Keskustelu todennäköisyysteorioiden soveltuvuudesta näyttöharkintaan on nostettu uudelleen esille Ruotsissa, missä yleisen oikeustieteen professori Christian Dahlman on viime aikoina voimakkaasti kritisoinut tuomioistuinten näyttöharkintakäytäntöä, ja puolustanut Bayesin teoreeman käyttöönottoa. Aiheesta keskustelevat yleisen oikeustieteen professorit Christian Dahlman (Lund) ja Minna Gräns (Uppsala).
Kyseisen podcastin on tuottanut ruotsalainen Filosofisk tidskift . Podcastia mainostetaan seuraavasti:
Filosofisk podcast
Bevisvärdering
I det här nionde avsnittet av Filosofisk podcast gästas vi av Minna Gräns och Christian Dahlman som diskuterar ämnet bevisvärdering. I våra domstolar råder fri bevisvärdering. Men vad är ett bevis? Och hur värderar vi egentligen styrkan hos ett bevis?
Gästernas filosofitips: “Blind Injustice” (2019), bok av Mark Godsey; “Law and Truths: A Theory of Evidence” (2000), bok av Hannu Tapani Klami, Minna Gräns och Johanna Sorvettula; ”12 Angry Men” (”12 edsvurna män”), film från 1957; “Bevisvärdering i busshållplatsmordet”, artikel av Christian Dahlman i Svensk juristtidning (2022).
Redaktionens tips: ”Öppet fall”, podcast av Christian Dahlman.
I Filosofisk podcast diskuteras filosofiska ämnen med inbjudna gäster. Vi som leder samtalen är Stina Björkholm, Olle Risberg och Nils Sylvan. Podden görs i samarbete med Filosofisk tidskrift och Bokförlaget Thales. Nya avsnitt släpps ungefär varannan månad med ett lite längre sommaruppehåll.
Filosofisk tidskrift finns på Facebook: www.facebook.com/filosofisktidskrift
Poddens mailadress är: podcast@filosofisktidskrift.se
Du hittar Filosofisk podcast här:
2 ajatusta aiheesta “Näyttöharkintaa podcastissa”
Oikeusneuvos Jorma Rudanko on väitöskirjassaan ”Näkökohtia todistusharkinnasta” (2020) selostanut ja kommentoinut Christian Dahlmanin ajatuksia ja teoriaa (s. 426 ss.) sekä laajasti Bayesin teoreemaa ja sen kannattajien ja vastustajien näkemyksiä (s. 509 -525). Rudanko on esittänyt omia näkemyksiään Bayesin hyvistä ja huonoista puolista (s. 526-533). Rudanko ei lukeudu Bayesin teoreeman kannattajiin.
Ks. myös Rudanko mt. s. 715: ” Siten en mitenkään voi yhtyä siihen Suomen Asianajajaliiton Todistelutoimikunnan mietinnön johdosta antamassa lausunnossa esitettyyn ajatukseen, että Suomessa pitäisi ottaa käyttöön bayesiaaninen toodistusharkinta”.
Bayesin teoreema ei ole mielipide, jota voisi kannattaa tai vastustaa. Kyseessä on todennäköisyyksien laskemista kuvaava matemaattisista peruslausekkeista johdettu kaava, joka on aksiomaattisesti tosi samalla tavalla kuin 1 + 1 = 2.
Bayesin teoreema liittyy suoraan näyttöharkinnan ytimeen. Teoreema on nimittäin matemaattinen kaava, jolla voidaan laskea millä todennäköisyydellä jokin väite (eli hypoteesi) on tosi ottaen huomioon väitteen tueksi esitetyn näytön uskottavuus.
Kaava kuuluu: todennäköisyys = alkuperäistodennäköisyys x näyttö
Bayesin teoreeman käyttöä oikeudellisessa ratkaisutoiminnassa on kritisoitu erityisesti kahdella perusteella, jotka kohdistuvat alkuperäistodennäköisyyden huomioimiseen ja siihen, että sellaisia tilastoja ei ole olemassa, joiden perusteella tuomari voisi antaa todisteille kaavan tarvitsemia todennäköisyyksiä.
Kritiikit perustuvat väärinymmärryksiin.
Alkuperäistodennäköisyys tarkoittaa väitteen todennäköisyyttä ennen näytön huomioimista eli sitä, kuinka uskottava jokin väite lähtökohtaisesti on. Alkuperäistodennäköisyyden huomioimista on kritisoitu siitä, että se loukkaa yksilön oikeutta oikeudenmukaiseen oikeudenkäyntiin. Tosiasia kuitenkin on, että virhe tapahtuu vain siinä, jos väitteen alkuperäistodennäköisyys jätetään huomiotta. Alkuperäistodennäköisyys nimittäin tarkoittaa yksinkertaisesti sitä, että mitä epäuskottavampi väite, sitä vahvempaa näyttöä sen tueksi vaaditaan.
