Hatalı mahkûmiyetler üzerine yürütülen araştırmalar, teşhis işlemleri sırasında ortaya çıkan yönlendirme, geri bildirim ve usule ilişkin sapmaların yanlış teşhislerin başlıca nedenleri arasında yer aldığını göstermektedir (Wells ve ark., 2020). Bu nedenle, teşhis sürecinin mümkün olduğunca insan müdahalesinden arındırılmış, standartlaştırılmış ve denetlenebilir biçimde yürütülmesi büyük önem taşır. Yapay zekâ destekli sistemler, tam da bu noktada, teşhis prosedürlerini daha tarafsız hale getirme ve yönlendirme riskini azaltma bakımından önemli bir potansiyel sunmaktadır.
Geleneksel uygulamalarda bu değişkenlerin tamamının etkili biçimde kontrol edilmesi çoğu zaman mümkün olmamaktadır. Yönlendirme, doğrulayıcı geri bildirim, soruşturmacı önyargısı ve usule ilişkin tutarsızlıklar, teşhisin doğruluğunu ciddi biçimde zedeleyebilmektedir (NRC, 2014). Dahası, bazı soruşturmalarda sorun yalnızca teknik eksikliklerden ibaret değildir; soruşturma personelinin kasıtlı müdahalesi, en önemli delillerden biri olan teşhis işlemlerini dahi işlevsiz hale getirebilmektedir.
Bu riskleri azaltmak amacıyla son yıllarda kimlik teşhisi ve tanık ifadesi alma süreçlerine ilişkin çeşitli ulusal rehberler güncellenmiştir. Birleşik Krallık’ta yayımlanan düzenlemeler, şüphelinin rızası, dolgu kişilerle benzerlik ölçütleri ve işlemin video kaydına alınması gibi konularda yeni standartlar getirmiştir (Home Office, 2019). ABD’de ise Eyewitness Evidence: A Guide for Law Enforcement başlıklı rehber, bilişsel görüşme ilkelerine uygun ifade alma tekniklerini ve çift kör (double-blind) teşhis prosedürlerini önermektedir (Technical Working Group, 2003). Bu kılavuzların ortak amacı, soruşturma sürecinde ortaya çıkabilecek bozucu etkileri en aza indirerek daha güvenilir ve daha adil bir delil toplama zemini oluşturmaktır (Wells ve ark., 2020).
Ancak teknik standartların geliştirilmesi tek başına yeterli değildir. Hukuk tarihi ve çağdaş ceza yargılaması pratiği, denetime kapalı kalan her adli sürecin sistematik kötüye kullanıma açık olduğunu defalarca göstermiştir. Bu nedenle adaletin güvence altına alınması, yalnızca iyi kurallar koymakla değil, bu kuralların şeffaf, izlenebilir ve hesap verilebilir biçimde uygulanmasını sağlamakla mümkündür.
Bugün soruşturmanın yönünü belirleyebilen, kısa sürede gerçekleşen ve dış etkilere son derece açık olan teşhis işlemlerinin dijital sistemler aracılığıyla yürütülmesine yönelik uygulamalar giderek yaygınlaşmaktadır. Bu alandaki en bilinen örneklerden biri, İngiltere’de geleneksel canlı teşhis yönteminin yerine geliştirilmiş olan VIPER (Video Identification Parade Electronic Recording) sistemidir. VIPER, tanığa standartlaştırılmış video kayıtları üzerinden teşhis yapma imkânı sunan dijital bir video teşhis teknolojisidir (Memon ve ark., 2011). Sistemde tanığa, şüpheliyle benzer görünüme sahip dolgu kişilerden oluşan bir video dizisi gösterilir; her videoda genellikle şüpheliye ek olarak sekiz dolgu kişi yer alır. Tüm görüntüler, nötr yüz ifadesi, sabit ışıklandırma, aynı arka plan ve benzer kamera açılarıyla hazırlanır (Memon ve ark., 2011).
