüme etkisi oldukça belirgidir. Desen tanıma yöntemleri, yüksek bir başarı elde etmek için olabilecek en fazla veri türleriyle eşleşmeye çalışmalıdır; ancak bir makine ya da yapay zeka yöntemleri kullanılmadığı sürece bunu başarmak oldukça zordur (Surat, 2019).

Yasal Çözümler Sunmak

Adli istatistikler, adli olayların çözümlenmesinde, bulguların kesinleştirilip kanıt niteliği kazandırılmasında hukuk sistemine destek olmaktadır. Daha kapsamlı bir bilgi havuzuna sahip olan yapay zeka, yasaların hızla işletilmesi için hukuk sistemine bir bilgi kaynağı teşkil etmektedir.

Adli Bilim Çalışanları Arasındaki İletişimi Güçlendirmek

Adli soruşturma, adli istatistikçiler, avukatlar, suç araştırmacıları, soruşturma personeli ve diğerleri arasında kuvvetli bir iletişim olması gerekliliğini sunar. Bu birimler arasındaki yanlış iletişim, yanlış kararlar alınmasına veya gecikmiş veya yanlış yargılamaya yol açan yorumlamalara, verilerin yanlış kullanımına yol açabilmektedir. Yapay zeka, bu iletişim boşluğunu doldurmakta ve kimi zaman birimler arası iletişimde bir köprü niteliği taşımaktadır (Surat, 2019).

İstatistiksel Kanıt Oluşturmak

Aitken ve Taroni (2004)’ye göre, bir olayın meydana gelmesinde etkili olan asıl kaynağın belirlenip belirlenememesi oldukça önemlidir. Bu kaynak araştırma sürecinin en belirgin özelliği ‘birey’ odaklı olmasıdır. Adli araştırmaların asıl amacı ‘Suçluluk bireyselleşme bilimidir.’ görüşünden yola çıkarak kaynak bireye ulaşmaktır (Aitken ve Taroni, 2004).

Adli bilim çalışmaları, tahminleri ve ihtimalleri istatistiki verilerle destekleyerek somutlaştırmaya çalışmaktadır. Yapay zeka, adli olaya ait hikayeyi görünür hale getirmekte, yorum yapmayı kolaylaştıracak grafikler ve örüntüler oluşturabilmektedir. Olayın hukuki boyutu incelenirken, kanunun daha doğru değerlendirilmesinde de yapay zeka etkili olmaktadır. Yapay zeka, anlamlı ve önemli kanıtları ortaya çıkarma aşamasında matematik ve hesaplama araçlarının rolünü belirginleştirir. Bu tür hesaplamalar, hataları azaltır, sayısal olarak yorumlanması olanak vermektedir.

Veri Havuzları Oluşturma

USB bellek, veri depolayabilecek sabit sürücüler vb. tarafından yapılan veri depolamaları, veri kümelerinin genişlemesi üzerine işlevini yitirmeye başlamakta, tam depolama sağlayamamaktadır. Yapay zeka bu depolama sorunun ortadan kaldırmaktadır; adli bir soruşturmada elde edilebilecek bütün verileri, özellikleri depolama kapasitesine sahiptir.

Yapay zeka, saklanan verilerin huhuki aşamada kullanılması, analiz edilmesi için iyi ve geçerli bir araçtır.

Bilgi Keşfi ve Veri Madenciliği

Friedman (???)’nın ‘Data Mining and Statistics: What Is The Connection?’ eserinde aktardığı üzere, Fayyad, Chaudri ve Bradley’e göre veri madenciliği; daha önce bilinmeyen anlaşılabilir ve işlem yapılabilir bilgiyi büyük veritabanlarından çıkarma ve çok önemli veri yollarını kullanmak için kullanma sürecidir (Friedman, ???).

Çok sayıda veriden oluşan örüntüleri normal hesaplama yöntemleri ile yorumlamaya çalışmak kullanışlı bir yöntem değildir. Bunun için, veri toplamak, depolamak ve analiz etmek amacıyla kullanılan yapay zeka uygulamalarına başvurulur. Yapay zeka, veri örüntülerini tanıma sürecinde ortaya çıkarılması gerekene odaklanmakta ve istenileni belirgin hale getirmektedir.

YAPAY ZEKANIN ADLİ BİLİMLERDE KULLANIMI

Günümüzde tıpta, ses-görüntü işleme ve iyileştirmede, veri depolamada, iletişim ve haberleşme sektöründe, savunma sanayiinde ve eğitimde sıkça kullanılan yapay zekanın kullanım alanı da teknolojinin gelişimine paralel olarak artmıştır.

Teknolojideki gelişmeler, dijital dünyayla birlikte toplumsal olgularda da değişiklikler meydana getirmiştir. Toplumsal bir olgu olan suç da bu gelişmelerden etkilenmiş, değişmiş ve suçu kontrol mekanizmaları da değişiklik göstermiştir (Clarke, 2004).

Ribaux ve Margot (2003)’e göre, seri suçların analizinde yalnızca uzman bilgisine dayalı ya da yalnızca teknolojik çıktılara odaklanmış bir yöntem her zaman doğru sonuçlara götürmemektedir. Bu iki alan arasındaki boşluğu dolduracak yeni bir model arayışına gidilmiştir. Burada amaç,  bilgisayar destekli, dijital bir sistem ile pro-aktif soruçturmalara destek olmak, sürece rehberlik etmek, suç analizinde rasyonel yöntemler kullanılmasını sağlamaktır. Bu yeni yaklaşımla birlikte adli soruşturmalarda kullanılacak bütün veri ve bulgular arasında bir bütünlük sağlanabilmektedir (Ribaux ve Margot, 2003).

