Profiling vs. Case-specific Evidence: A Probabilistic Analysis

Each language version is independently generated for its own context, not a direct translation.

🕵️‍♂️ Der Fall des „Typischen Diebes": Warum Statistik nicht immer schuldig macht

Stell dir vor, du bist Richter in einem Kriminalfall. Jemand hat ein teures Gemälde gestohlen. Die Polizei bringt einen Verdächtigen vor dich. Er passt perfekt auf das Profil des „typischen Diebes": Er ist jung, hat eine Vorstrafe wegen Diebstahls und lebt in einem Viertel, in dem viele solche Diebstähle passieren.

Die Frage lautet: Macht das ihn schuldig?

Die Autoren dieses Artikels (Di Bello, Cangiotti und Loi) sagen: Nein. Und das ist der Kern ihrer Botschaft.

1. Der große Unterschied: Der „Allgemeine Verdächtige" vs. der „Tatverdächtige"

Um das zu verstehen, müssen wir zwei Arten von Beweisen unterscheiden. Stell dir das wie zwei verschiedene Arten von Karten vor:

Karte A: Die Profil-Karte (Allgemeines Profil)
Diese Karte sagt: „Hey, 80 % aller Diebe in dieser Stadt haben eine Vorstrafe."
Wenn dein Verdächtiger eine Vorstrafe hat, passt er auf diese Karte. Das ist wie ein Wetterbericht. Der Wetterbericht sagt: „In dieser Jahreszeit regnet es oft." Wenn du heute nass bist, ist es wahrscheinlich, dass es geregnet hat. Aber es könnte auch sein, dass du einfach in eine Pfütze getreten bist.
- Das Problem: Das Profil sagt dir nur, dass dein Verdächtiger irgendwann und irgendwo ein Dieb sein könnte. Es sagt dir aber nichts darüber, ob er dieses spezielle Gemälde in dieser speziellen Nacht gestohlen hat.
Karte B: Die Tat-Spuren-Karte (Fall-spezifischer Beweis)
Diese Karte sagt: „Auf dem Gemälde wurden Fingerabdrücke des Verdächtigen gefunden" oder „Ein Zeuge hat gesehen, wie er gerade aus dem Fenster klettert."
Das ist wie ein Fingerabdruck auf dem Tatwerkzeug. Es verbindet die Person direkt mit dem konkreten Ereignis.
- Der Vorteil: Diese Beweise sagen dir nicht nur, dass er ein Dieb sein könnte, sondern dass er diesen Diebstahl begangen hat.

2. Die Metapher: Der Regenschirm und der Einbruch

Stell dir vor, du suchst nach dem Täter eines Einbruchs in einem reichen Viertel am Tag.

Das Profil: Die Statistik sagt: „In der ganzen Stadt sind 90 % der Einbrecher Männer." Dein Verdächtiger ist ein Mann.
- Ist das ein Beweis? Nein. Es ist nur eine grobe Statistik. Es ist wie zu sagen: „Da es in Deutschland oft regnet, ist es wahrscheinlich, dass es gerade regnet." Aber wenn du aus dem Fenster schaust und die Sonne scheint, hilft dir die Statistik nicht weiter. Der Verdächtige könnte ein Mann sein, aber er war vielleicht gar nicht am Tatort.
Die Tat-Spuren: Du findest einen Regenschirm am Tatort, auf dem der Name des Verdächtigen steht.
- Ist das ein Beweis? Ja! Das verbindet ihn direkt mit dem Ort und dem Zeitpunkt.

Die Autoren sagen: Profil-Beweise sind wie der Wetterbericht. Sie sagen dir, dass es generell regnet (dass die Person generell kriminell ist). Aber sie sagen dir nicht, ob es gerade jetzt auf dich geregnet hat (ob sie dieses Verbrechen begangen hat).

3. Warum die Mathematik hier täuscht (Der „Zufall"-Fehler)

Viele Leute denken: „Wenn 80 % der Diebe Vorstrafen haben, und mein Verdächtiger eine hat, dann ist er zu 80 % schuldig!"

Die Autoren sagen: Falsch!
Das ist ein mathematischer Fehler. Die Mathematik funktioniert nur, wenn wir wissen, dass der Einbrecher genau aus der Gruppe der 80 % stammt. Aber wir wissen das nicht.