Bayesin kaava todellakin edellyttää, että eri asioille annetaan täsmällinen todennäköisyys. Koska tuomioistuimella ei ole mitään tilastoa, jonka perusteella useimmille asioille voitaisiin määrittää kaavan tarvitsemat todennäköisyydet, on esitetty että kaava ei sopisi oikeudelliseen ratkaisutoimintaan. Väärin. Jos tilastoja ei ole, mikään ei estä tuomaria arvioimasta kaavan tarvitsemia todennäköisyyksiä. Sitähän näytön arviointi kirjaimellisesti on, arviointia. Kaavassa voidaan siis käyttää myös ns. subjektiivisia todennäköisyyksiä, jotka kuvaavat sitä, kuinka uskottavana ratkaisija pitää jotakin kaavan muuttujaa.
Bayesin teoreema kuvaa formaalisti sen kuinka näytön arviointi suoritetaan matemaattisesti oikein. Malli itsessään on eksakti ja kiistaton, epävarmuus tulee muista lähteistä, mutta tämä epävarmuus ei mitätöi näytön arvioinnin taustalla olevan mallin validiutta tai sen käyttökelpoisuutta.
Esimerkki avaa asiaa.
Oletetaan, että 100 paikkainen teatteri on täynnä, mutta lippuja on myyty vain 25. Teatterin omistaja T tunnistaa teatterista poistuvan A:n ja nostaa häntä vastaan kanteen, jossa hän vaatii A:ta suorittamaan lipun hinnan. A vastustaa kannetta ja väittää ostaneensa lipun ja heittäneensä sen sitten menemään.
Koska teatterissa oli 25 lipun ostanutta ja 75 liputonta, T:n kanteen alkuperäistodennäköisyys on 75:25 eli 3:1. Tämä tarkoittaa, että T:n väite on kolme kertaa todennäköisempi kuin A:n väite. Bayesin kaavan tässä versiossa todennäköisyydet siis ilmaistaan kahden hypoteesin välisinä suhdelukuina (ne on myöhemmin helppo muuttaa prosenteiksi).
Laki tietenkin tuntee lukuisia käännetyn todistustaakan tilanteita, joissa pelkkä alkuperäistodennäköisyys riittää tuomioon ellei vastaaja muuta näytä. Nyt ei ole kuitenkaan käsillä sellainen tilanne, joten T:n on esitettävä jotain muutakin näyttöä.
T nimeää todistajaksi lipunmyyjä L:n, joka todistaa, että hän näki A:n luikahtavan lipunmyyntijonon ohi. Miten uskottava T:n kanne nyt on?
Bayesin teoreeman mukaan uusi todiste yhdistetään alkuperäistodennäköisyyteen kertomalla se todisteen uskottavuutta kuvaavalla kerroinsuhteella, jonka tuomari siis joutuu arvioimaan (näytön arviointia)
Tässä tapauksessa tuomari arvioi, että lipunmyyjä kykenee tunnistamaan A:n teatterin olosuhteissa oikein 50 % tapauksista (oikea tunnistus) ja sekoittaa toisen henkilön A:han 10 % tapauksista (väärä tunnistus) . Tällöin oikean ja väärän tunnistuksen todennäköisyyssuhde on 5:1 eli oikea tunnistus on 5 kertaa todennäköisempi kuin väärä tunnistus.
Tämän perusteella voidaan laskea, että todennäköisyys sille, että A on jättänyt lipun ostamatta on 3:1 x 5:1 eli 15:1 eli noin 94 % (A on jättänyt lipun ostamatta 15 tapauksessa 16 tapauksesta). Riittänee kanteen hyväksymiseen.
Alkuperäistodennäköisyyden tärkeys tulee esille, jos ajatellaan realistisempaa tilannetta, jossa lipun ostamatta jättäneitä olisi vain 10 eli alkuperäistodennäköisyys olisi 10:90 eli 1:9. Nyt lipunmyyjän tunnistus ei riitä. Todennäköisyys sille, että A on jättänyt lipun ostamatta on vain 1:9 x 5:1 eli 5:9 eli noin 35 %.
***
Tarvitseeko tuomareiden siis kaivaa taskulaskimet esiin? Ei tietenkään. Riittää, kun kaikki muistavat, että:
1. mitä harvinaisempi tilanne on kyseessä, sitä uskottavampaa näyttöä sen tueksi tarvitaan
2. näytön uskottavuus riippuu oikean positiivisen (näyttö tukee väitettä ja väite on tosi) ja väärän positiivisen (näyttö tukee väitettä mutta väite on väärä) arvioitua suhdetta.
Mikään ei tietysti estä arvioimasta kaavan tarvitsemia muuttujia ja erityisesti kiperissä tapauksissa kaavan avulla voi simuloida millaisilla muuttujien arvoilla näyttökynnys ylittyisi. Tulokset voivat yllättää!