Adli olayların aydınlatılmasında da yapay zeka destekli uygulamaların kullanımı, adli süreçlerin ilerlemesinde etkin rol oynamaktadır. Adli olay soruşturmaları ve adli araştırmalarda hedefe yönelik çalışmalar hızlanmakta ve yapay zeka desteğiyle doğru, geçerli sonuca ulaşma ihtimali artmaktadır.

Adli veriler kolaylıkla çözülemeyecek veri setleri ve rasyonel analizler gerektiren karmaşık örüntüler içermektedir. Yapay zeka, bu noktada adli bilime yardımcı olabilecek en ideal yöntem olarak belirlenmiştir. Hukuki süreçlerin işlemesi sırasında adli istatistikçiler, kriminologlar ve avukatlar arasındaki iletişim açığı sebebiyle ortaya çıkan adaletin yanlış uygulanması sorunun çözümünde de yapay zekanın geliştirdiği yeni algoritmalar etkili olmakta ve problemin çözümüne destek sağlamaktadır (Chinnikatti, 2018).

İnsanın kısa sürede inceleyip değerlendiremeyeceği büyük veri yığınları ve depolanması zor veriler içeren karmaşık adli olayların çözümlenmesinde teknolojinin çıktıları önem kazanmaktadır. Yapay zeka uygulamaları da böyle durumlarda kullanılmaktadır. Shrivana K. Chinnikatti (2018) Artificial Intelligence in Forensic Science adlı eserinde, yapay zeka uygulamaları ile; istatistiki kaynaklar birden fazla bakış açısıyla yorumlanabileceğini, incelenen olay aynı senaryo ile yeniden canlandırılabileceğini, akıl yürütmeyi kolaylaştıracak grafikler oluşturulabileceğini, olaylar modellenerek bilirkişilerin yorumuna destek sağlayabileceğini belirtmiştir. Yapay zeka ile geliştirilen hesaplama araçları ile vaka çalışmaları daha gerçekçi yapılabilecek ve pratik olarak değerlendirilebilecektir. Bu uygulamalardan beklenen ise şudur; adli çalışmaların doğru sonuca ulaştırılması, hukuk sisteminin doğru uygulanması ve süreçlerin profesyonelce, yanılgısız yürütülmesidir (Chinnikatti, 2018).

ADLİ BİLİMLERDE YAPAY ZEKA UYGULAMALARI

Suç Haritaları

Suç alanında coğrafya biliminden faydalanılarak suç haritalarının oluşturulmasının 19. yüzyıla kadar uzandığı bilinmektedir. Noktalama yöntemine dayalı olan eski suç haritaları, suçların meydana geldiği yerleri göstermekte oldukça faydalı bir yöntemdi. Ancak bu haritaların ciddi sınırlılıkları vardı; bu haritalar noktalama usulüyle yapıldıklarından, suçun meydana geldiği yerleri göstermesi bakımından faydalı olmasına rağmen ciddi anlamda bir bilgi sınırlılığına sahipti (Karakaş, Karadoğan ve Arslan, 2004). Eski verilerin depolanamaması, yeni verilerin eklenememesi ve haritaların arşivlenememesi bu haritaların güncel kaynak niteliği taşımamalarına sebep oluyordu. Keith Harries (1999)’un örneğine göre; bir noktalama haritası biz hırsızlık suçu üzerine düzenlenecekse bu suçların yıllık olarak hatta haftalık olarak incelenmesi bile neredeyse imkansızdır. Çünkü renklere dayalı olarak oluşturulan bu haritaların okunması suçların çeşitliliğinin artması ve yaşanma sıklığına bağlı olarak analiz edilememektedir (Harries, 1999).

Coğrafi Bilgi Sistemi (CBS)

Akıllı suç haritaları, suçların coğrafi dağılışında ve mekansal analizinde, suç nedenlerinin tespitinde rehberlik eden; nerede, ne zaman, nasıl gibi soruları yanıtlayarak ve ilişkilendirerek çözüm üreten faydalı bir sistemdir (Karakaş, Karadoğan ve Arslan, 2004). Suçun hangi coğrafi bölgede işlendiği, suçun işlendiği bölgenin özelliklerinin belirlenmesi, suçun meydana gelme zamanının belirlenmesi açısından akıllı haritalama yöntemlerinin kullanılması önem taşımaktadır.

Coğrafi bilgi sistemlerinin (CBS) temeli 1960’larda Coppock (1962), Tomlinson (1967) ve McHarg (1969)’ın çalışmalarına dayanmaktadır. Hafızası gelişmemiş ve bellek hızı düşük olan bilgisayar sistemleri ile yürütülen ilk dönem çalışmalarında birden fazla olayın haritalanması ve çok sayıda değişkenin kaydedilmesi oldukça zordu.

CBS, coğrafi bilgilerin ayrıntılı açıklamalarını ve analizlerini içeren bir bilgisayarlı haritalama sistemidir. Suçların mekansal verilerinin coğrafi bilgi sistemleri ortamına aktarılarak, dağılışlarını ve mekan bileşenleriyle ilişkilerini, şehirsel alan kullanımı ve yoğunluğu arasında ilişkiler kurarak suçun önlenmesi ve azaltılması açısından birtakım somut sonuçlara ulaşılması ve analizlerin yapılması mümkündür (Karakaş, Karadoğan ve Arslan, 2004). CBS, analiz edilecek verilerin depolanması, güncellenmesi ve rasyonalize edilerek sunulması açısından kolaylık sağlamaktadır. CBS ile oluşturulan haritalarda ölçekler belirlenebilmekte, değiştirilebilmekte, koşullara göre yeniden şekillendirilebilmektedir. Coğrafi Bilgi Sistemlerinin en karakteristik özelliği, yeryüzündeki objelerin veya olayların konumlarının adreslenebilmeleridir (Karakaş, Karadoğan ve Arslan, 2004).