Stell dir vor, die Stadt hat vier verschiedene Viertel:

Viertel A (Reich, tagsüber): Hier stehlen nur 40 % der Täter eine Vorstrafe.
Viertel B (Arm, nachts): Hier stehlen 95 % der Täter eine Vorstrafe.

Wenn du nur die Gesamtzahl aller Diebe in der Stadt nimmst, hast du einen Durchschnitt von vielleicht 74 %.
Aber wenn der Einbruch in Viertel A stattfand (was durch Zeugen oder Kameras bewiesen wird), dann ist die Wahrscheinlichkeit, dass der Täter eine Vorstrafe hat, plötzlich nur noch 40 %.

Das Profil (Vorstrafe) verliert seine Kraft, sobald wir den konkreten Ort und Zeitpunkt kennen. Ohne diese Details ist das Profil wie eine Schusswaffe ohne Ziel: Sie trifft irgendwas, aber wir wissen nicht, ob sie den Täter getroffen hat.

4. Was bedeutet das für den Alltag? (Das „Streichholz"-Beispiel)

Die Autoren vergleichen das mit dem Streichholz.

Profil-Beweis: „Streichhölzer brennen oft." (Wahr, aber nicht hilfreich für einen spezifischen Brand).
Fall-spezifischer Beweis: „Hier ist ein angezündetes Streichholz in der Hand des Verdächtigen." (Das erklärt den Brand).

Wenn du jemanden verdächtigst, nur weil er zu einer Gruppe gehört, die statistisch häufiger straffällig wird, machst du einen logischen Sprung. Du verwechselst die Wahrscheinlichkeit, dass jemand einmal ein Dieb ist, mit der Wahrscheinlichkeit, dass er diesmal der Dieb ist.

5. Fazit: Warum wir vorsichtig sein müssen

Die Autoren wollen nicht sagen, dass Profile nutzlos sind. Sie sind nützlich für die Polizei, um zu wissen, wo sie suchen sollen, oder für Richter, um zu entscheiden, ob jemand vor der Verhandlung in Haft bleiben sollte (weil er generell gefährlich ist).

Aber vor Gericht, wo es darum geht, diese spezifische Person für dieses spezifische Verbrechen zu verurteilen, sind Profil-Beweise wertlos. Sie können die Wahrscheinlichkeit erhöhen, dass jemand irgendein Verbrechen begeht, aber sie erhöhen nicht die Wahrscheinlichkeit, dass er dieses Verbrechen begangen hat.

Die einfache Regel:
Ein Beweis ist nur dann stark, wenn er eine Brücke zwischen der Person und dem konkreten Tatort und Tatzeitpunkt schlägt. Ein Profil ist nur eine Landkarte, die zeigt, wo die Schätze liegen könnten – aber es zeigt nicht, wer den Schatz gerade jetzt gestohlen hat.

Wenn wir jemanden nur wegen seines Profils verurteilen, verwechseln wir den Wetterbericht mit dem Tatort. Und das ist ein gefährlicher Irrtum.

Each language version is independently generated for its own context, not a direct translation.

1. Problemstellung

Die Verwendung von Profilierungs-Evidenz (Profiling Evidence) in Strafverfahren ist in der Rechtsphilosophie und Beweisrechtstheorie seit langem umstritten. Profiling-Evidenz liegt vor, wenn ein Angeklagte Merkmale aufweist, die mit einer statistisch erhöhten Wahrscheinlichkeit für die Begehung einer bestimmten Straftatart korrelieren (z. B. Vorstrafen, ethnische Zugehörigkeit, demografische Merkmale).

Das zentrale Problem, das die Autoren adressieren, ist die weit verbreitete Annahme in der Literatur, dass Profiling-Evidenz zwar allein nicht für eine Verurteilung ausreicht, aber dennoch als beweiskräftig (probative) für die Schuld des Angeklagten fungieren und die Wahrscheinlichkeit der Schuld erhöhen kann. Viele Kritiker lehnen Profiling aus moralischen oder politischen Gründen ab (z. B. Verletzung der Autonomie, Diskriminierung), akzeptieren aber implizit dessen epistemischen Wert. Die Autoren stellen diese Annahme in Frage: Ist Profiling-Evidenz überhaupt in der Lage, die Wahrscheinlichkeit der spezifischen Schuld des Angeklagten für das konkrete Delikt zu erhöhen?