VIPER sisteminin önemli özelliklerinden biri, kullanılan görüntülerin merkezî bir veritabanında toplanması ve benzer görünümlü kişilerin bu veritabanı üzerinden seçilmesidir. Böylece teşhis dizisinin oluşturulmasında kişisel takdir alanı daraltılmakta, süreç daha standart ve denetlenebilir hale getirilmektedir (Memon ve ark., 2011). Bu yönüyle sistem, geleneksel teşhis uygulamalarına kıyasla önyargıyı azaltmayı ve daha tarafsız bir teşhis ortamı kurmayı hedeflemektedir.
Halihazırda dijitalleşmeye başlamış, saha araştırmaları tamamlanmış ve resmî uygulama alanı bulmuş bu tür sistemlere yapay zekânın entegre edilmesi ise giderek daha gerçekçi bir olasılık olarak görünmektedir (Aydın & Ar, 2022). Yapay zekâ bu bağlamda iki temel katkı sunabilir. İlk olarak, teşhis dizisinin oluşturulması sürecinde insan değerlendirmesine dayalı öznelliği azaltabilir. İkinci olarak ise teşhis işlemi sırasında tanığa yönlendirici olmayan, standart, tarafsız ve usul güvencelerine uygun bir süreç sunulmasına yardımcı olabilir (Aydın & Ar, 2022).
Bu doğrultuda L(i)ne-up adlı uygulayı geliştirdik. Bu çalışmada, dolgu kişilerin seçimini otomatikleştirmek amacıyla bir yapay zeka sistemi olan CNN (Convolutional Neural Network) temelli yüz tanıma sistemini kullandık. Amaç, insan algısına dayalı benzerlik değerlendirmelerinin doğurduğu öznelliği azaltmak ve teşhis dizisinin daha nesnel ölçütlerle oluşturulmasını sağlamaktır. Böylece hem teşhis prosedürünün bilimsel temelde standartlaştırılması hem de yanlış teşhis riskini azaltacak daha güvenilir bir uygulama zemininin oluşturulması hedeflenmiştir.
Yapay zekâ destekli teşhis sistemleri, sistem değişkenlerinin denetlenmesi ve özellikle çift kör prosedürün uygulanabilirliğinin sağlanması bakımından da önemli bir potansiyel taşımaktadır. Çalışmamızda teşhis dizisi otomatik olarak oluşturulmakta, gösterim sırası rastgele belirlenmekte ve görevli personelin tanığa doğrudan müdahale etme ihtimali ortadan kaldırılmaktadır.
Aynı zamanda, yapay zekâ tarafından oluşturulan dizilerin dış denetime açık olması, olası sistemsel hataların da objektif biçimde kontrol edilmesine imkân vermektedir. Tanığa sunulan standart yönergelerin yazılı ve sesli biçimde sistem tarafından aktarılması ise bilgi sunumunu personelden bağımsızlaştırarak prosedürel hataları azaltmaktadır.
Wells ve arkadaşlarının (2020) önerileri doğrultusunda hazırlanan bu bilgilendirme seti; şüphelinin dizide bulunmayabileceği, tanığın “bilmiyorum” yanıtını verebileceği ve seçim yapılmasa da soruşturmanın devam edeceği gibi yönlendirici olmayan güvenceleri içermektedir.
Ayrıca sürecin sesli ve yazılı olarak kaydedilmesi, güven beyanının alınması ve oturum sonunda otomatik rapor oluşturulması, teşhis işlemini yargısal denetime açık hale getirmektedir. Bununla birlikte, bu sistemlerin kullanımı algoritmik önyargı, veri seti çeşitliliği ve model performansındaki eşitsizlikler gibi etik ve hukuki sorunları da gündeme getirmektedir. Nitekim L(i)ne-up uygulamasına ilişkin çalışma, sabit eşik değerlerinin bazı demografik gruplarda performans düşüşüne yol açabildiğini göstermiş; bu nedenle farklı gruplara duyarlı teknik ayarlamaların adil ve güvenilir bir sistem tasarımı açısından gerekli olduğunu ortaya koymuştur (Aydın & Ar, 2022).