Karakaş (2005), çalışmasında CBS ve bilgisayarlı sistemlerin yapabildikleri analizleri aşağıdaki gibi sıralamıştır:

Mekansal sorgulama (Spatial Query): Coğrafi bilgi kavramında hem coğrafi konuma ilişkin grafik ve grafik olmayan bilgi, hem de bu bilgilerin kendi içlerindeki karşılıklı ilişkileri anlaşılmalıdır. Bilgiler arasındaki bu ilişkiler kullanılarak grafik bilgilerden grafik olmayan bilgilere, grafik olmayan bilgilerden grafik bilgilere erişme işlemlerinin her birine “mekansal sorgulama” denir (Karakaş, 2005).

Suça sahne olan bir mekanın yerleşim yerindekini yerini bulmak ve ayrıntılı adrese ulaşmak için mekânsal sorgulama analizi yapılmaktadır. Belirlenen adreste ya da yerleşim yerinin genelinde meydana gelen suçlara ait bilgileri de içeren bu analizde detay bilgiler de harita üzerinde gösterilmektedir.

Yakınlık Analizi (Proximity Analysis): Coğrafi detayları her yönden ve tanımlanan uzaklık/uzaklıklarda çevreleyen yeni alan detaylar (tamponlar) oluşturulup oluşturulan tamponlar içinde kalan detayları belirleme işlemine yakınlık analizi denir (Karakaş, 2005).

Yakınlık analizi de kendi içinde üç ayrı türde değerlendirilmektedir: nokta detaylar için yakınlık analizi, çizgi detaylar için yakınlık analizi, alan detaylar için yakınlık analizi. Nokta detaylar için yakınlık analizi, suça yakın bölgelerin ayrıntılı analizini içermektedir. Çizgi detaylar için yakınlık analizinde, suç bölgesinin etrafındaki bölgeler, suç bölgesi ve arada kalan bölge incelenir. Alan detaylar için yakınlık analizinde ise inceleme alanı suç bölgesini çevreleyen alanlardır.

Ağ analizi (Network Analysis): Yol, kanalizasyon, elektrik şebekesi vb. çizgisel detaylar birer ağ oluşturur. Ağ analizi kapsamında üç tür işlem vardır. Bunlar; optimum güzergah belirleme, adres belirleme ve kaynak tahsisi (Karakaş, 2005).

Optimum güzergah belirlemede, araştırılan bölgede belirlenen iki nokta arasındaki en uygun güzergahın belirlenmesi işlemi yapılır. Adres belirleme, ağ üzerinde belirlenen adrese ulaşmak için yapılan işlemlerdir. Kaynak tahsisi ise ağ üzerinde belirlenen adrese yakın ve çeşitli amaçlar için kaynak olabilecek noktaların belirlenmesi amaçlanır.

Grid Analizi (Grid Analysis): Eldeki verilerin kullanılmasıyla ideal bir alan belirleme işlemidir. Haritalama için uygun alanı belirleme amacıyla yapılır. Bilgisayar destekli ya da elde çizilen haritalar ile uygulamaya dökülür.

Suç bölgesinin özelliklerinin belirlenmesinde, bölgedeki ulaşım ağının suç üzerindeki etkisinin araştırılmasında, genelden özele doğru yapılacak bir tarama ve haritalama işlemi için grid analizi yapılmaktadır.

Suç haritalama yöntemleri ile, suçların bölgesel ve mekânsal dağılımları incelenebilmekte, suçların yoğunlaştığı alanlar ve bu alanların özellikleri tespit edilmektedir. Araştırma yapılacak bölgeye göre uyarlanabilen suç haritalama yöntemleri, CBS suç araştırmalarında çıkarımlar yapılmasında etkili olmaktadır.

Coğrafi Profil Oluşturma

Suçlu profili oluşturma, Geberth (1986)’da yaptığı ‘‘Mass, Serial and Sensational Homicides: The Investigative Perspective’’ isimli çalışmada suçlunun kişilik profili, belli bir suçu kimin işlemiş olduğu konusunda bilgi sağlamak amacıyla yapılır ve olay yerinden elde edilen bilgilerle psikolojik teorilere dayanılarak viktimolojik değerlendirmeyi içerir, şeklinde tanımlanmıştır (Cantürk ve Cantürk, 2004).

Suçlu profilinin belirlenebildiği için suçlunun bulunduğu bölgenin de profillenmesi mümkündür. Coğrafi profil oluşturma yöntemi ile bir suçlunun yaşayabileceği en olası alanın belirlenmesi amaçlanmaktadır (Harries, 1999). Coğrafi profilleme, genellikle seri cinayetlerin, kundaklamaların, soygunların ve tecavüz olaylarının araştırılmasında kullanılmaktadır.

Coğrafi belirlemenin ardından suça ait mekânsal analizler yapılabileceği gibi suçluya ait önemli çıkarımlar da yapılabilmektedir. Suçlunun yaşadığı bölgenin belirlenmesi, bölgesel özelliklere yönelik çıkarımlar yapılmasında ve hukuki süreçte doğru yargılamaya gidilmesinde etkilidir.

Görüntü Odaklı Uygulamalar

Görüntü odaklı uygulamalar, insanın fizyolojik yapısını kaynak edinerek geliştirilen uygulamalardır. Kameralar, görüntü kaydeden uygulamalar göz merceğini taklit eden dijital cihazlardır.