2. Methodik

Die Autoren verwenden einen formalen, probabilistischen Ansatz (Bayessche Statistik), um den epistemischen Wert von Beweismitteln zu analysieren. Im Gegensatz zu anderen Kritikern, die sich auf nicht-probabilistische epistemische Ideale (wie „Wahrheitstracking", „normische Unterstützung" oder das „Ausschließen relevanter Alternativen") stützen, bleiben sie innerhalb des Rahmens der Wahrscheinlichkeitstheorie.

Die Analyse basiert auf folgenden Schritten:

Formalisierung der Hypothesen: Unterscheidung zwischen einer generischen Schuldhypothese ( $G_g$ : Der Angeklagte hat eine Straftat dieses Typs irgendwann begangen) und einer spezifischen Schuldhypothese ( $G_s$ : Der Angeklagte hat diese spezifische Straftat zu einem bestimmten Zeitpunkt und Ort begangen).
Likelihood-Ratio-Analyse: Berechnung des Beweiskrafts (Likelihood Ratio) von Profiling-Evidenz ( $P$ $P$ ) für beide Hypothesen.
- Formel: $LR = \frac{P(E | H)}{P(E | \neg H)}$
Multi-Level-Nesting-Modell (MNM): Ein formales Modell im Anhang, das zeigt, wie sich die Verteilung von Profilen innerhalb verschiedener Subpopulationen (Kontexte) unterscheidet und warum eine Invarianzannahme (dass die Wahrscheinlichkeit im spezifischen Fall der generischen Wahrscheinlichkeit entspricht) epistemisch ungerechtfertigt ist.

3. Schlüsselbeiträge und Argumentation

A. Die Unterscheidung zwischen generischer und spezifischer Schuld

Der Kernbeitrag der Autoren ist die Behauptung, dass Profiling-Evidenz zwar die Wahrscheinlichkeit der generischen Schuld ( $G_g$ ) stark erhöhen kann, aber die Wahrscheinlichkeit der spezifischen Schuld ( $G_s$ ) nicht (oder nur minimal) erhöht.

Generisch: Wenn 80 % aller Einbrecher Vorstrafen haben, erhöht die Information „Angeklagter hat Vorstrafen" die Wahrscheinlichkeit, dass er irgendein Einbrechen begangen hat, drastisch.
Spezifisch: Für das konkrete Delikt (z. B. Einbruch in einem wohlhabenden Viertel tagsüber) ist die Verteilung der Vorstrafen unter den Tätern möglicherweise völlig anders (z. B. nur 40 %). Ohne kontextspezifische Daten ist der Zähler der Likelihood Ratio für die spezifische Hypothese ( $P(P | G_s)$ ) unbekannt.

B. Der Fehler der Invarianzannahme

Die Autoren widerlegen die Annahme, dass die bedingte Wahrscheinlichkeit eines Profils bei einem spezifischen Verbrechen gleich der generischen Wahrscheinlichkeit ist ( $P(P | G_s) \approx P(P | G_g)$ ).

Sie argumentieren, dass spezifische Verbrechen durch spezifische Umstände (Ort, Zeit, Modus Operandi) definiert sind, die die demografische Zusammensetzung der Täterpopulation verändern.
Da diese Kontextdaten oft fehlen, ist der Likelihood Ratio für die spezifische Hypothese undefiniert. Ein Beweis, dessen Wert nicht berechnet werden kann, ist nicht beweiskräftig.

C. Abgrenzung zu Fall-spezifischer Evidenz (Case-Specific Evidence)

Im Gegensatz zu Profiling-Evidenz ist fall-spezifische Evidenz (z. B. Fingerabdrücke am Tatort, Zeugen, die den Angeklagten am Tatort sehen) direkt mit den räumlich-zeitlichen Fakten des konkreten Delikts verknüpft.

