近年来, 国际上对于包括指纹在内的法庭证据的科学性要求不断提高, 如美国的Daubert标准^[4]、NRC报告^[5]、PCAST报告^[6]、NIST报告^[7], 英国的法庭科学从业人员业务及行为规范^[8], 以及欧洲法庭科学联盟的证据评价报告指南^[9], 等等。其核心内容就是要求广泛开展技术方法的基础性研究, 加强法庭证据检验的科学性, 提高其准确性、可靠性、客观性、透明性和可重复性。以美国为代表, 美国国家研究委员会（National Research Council, NRC）在其2009年发布的关于“ 加强美国法庭科学之路” 报告中, 对现在指纹鉴定的特征形态比对方法进行了批评, 指出：目前的指纹鉴定是基于形态观察的专家解释^[5]7, “ ACE-V” 方法提供的皮肤脊纹分析框架太过宽泛, 不够具体, 无法保证其准确性、重复性和透明性, 以及不同检验人员鉴定结果的一致性, 不能作为已验证方法来使用^[5]164。同时建议开展基础性科学研究, 解决法庭科学技术的准确性、可靠性和有效性问题, 建立法庭分析的可靠性和准确性的量化方法、不确定性衡量标准, 以及加强法庭分析的自动化技术等^[5]212。

2016年, 奥巴马的科学技术顾问委员会（President’ s Council of Advisors on Science and Technology, PCAST）在关于“ 确保法庭特征比较方法的科学有效性” 报告中再次强调：对于以指纹、DNA等为代表的“ 特征比较方法” , 需要明确法庭分析方法的有效性和可靠性科学标准, 需要对具体的法庭分析方法进行评估, 以明确它们是否已经“ 被科学地验证为有效可靠” ^[6]1。同时建议由美国国家标准与技术研究院（National Institute of Standards and Technology, NIST）牵头, 联邦调查局配合, 共同将目前偏主观的潜指印等特征比较方法转化为客观方法^[6]28, 并进行比较方法的准确性和可靠性的科学评价^[6]121。而NIST在“ 指纹检验中的主观因素” 报告中指出, 从分析比较到评价确认, 目前这些方法都是基于检验人员的专业知识和经验判断, 而不是基于正规的决策阈值或统计模型, 而解释和判断过程中会不可避免地出现主观倾向^[7]。除了特征比较方法存在问题以外, “ 认定、否定、无结论” 的分类结论框架也存在一定的缺陷。首先, 认定和否定结论属于百分之百的确定。在实际案件现场提取的潜指印中, 真正特别清晰的高质量指印并不多, 大部分都存在一定程度的残缺、模糊、重叠和变形, 特征反映、特征数量和特征质量都很难达到清晰、明确、充分, 这种情况下, 给出绝对结论（种类特征反映明确而给出否定结论的除外）不仅夸大了证据的价值, 同时也增加了错误风险^[10]。其次, “ 无结论” 的鉴定意见虽然表明了不确定性, 但是并没有表明不确定的程度, 也没有对证据价值进行合理评估。事实上, 特征符合点数量不足或特征质量较低的指印并非任何价值都没有, 而“ 无结论” 否定了事实上可能有用的信息, 使其完全没有发挥证据作用^{[11, 12]}。而司法实践中, 为了降低错误认定的风险, 相当一部分指印的鉴定结果都是无结论, 使其丧失了应有的证据价值。因此, 正确逻辑框架和合适的评价方法非常重要。

近年来, 国际上提出了基于概率方法的法庭证据评价新模式^[13]。该框架基于相关数据、定量测量和统计模型, 量化评估同源假设和不同源假设条件下获得证据的概率之比— — 似然比（likelihood ratio, LR）。作为DNA证据评价的标准模式, LR框架在国际上获得了广泛认可, 被认为是目前为止逻辑上最正确的法庭证据评价框架^[14]。现在, 该模式已经被推广应用到法庭证据的其他分支, 如指印、足印、工具、语音、笔迹、玻璃、油漆、纤维等。作为一种逻辑框架, LR体系适用于所有需要通过特征比较推断检材与样本同源性的法庭证据检验。2015年9月, 欧洲法庭科学联盟（The European Network of Forensic Science Institutes, ENFSI）还发布了基于LR框架的法庭科学评价报告指南^[9], 倡导其所属法庭科学实验室, 对全部科学证据的检验统一采用似然比评价模式。LR代表两种竞争假设条件下获得证据的相对概率, 其通用表达式如式（1）所示：

$LR=\frac{P(E|H_{1})}{P(E|H_{2})}$（1）

其中, P代表概率（Probability）, E代表证据（Evidence）, 即检材与样本的特征比较, H₁代表同源假设（假设检材与样本同源）, H₂代表不同源假设（假设检材与样本不同源）, “ |” 代表条件。LR就是同源假设条件下获得证据的概率与不同源假设条件下获得该证据的概率之比, 以此作为证据价值的量化表达— — 支持同源假设或不同源假设的程度。LR值大于1, 证据支持同源假设; LR值小于1, 证据支持不同源假设。LR值距离1越近, 证据的价值越小; 反之, 越大。LR等于1, 表明支持两种假设的程度相等, 因此无价值。LR的分子代表检材与样本的相似性（或差异性）, 分母代表检材特征在相关人群中的典型性（或特殊性）。LR框架在指纹检验领域的应用相对较晚, 但是近十年来已经取得了很大研究进展。荷兰法庭科学研究所（Netherlands Forensic Institute, NFI）早在2012年就已经将LR框架方法应用于指纹证据的检验评估^[15]。2015年, ENFSI专门发布了基于LR框架的指纹检验最佳实践手册^[16], 对该框架及其应用进行了详细说明。2018年, 美国科学委员会组织（Organization of Scientific Area Committees, OSAC）下的摩擦脊纹分委会在最新发布的“ 摩擦脊纹检验结论标准” 草案中, 也明确提出使用似然比框架体系。尽管后者比较简单、笼统, 甚至有一定逻辑瑕疵, 但是它突破了传统的“ 认定、否定、无结论” 分类结论模式。我国的指纹检验目前采用的仍是传统模式。

LR方法证据评价的核心要素就是相关数据、定量测量和统计模型。它的最大优势在于程序方法客观透明, 系统性能可以验证测试, 检验结果具有可重复性。基于LR方法的指纹检验符合法庭证据评价的国际逻辑框架, 符合法庭证据检验的科学性标准及要求。虽然大量研究已经表明了LR模型系统的有效性、可靠性及其法庭应用的合理性和适用性, 但是司法实践中仍然面临很大的挑战。一方面, 法庭和指纹检验从业人员对于新框架和新模式的接受和认可还需要一定过程; 另一方面, LR模型系统在技术方法上还有待进一步改进和完善。

LR方法的指纹证据评价需要大规模的数据进行模型训练和系统验证, 人工专家的比较评判在这些方面受到很大局限, 而指纹自动识别技术的发展和国家级大型指纹数据库的建设为LR方法的实践应用提供了很好的前提优势和技术保障。目前, LR模型系统主要依赖AFIS的相似性得分, 而理想的LR模型系统应该同时考虑相似性和典型性。因此, 未来的AFIS技术还应该考虑典型性得分算法, 开发专门用于指纹证据评价的LR模型系统。当然, 人工专家的专业知识和经验仍是必需的, 其作用将主要体现在选择合适的模型、训练数据和测试数据方面。