Yüz Tanıma Sistemleri

1960’lı Amerikalı matematikçi ve bilgisayar teknolojileri uzmanı Woody Blesoe, ciltteki ana hat çizgilerini kullanarak insan yüzlerini sınıflandırmak üzere bir yöntem geliştirmiştir. Onun yöntemi, kişilerin yüz çizgilerine ait koordinatların belirlenmesi ve bu verilerin bilgisayar sistemine işlenmesi ile uygulanan bir yöntemdi. 1960’ların sonuna doğru teknolojik gelişmeler ile Woddy Blesoe’nin sisteminde de gelişmeler olmuş ve yüz tanıma istemi rasyonel sonuçlar vermede insanın becerisinin üstünde performans sergilemeye başlamıştır. İlk geliştirildiği yıllardan bu yana önemli bir yol kat eden yüz teknolojisi, günümüzde, canlı CCTV beslemeleri ve standart bilgisayar donanımı gibi yaygın olarak kullanılan donanımlarla, doğru tanımlama yapılabilmesini hedefliyor (https://www.guvenlikonline.com).

Jain, Klare & Park (2011)’e göre yüz tanıma, bir öznenin yüz özelliklerine göre kimliğini belirleme yeteneğidir. Geçtiğimiz yirmi yılda otomatik yüz tanıma, erişim kontrolü, görsel gözetim ve devlet tarafından verilen kimlik belgelerinin (pasaport, sürücü belgesi vb.) kontrolü üzerinde etkili olmaktadır (Jain, Klare & Park, 2011).

Yüz tanıma mekanizmaları tanımlama ve doğrulama yapmak amacıyla kullanılmaktadır. Tome ve diğerleri (2015), ‘Facial Soft Biometric Features For Forensic Face Recognition’ adlı eserlerinde geleneksel olarak iki yüz tanıma yaklaşımı ortaya koymuşlardır. Bunlardan ilki, göz, burun, ağız gibi bölgeleri yüzde noktalayarak tanımlayan ve ardından benzer görüntülerin işlenmesini sağlayan özellik tabanlı yaklaşımdır. İkinci yaklaşım ise sadece yüzdeki benzerlikleri değil; yüzün bütün görüntüsünü işlemeye dayalı olan bütünsel yaklaşımdır (Tome, Vera-Rodriguez, Fierrez & Ortega-Garcia, 2015).

Adli bilimler, kolluk kuvvetlerince toplanan bilgilerin bilimsel yöntemlerle analiz edilerek adli olayların çözümüne katkıda bulunmayı amaçlamaktadır. Suçu ispatlamak ve suçluyu tespit etmek amacıyla kan lekesi analizleri, DNA analizleri, parmak izi incelemeleri yapılmaktadır; bu analizlerde amaç şüphelinin kimliğini belirlemektedir. Ancak bir kişinin kimliğinin belirlenmesinde görüntüsü de oldukça büyük önem taşımaktadır (Jain, Klare & Park, 2011).

Tome ve diğerlerine (2015) göre, adli bilimler alanındaki yüz tanıma sistemleri standart sistemlerin aksine daha hassas çalışılması gereken sistemlerdir. Suçlunun tespiti için öncelikli adım olan yüz tanıma işleminde, yüz yaşlanması, yüz izleri, fotoğraf eşleştirme, video tabanlı yüz tanıma, görüntüden fotoğraf işlenmesi gibi çalışmalar adli yüz tanıma sistemlerinin işleyişine örnek verilebilmektedir. Adli yüz tanıma sistemleri ile elde edilen bulgular, adli antropometrik ve morfolojik protokollere dayanarak elde edilmektedir. Tome ve diğerleri (2015), özellikle burun ve alın bölgesinden çıkarılan özelliklerin daha ayırt edici özelliğe sahip olduğunu belirtmekte ve yüzdeki biyometrik özelliklerin kullanılması ile adli olayların çözüm süreçleri başarılı şekilde sonuçlandığını ortaya koymaktadır (Tome, Vera-Rodriguez, Fierrez & Ortega-Garcia, 2015).

Çin’in ‘SharpEyes’ Projesi

Yapay zeka alanında çalışmalarını hızla sürdüren, teknolojik gelişmelerde payı oldukça büyük olan Çin, suçun önlenmesi için ülke genelinde bir kamera sistemi kurmuştur; CCTV kamera sistemi.

Çin’deki kamera sistemi sokakta sosyal yaşamlarını devam ettiren insanları gerçek zamanlı olarak video kaydına almaktadır. Video kaydı sırasında kişinin yüz çerçevesinden de yüzünün sanal bir haritasını çıkarmaktadır. Bütün bu veriler depolanarak kolluk güçlerinin sistemlerinde kayıt altına alınmaktadır. Olası bir suç olayınca, kolluk sisteminde belirlenmiş olan profil ile anlık kamera kaydında eşlenen profiller ‘suçlu’ olarak tanımlanmakta ve kolluk tarafından adli işlemler başlatılmaktadır. Polis güçlerinin, kolluk kuvvetlerinin hukuki süreçte en büyük desteklerinden olan CCTV kameralarının Çin’in bütün bölgelerinde kullanılabilir hale getirilmesi amaçlanmaktadır.

SharpEyes projesi ile Çin’in belli bir bölgesinde işlenen birçok suç oranındaki düşüş, yüz tanıma kameralarının suç ve suçluyu tespit etme ve suçu önlemedeki rolünü belirginleştirmiştir. Çin Halk Güvenliği Bakanlığı’na göre, Çin’in önümüzdeki yıl 626 milyon CCTV kamera kullanması beklenmektedir (Keegan, 2019).