Fall-spezifische Evidenz stützt eine kausale Erzählung, die den Angeklagten mit dem spezifischen Ereignis verbindet.
Profiling-Evidenz fehlt diese kausale Verknüpfung zum spezifischen Zeitpunkt und Ort; sie verweist nur auf eine statistische Tendenz der Gruppe.

D. Lösung des „Wahrheitstracking"-Paradoxons

Die Autoren adressieren das Paradoxon, dass Profiling-Evidenz einerseits als wahrheitstrackend (da $LR > 1$ für generische Hypothesen) und andererseits als epistemisch mangelhaft gilt.

Lösung: Profiling-Evidenz trackt die Wahrheit für generische Hypothesen, aber nicht für spezifische Hypothesen. Da Strafverfahren spezifische Schuld feststellen müssen, ist die Evidenz für den Prozesszweck wertlos, auch wenn sie statistisch signifikant ist.

4. Ergebnisse

Profiling-Evidenz ist nicht beweiskräftig für spezifische Schuld: Die Autoren zeigen mathematisch auf, dass das Vorliegen eines Profils die Wahrscheinlichkeit der spezifischen Schuld ( $G_s$ ) nicht zwingend erhöht, da der Likelihood Ratio für $G_s$ aufgrund fehlender Kontextinformationen nicht bestimmt werden kann.
Die Invarianzannahme ist epistemisch unhaltbar: Es gibt keine Grundlage anzunehmen, dass die Verteilung von Profilen in einer spezifischen Untergruppe von Tätern der Verteilung in der gesamten Täterpopulation entspricht.
Unterscheidung nach Kontext: Profiling-Evidenz ist in Kontexten, in denen es nur um generische Risikobewertung geht (z. B. Haftentscheidungen, Rückfallrisiko), akzeptabler, da dort die spezifische Schuld nicht im Vordergrund steht. In Strafverfahren, die spezifische Schuld feststellen, ist sie jedoch unzulässig.
Erklärung der intuitiven Ablehnung: Das intuitive Unbehagen gegenüber Profiling-Evidenz ist nicht auf kognitive Verzerrungen zurückzuführen, sondern auf eine korrekte (wenn auch oft unbewusste) erkenntnistheoretische Intuition, dass statistische Gruppenmerkmale keine spezifische Schuld begründen können.

5. Signifikanz und Implikationen

Rechtstheoretische Implikation: Die Arbeit bietet eine neue, rein epistemische Begründung für den Ausschluss von Profiling-Evidenz in Strafverfahren, die unabhängig von moralischen oder politischen Argumenten (wie Diskriminierung) ist. Sie zeigt, dass Profiling-Evidenz einfach falsch ist, um die spezifische Schuld zu beweisen, nicht nur, weil sie unfair ist.
Einfluss auf die Beweisrechtstheorie: Die Autoren widerlegen die Idee, dass alle Beweise, die die Wahrscheinlichkeit einer Hypothese erhöhen, zulässig sein müssen. Sie etablieren die Spezifität der Hypothese als notwendige Bedingung für Beweiskraft.
Anwendung auf Stereotypisierung: Die Argumentation wird auf den Bereich der Stereotypisierung übertragen. Das Paper zeigt, dass der Übergang von statistischen Gruppenmustern zu Urteilen über spezifische Individuen (z. B. „Remus ist verdächtig, weil er zur Gruppe X gehört") epistemisch ungerechtfertigt ist, solange keine fall-spezifische Evidenz vorliegt. Dies erklärt das Phänomen des „statistischen Ressentiments".
Formale Strenge: Durch die Einführung des Multi-Level-Nesting-Modells (MNM) liefern die Autoren ein mathematisches Werkzeug, um zu zeigen, wie Aggregate (generische Daten) die spezifischen Wahrscheinlichkeiten verzerren können, was für die forensische Statistik und die Bewertung von Beweismitteln von großer Bedeutung ist.

Zusammenfassend argumentieren die Autoren, dass Profiling-Evidenz zwar generische Risiken aufzeigen kann, aber aufgrund des Fehlens einer kausalen und räumlich-zeitlichen Verknüpfung zum konkreten Delikt epistemisch wertlos für die Feststellung der spezifischen Schuld in einem Strafverfahren ist.