CCTV kamera sisteminin özelliği bireylere her zaman izlendiklerinin mesajının verilmesidir. Sosyal adaptasyonunu sürekli izlemeye bağlı olarak geliştiren birey, suç işlemektenten kaçınmaktadır; çünkü bu suç hiçbir zaman gizli kalmayacaktır.

SharpEyes projesindeki amaç, suçluları yakalamaktır. Suçu önleme faaliyetlerinin yanısıra proje sürecinde polis, hastane, okul, banka ve diğer kurumlardan veriler toplanacak, toplanan veriler depolanacak ve yine bir projede kullanılmak üzere saklanacaktır (www.scmp.com).

MOBESE Sistemleri

Fusch (2012)’nin “Introduction: Internet and Surveillance”adlı eserinde aktardığına göre, Starke-Meyering ve Gurak (2007) günümüzde üç farkı çeşit gözetim teknolojisinin kullanıldığını belirtir: ilki, genel ağ kullanımından elde edilen bireysel veriler; ikincisi özel ağ hizmetlerini kullanımından elde edilen bireysel verilerin gözetlenmesi; üçüncü olarak da ağ kullanıcılarının verilerine ulaşmak için tasarımlanmış teknoloji ve pratikleri (Fusch 2012, akt. Binark ve Altıntaş, 2015). Bireylerin yeni medya ortamlarındaki her türlü dijital izleri veri olarak toplanabilmekte, depolanabilmekte, analiz edilebilmekte, bir yere nakledilebilmekte ve tekrar erişilebilir olmakta ve bu “veri ikizleri” gözetlenebilmekte, dolayısıyla denetlenebilir olmaktadır (Binark ve Altıntaş, 2015). Belirlenen bu verilere MOBESE kamera sistemlerinin de eklenmesiyle yapılan gözetim sistemleri de eklenerek görüntü verileri çoğaltılabilmekte ve görüntülerin eşlenmesi ihtimali de artmaktadır.

Mobese Mobil Elektronik Sistem Entegrasyonu A.Ş. emniyet müdürlüklerinde ihtiyaç duyulan elektronik sistemlerin tedarikinde güvenilir, ekonomik ve satış sonrası etkin hizmetin sağlanması amacıyla 2008 yılında İstanbul Polis Hizmetlerini Geliştirme ve Destekleme Derneği yönetim kurulunun kararı ile teşkil edilmiş ve faaliyet göstermeye başlamıştır (http://www.mobese.com.tr).

MOBESE (Mobese Mobil Elektronik Sistem Entegrasyon) sistemleri bir kameralı görüntüleme sistemidir. Bölge görüntüleme sistemi, halkın yoğun olarak bulunduğu ve geçiş güzergahı olarak bilinen yerlere konulan kameralar ile, bu kameralardan alınan görüntülerin merkeze sürekli olarak aktarılıp kaydedilmesinden oluşmaktadır. Toplumsal olayların oldukça yoğun olarak görüldüğü şehirlerde bu olayların en kısa sürede haber alınmasında, olayın büyüklüğünün belirlenmesinde ve gelişmelerin canlı olarak izlenmesinde olayın büyüklüğüne göre kuvvet kaydırılmasında ve yönlendirilmesinde önemli yararlar sağlayacak bir sistemdir (http://www.sisbim.com).

MOBESE sistemleri kimlik ve suç tespitine yönelik kullanılmaktadır. Kolluk kuvvetlerinin araştırmalarında bulgulara kaynaklık eden önemli bir sistemdir. Suç ve suçlunun tespitine katkı yapmanın yanısıra caydırıcı bir etkisi olduğu da belirtilmektedir.

Plaka Tanıma Sistemleri

MOBESE sistemlerinin bulunduğu bölgelerde, özellikle işlek caddelerde ve trafiğin yoğun olduğu bölgelerde, yerleştirilen kameralar ile trafikte seyreden araçların kontrolü ve takibinin sağlanması amacıyla kullanılan sistemlerdir.

Hırsızlık, kaçakçılık, kaçırma suçlarının ve trafik kazalarının araştırılmasında çıktısına başvurulan önemli bir sistemdir.

Parmak İzleri

Parmak izleri, el ve ayak parmaklarının uçlarında bulunan papil hatlarının görünür hale getirilmesi sonucu ortaya çıkar. Fransız kriminolog Quetelet ile araştırma konusu olan parmak izi incelemeleri, Montiel Sosa’nın parmak izlerinin sonsuz çeşitliliği ve biricikliğini vurgulaması üzerine adli araştırmacıların ilgi odağı olmuştur (https://novel-technology.ru).

Parmakta deri tabakası tahrip edilmediği sürece ya da profesyonel bir müdahale ile ciltte bir değişim yapılmadığı sürece, parmak izleri değişmemektedir. Kişinin yaşlanmasıyla bile değişmeyen, tek yumurta ikizlerinde bile farklılık gösteren parmak izleri adli araştırmalarda suçlunun belirlenmesi ve suçluluğun ispatı için en geçerli yöntemlerden biridir. Bu sistem, bilgisayarlara veya yapılara girişi veya erişimi kontrol edebilir, kişileri ve güvenlik amaçlarını tanımlayabilir, hırsızlığın önlenmesine yardımcı olabilir veya sosyal hizmet dolandırıcılığını kontrol etmeye yardımcı olabilir (James ve Nordby, 2005).

Çoğu ulusal polis kendi ülke parmak izi veritabanına sahipken, INTERPOL’ün otomatik parmak izi tanımlama sistemi AFIS (Integrated Automated Fingerprint Identification System) olarak adlandırdığımız uluslararası bir parmak izi veri tabanı vardır. Bu ortak veri tabanı sayesinde üye ülkelerdeki yetkili kullanıcılar, suçlu olma ihtimali olan kişilerin kayıtlarını görüntüleyebilir, paylaşabilir ya da kontrol edebilirler (https://www.interpol.int). IAFIS, dünyadaki en büyük parmak izi veri tabanıdır ve Haziran 2012’den beri suçlulardan, askeri personelden, kamu çalışanlarından ve diğer sivil çalışanlardan 72 milyondan fazla veri kaydı elde etmiştir (http://www.forensicsciencesimplified.org).

Suçun meydana geldiği bölgeden elde edilen parmak izi, kolluk kuvvetlerince veri tabanında kayıtlı olan diğer izlerle karşılaştırılır ve bir eşleşme elde etmek amaçlanır. Burada amaç; suçu, suçluyu ve gerçek suç bölgesini belirlemektir. Dijital bir kanıt olan parmak izinin incelenmesi dört aşamada gerçekleşmektedir:

Analiz; parmak izinin karşılaştırmaya elverişli olup olmadığının belirlendiği aşamadır.

Karşılaştırma; eldeki izleri şüphelilerin parmak izleriyle karşılaştırma aşamasıdır. Uzman kişilerce yapılan karşılaştırma işleminde FBI’ın parmak izi tanıma sisteminin (IAFIS) verileri kullanılmaktadır.

Değerlendirme; eldeki iz ve şüpheli izin aynı kişiye mi ait olduğunun ya da uyuşmadığının belirlendiği aşamadır. İzlerin bir sonuç vermeme ihtimali oldukça düşük olmasına rağmen sonuçsuz veriler de elde edilebilmektedir.

Doğrulama; başka bir uzmanın parmak izi analistinin çalışmasını kontrol ettiği, doğruladığı ya da reddettiği aşamadır.

Ses Analizleri

Adli bilimler alanında ses kayıtlarının kanıt niteliği taşıması, suçlu kimliğinin tespitinde kullanılması geçtiğimiz yüzyılın ilk yarısından itibaren araştırmalarda kullanılan kaynaklardan biridir. Tekrarlamayı mümkün kılması, bireye özgü olması bu verilerin adli araştırmalardaki önemini arttırmaktadır (A.P.A Broeders, 2001).

Ses analizleri, adli bir olayın çözümünde kullanılacak birincil kaynaklardan biridir. Olay yerinden elde edilen ses verileri, uzmanlar tarafından incelenerek mahkemeye kanıt olarak sunulabilmekte ve kolluk kuvvetlerinin suç araştırmalarına destek olmaktadır. Ses verilerine ses kayıt cihazlarından, çağrı merkezi kayıtlarından ya da bir ceza soruşturması sırasında elde edilen ses kayıt cihazlarından bilinçli olarak elde edilebilirken; film müziği, televizyon gibi cihazlardan tesadüfen de elde edilebilmektedir. Ses verilerinin kanıt olarak değerlendirilmesi verinin orijinalliğine, içeriğine ve yürütülen adli çalışmanın amaçlarına bağlıdır (Maher, 2010).

Ses analizleri, hukuki önem taşıyan belli bir konu ile ilgili kelimeler kullanıldığında, konuşmacının kimliği belli olmadığında kaydedilmiş veriler üzerinden yapılır. Suçlu kimliğinin tespitinde ses kayıtları büyük önem taşımaktadır. Kolluk kuvvetleri ve savcıların haraç kesme, bombalı saldırı tehdidi, adam kaçırma, soygun, cinayet ve uyuşturucu ticareti dahil olmak üzere çeşitli suçların kovuşturmalarında ses kayıtlarının kanıtlarını kaynak olarak kullanmaktadır (Assembly of Behavioral and Social Sciences, 1979).

Soruşturma ve kovuşturma aşamasında delil olarak kullanılan sesler üzerinde yapılan incelemelerde ses üzerinde gerçekleştirilen montaj, mevcut sesin iyileştirilmesi veya temizlenmesi, ses tespiti, seslerin metin haline dönüştürülmesi, sesten şahıs karşılaştırma gibi konular uzmanlar tarafından belirlenerek raporlaştırılmaktadır (https://adlibilimlerlaboratuvari.com).

Ses Analizi Nasıl Yapılır?

Analizi Yapılacak Verilerin Belirlenmesi

Adli araştırmalar için ses verileri çok çeşitli bölgelerde bilinçli olarak ya da tesadüfen elde edilebilen bulgulardır. Marketlerde, alışveriş merkezlerinde, bankalarda, restorantlarda, kamuya açık parklarda, trafik kavşaklarında tesadüfen ya da bilinçli olarak elde edilebilirler. MOBESE sistemleri, CCTV kameraları, bireysel cep telefonları, çağrı merkezi kayıtları, posta kayıtları bulgu elde edilebilecek yerlerdendir.

Bulguların Toplanması

Kolluk kuvvetlerince yapılan olay yeri inceleme faaliyetlerinde, olay anında, öncesinde ya da sonrasında gerçekleşme ihtimali taşıyan bütün ses bulguları kayıt altına alınmalıdır.

Bulgular netliğine, kullanışlılığına bakılmaksızın eksiksiz toplanmalıdır. Ses analizine yönelik geliştirilen sistemler ve uygulamalar ile iyileştirilebilen bu kayıtlar kanıt niteliği taşıyabilmektedir.

Analizin Yapılması

Ses analizleri alanın uzmanları tarafından yapılmalıdır. Bulguların iyileştirilmesi, kanıt niteliği taşıyıp taşımadığına karar verilmesi uzmanlarca karar verilebilecek durumlardır. İncelenmesi ve analizi doğru yapılmayan bulgular adli olayın aydınlatılmasını engelleyebilmektedir.

Ses İyileştirme Teknikleri

Frekans Denkleştirme

Belirli frekans bantlarını artırmak veya kesmek için son derece hassas ekolayzırlar kullanılabilir. Konuşmayı daha anlaşılır kılmak için, çoğu konuşma içeriğini içeren 200Hz – 5000Hz frekans bandı yükseltilebilir veya izole edilebilir.

Yüksek arka plan sesleri, bir spektrum analizörü ile analiz edilebilir ve karşılık gelen frekanslar, bu seslerin daha az fark edilmesi için azaltılır (http://www.forensicsciencesimplified.org).

Sıkıştırma

Kayıttaki soluk sesler, sinyali sıkıştırarak veya düzleştirerek, malzemenin dinamik aralığının azaltıp yumuşak seslerin daha belirgin olmasını sağlayarak artırılabilir (http://www.forensicsciencesimplified.org).

Adli Ses Analizi Uygulamasına Bir Örnek: DC-Live/Forensics Software

2000 yılında piyasaya sürülen DC-Live/Forensics, adli araştırmalar için ses verilerinin analiz edilmesindeki eksikliği doldurmuştur.

DC-Live/ Forensics, bozulmuş ses kayıtlarını analiz etmek için tasarlanmış gerçek ile eş zamanlı, etkili sonuçlar veren, kullanımı kolay olan bir yazılım programıdır.

DC–Live/Forensics, konuşmaların anlaşılırlığını arttırmak, arka plandaki ses gürültüsünü azaltmak, sesleri rahatsız edici seslerden ayırmak için kapsamlı filtreler içeren bir yapay zeka yazılımıdır. Sistem, ses sinyallerini analiz etmek ve ses bantlarındaki kayıtları anlaşılır hale getirebilme yeteneğine sahiptir (http://jbrtech.com).

SONUÇ

Gelişen teknoloji ve giderek dijitalleşen dünyada, günlük yaşamda kullandığımız cihazların yanı sıra hukuki süreçlerin yürütülmesinde ve suç araştırmalarında da teknolojik alet ve cihazlar kullanılmaya başlanmıştır.

Yüz tanıma sistemleri, ses ayırt edici cihazlar, parmak izi okuyucular gibi birçok teknolojik cihaz adli süreçlerin yürütülmesinde etkili olmaktadır. Suç olayının tespiti, suçlunun kimliklendirilmesi, olay yeri ve zamanının belirlenmesi gibi aşamalarda kolluk kuvvetlerinin soruşturmalarında ve hukuki süreçlerin yürütülmesinde yapay zeka uygulamalarının önemi yadsınamazdır.

İnsan zihninin çalışma prensibi temel alınarak teknolojik gelişmeler kullanılarak ortaya çıkarılan yapay zeka (YZ) destekli cihaz ve yazılımlar, rasyonalize edilmiş sonuçlar sunmakta ve olayların araştırma, inceleme ve analizinde ortaya hatalı sonuçlar çıkmasının önüne geçmektedir.

KAYNAKÇA

Aitken, C. Ve Taroni, F. (2004). Statictics and the evaluation of evidence for forensic scientist (2.edition). John Wiley& Sons Ltd. Published.

Al, A. (2014). Adli muhasebe ve karar alma arasındaki ilişkilerin finansal kararlar açısından değerlendirilmesi. Mali Çözüm Dergisi, 125; 95-124.

Binark, M. Ve Altıntaş M. (2015). Veri ikizlerimizin farkında mıyız? Dijital gözetimin çeşitli boyutlarına karşı farkındalık. Yeni Medya Çalışmaları II. Ulusal Kongre kitabı içinde (ss. 318). İstanbul.

Cantürk G. ve Cantürk N. (2004). Suçlu profili. Adli Tıp Dergisi (Journal of forensic  Medicine) 18 (2),27-37.

Clarke, RV Avrupa Ceza Politikası ve Araştırmaları Dergisi (2004) 10:55.        https://doi.org/10.1023/B:CRIM.0000037557.42894.f7

Elitaş, B. (2012). Seçilmiş örneklerle adli muhasebe eğitimi ve Türkiye için bir  değerlendirme. Muhasebe ve Finansman Dergisi, (55), 153-172.   https://dergipark.org.tr/tr/pub/mufad/issue/35635/396130

Franke, K. Computational Forensics: Trends and challanges in applying AI methodologys            to digital forensics (2010). Norwegian Information Security Laboratory (NISlab). https://digital-forensics.sans.org/summit-archives/2010/eu-digital-forensics-       incident-response-summit-dr-katrin-franke-trends-and-challenges-in-applying-        artificial-intelligence-methodologies-to-digital-forensics.pdf

Fuchs, C., K.Boersma, A.Albrechtslund ve M.Sandoval (2011). Internet  and surveillance:     the challenges of web 2.0. Routledge Studies in Science, Technology and Society.

Geberth V.J. (1986). Mass, serial and sensational homicides: the investigative perspective.    Bulletin of the New York Academy of Medicine, 62(5).

Görgülü, M. E., Elitaş, C. Ve Karakoç, M. (2011). Stance of accounting instructors to  forensic accountancy profession: example of Turkey. International Fournal of Business and Social Science, 10 (2), 224-241.

Hair Jr., J. F., Black, W.C., Babin, B. J., Anderson, R. E. (2014). Multivariete data analysis. (7.edition). London:Pearson Education Published.

Harries, K. (1999). Mapping crime: principle and practice. Erişim tarihi: 15 Aralık 2019,   https://www.ncjrs.gov/pdffiles1/nij/178919.pdf

Jain, A. K., Klare, B., ve Park, U. (2011). Face recognition: some challenges in  forensics. Face and Gesture. doi:10.1109/fg.2011.5771338

Kara, O., Aydın, Ü. ve Oğuz, A. (2006). Ağ ekonomisinin karanlık yüzü: siber terör.  Erişim tarihi: 14 Aralık 2019  http://kisi.deu.edu.tr/oguz.kara/Ag%20Ekonomisinin%20karanlik%20yuzu%20siber%20teror.pdf

Karakaş, E., Karadoğan S. ve Arslan H. (2004). Crime maps and computer tecnology. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 10 (4), 37-42.

Karakaş, E. (2005). Uygulamalı coğrafyada suç haritaları II: suç harita tipleri (Crime maps   in applied       geography: types of crime maps II). Fırat Üniversitesi Sosyal Bilimler Dergisi, 15(2), 31-50.

Keegan, M. (2019). https://www.theguardian.com/cities/2019/dec/02/big-brother-is-watching-chinese-city-with-26m-cameras-is-worlds-most-heavily-surveilled, Erişim tarihi: 15 Aralık 2019.

Luger, G. F. (2009). Artificial intellingence: structures and strategies for complex problem (6.edition). London: Pearson Education Published.

Maher, R. C., (2010). Overview of audio forensics.  Berlin: Springer.                                          doi.org/10.1007/978-3-642-11756-5

Mitchell, F. (2010). The use of artificial intelligence in digital forensics. Digital Evidence and Electronic Signature Law Review, (7). doi.org/10.14296/deeslr.v7i0.1922

Mitchell, F. (2018). The use of artificial intelligence ib digital forensics: an introduction.   Artificial Intelligence in Forensic Science, 2 (5), 182.

Norvig, P. ve Russell, S. (2010). Artificial intelligence: a modern approach (3.edition). London: Pearson Education Published

Ortaga, J. (2016). Marvin Minsky, father of artificial intelligence, dies at 88.  Erişim tarihi: 15 Aralık 2019, https://www.bbva.com/en/marvin-minsky-father-of-artificial-intelligence-dies-at-88/

Ribaux, O. Ve Margot, P. (2003). Case based reasoning in criminal intelligence using forensic case data. Science and Justice, 43.  https://pdfs.semanticscholar.org/a103/adc9288153076198fc81328a13776485a893.p df

Schalkoff, R. J. (2007). Pattern recognition. Wiley Encyclopedia of Computer Science and Engineering. doi:10.1002/9780470050118.ecse302

Siegel, J. A.  (2017). Forensic Science. Erişim tarihi: 2 Aralık 2019,            https://www.britannica.com/science/forensic-science.

Stuart, H. Ve Nordby, J. J. (2005). Forensic science: an introduction to scientific and investigated techniques, (2. Edition).  Florida: CRC Press.

Şenel, A. S. ve Arslan, Ö. (2019). Muhasebe skandallarının önlenmesinde adli muhasebe       mesleğinin rolü. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 20 (1),             https://dergipark.org.tr/tr/pub/cumuiibf/issue/45599/527298

Terzi, S. (2012). Hile ve usulsüzlüklerin tespitinde veri madenciliğinin kullanımı. Muhasebe ve Finansman Dergisi (54), 51-64.                                                                     https://dergipark.org.tr/tr/pub/mufad/issue/35634/396110

Tome, P., Vera-Rodriguez, R., Fierrez, J., ve Ortega-Garcia, J.     (2015).Facial soft biometric features for forensic face recognition. Forensic Science International, 257, 271–284. doi:10.1016/j.forsciint.2015.09.002

Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460.

Elektronik Kaynaklar

Adli ses inceleme. Erişim tarihi: 15 Ağustos 2021. https://adlibilimlerlaboratuvari.com/adli-ses-inceleme/

A simplified guide to forensic audio and video analysis. Erişim tarihi: 15 Ağustos 2021.   http://www.forensicsciencesimplified.org/av/how.html

DC-Live/Forensics. Erişim tarihi: 15 Ağustos 2021. http://jbrtech.com/software_desc.html

Fingerprints. (2018). Erişim tarihi: 16 Aralık 2019.  https://www.interpol.int/How-we-            work/Forensics/Fingerprints

A simplified guide to fingerprint analysis. (2013). Erişim tarihi: 15 Ağustos 2021.                                http://www.forensicsciencesimplified.org/prints/how.html

http://www.mobese.com.tr/tr/kurumsal/hakkimizda/1  Erişim tarihi: 15 Ağustos 2021.

http://www.sisbim.com/urun-gruplarimiz/mobese-sistemleri  Erişim tarihi: 15 Ağustos 2021.

1960’lardan günümüze yüz tanıma teknolojisinin evrimi, (Tarih yok).  Erişim tarihi: 15 Ağustos 2021.

https://www.guvenlikonline.com/makale/601/1960lardan–gunumuze-yuz-tanima-teknolojisinin-evrimi.html

What is Forensics?. Erişim tarihi: 17 Ağustos 2021.  https://www.crimesceneinvestigatoredu.org/what-is-forensic-science/

South China Morning Post(2018). Erişim tarihi: 17 Ağustos 2021.            https://www.scmp.com/news/china/politics/article/2170834/chinas-sharp-eyes- surveillance-system-puts-security-focus-public.

Forensic significance of fingerprints. The concept, classification and forensic investigation of handprints. Can you fool nature. (2015). Erişim tarihi: 16 Aralık 2019.

https://novel- technology.ru/en/forensic-meaning-of-fingerprints-the-concept-      classification-and-forensic-investigation-of-hand-traces/

Yorum Yap

Yazar Hakkında

Gazi Üniversitesi-Sosyoloji / Jandarma ve Sahil Güvenlik Akademisi-Kriminoloji (YL)

Yorum yap