National and state-level datasets of United States forensic DNA databases 2001-2025

이 논문은 2001 년부터 2025 년까지 미국의 국가 및 주 차원 형사 DNA 데이터베이스의 구조, 구성, 정책 및 인구통계학적 데이터를 체계적으로 기록하고 조화시킨 일련의 데이터셋을 제시하여, 데이터베이스의 역사적 발전과 정책 변이를 분석할 수 있는 기반을 마련합니다.

핵심

🕵️‍♂️ 핵심 비유: 거대한 '디지털 도서관'과 '낡은 기록장'

미국에는 CODIS라는 거대한 '디지털 도서관'이 있습니다. 여기에는 범인의 DNA 정보 (범인 책), 사건 현장에서 발견된 미확인 범인의 DNA 정보 (미해결 사건 책), 그리고 체포된 사람의 DNA 정보 (체포 기록 책) 가 쌓여 있습니다.

하지만 문제는 이 도서관의 기록이 너무 산발적이라는 거예요.

• FBI 는 매달 숫자를 발표하지만, 그건 마치 "오늘 도서관에 책이 100 권 더 생겼어요"라고 말하고 끝내는 단순한 뉴스일 뿐입니다.
• 시간이 지나면 그 뉴스는 사라지고, 나중에 "과거에 책이 얼마나 있었지?"라고 찾아보면 자료가 없거나 조각조각 나 있습니다.
• 각 주 (State) 마다 기록하는 방식도 다르고, 어떤 주는 인구 구성 (인종, 성별) 같은 중요한 정보도 공개하지 않습니다.

이 논문 연구진들은 **"이 조각난 퍼즐 조각들을 모두 모아, 2001 년부터 2025 년까지의 완벽한 역사책으로 만들자!"**라고 결심했습니다.

---

🛠️ 연구진이 한 일: 세 가지 주요 작업

연구진은 이 거대한 작업을 세 가지 단계로 나누어 수행했습니다.

1. 시간 여행을 통한 데이터 복원 (NDIS 시간 시리즈)

• 비유: 인터넷의 '시간 캡슐'인 Wayback Machine을 이용해 과거의 FBI 웹사이트를 모두 다시 방문한 셈입니다.
• 작업: 2001 년부터 2025 년까지 매달 업데이트된 FBI 웹사이트를 캡처했습니다. 웹사이트 디자인이 2007 년, 2012 년, 2017 년마다 바뀐 것을 고려해, 각 시대에 맞는 **자동 번역기 (파서)**를 만들어 데이터를 뽑아냈습니다.
• 결과: "2005 년 3 월, 텍사스주에서는 범인 DNA 가 1,000 개 늘었다"처럼 매달의 정확한 숫자를 담은 시계열 데이터를 완성했습니다.

2. 각 주의 정책 지도 그리기 (SDIS 및 정책 데이터)

• 비유: 미국 50 개 주의 '법률 책'을 모두 펼쳐서 비교한 것입니다.
• 작업: 각 주가 DNA 를 언제, 누구에게서 수집하는지 (예: 체포된 사람도 포함하는지?), 가족 간의 DNA 를 대조하는 '가족 검색'을 허용하는지 등을 조사했습니다.
• 결과: "A 주는 체포된 사람의 DNA 도 모으지만, B 주는 모으지 않는다"처럼 주별 정책 차이를 한눈에 볼 수 있는 지도를 만들었습니다.

3. 숨겨진 인구 통계 찾기 (FOIA 데이터)

• 비유: 공개되지 않았던 비밀 문서를 찾아내어 정리한 것입니다.
• 작업: 과거 연구진이 정보공개청구 (FOIA) 를 통해 7 개 주로부터 받은 DNA 데이터의 인종과 성별 비율 자료를 디지털화했습니다.
• 결과: "이 데이터베이스에 흑인, 백인, 아시아인이 각각 얼마나 있는가?"라는 중요한 질문을 답할 수 있는 기초 자료를 확보했습니다. (다만, 이 데이터는 2018 년 당시 7 개 주의 자료라 전국 대표성은 제한적입니다.)

---

🧹 데이터 청소: '오류'를 잡아내는 과정

수집한 데이터에는 오류도 있었습니다. 예를 들어, "100 개"여야 할 데이터가 실수로 "1,000 개"로 입력되거나, 웹사이트가 다시 로드되면서 예전 숫자가 다시 나타나는 경우 등입니다.

• 비유: 마치 수영장에 떨어진 나뭇잎과 돌멩이를 걸러내는 필터를 만든 것과 같습니다.
• 작업: 연구진은 "갑자기 숫자가 2 배로 뛰었다가 다시 돌아오면 오류일 가능성이 높다"는 규칙을 세우고, 의심스러운 데이터에 **빨간색 경고 표시 (Flag)**를 다는 시스템을 만들었습니다.
• 중요한 점: 데이터를 삭제하지 않고, "이건 의심스러운 데이터입니다"라고 표시해 두어, 연구자들이 필요에 따라 직접 필터링할 수 있게 했습니다.

---

📊 이 데이터가 왜 중요한가요?

이 논문이 만든 데이터 세트는 다음과 같은 질문에 답할 수 있는 토대가 됩니다.

1. 역사적 추적: "2017 년에 DNA 검사 기술이 바뀌었을 때, 데이터베이스 크기가 어떻게 변했을까?"
2. 정책 비교: "어떤 주의 DNA 수집 정책이 더 엄격한가? 그 결과 범죄 해결률은 어떻게 달라지는가?"
3. 사회적 논의: "데이터베이스에 특정 인종이나 성별의 비율이 불균형하게 높은 이유는 무엇인가?"

💡 결론

이 논문은 단순히 숫자를 모은 것이 아니라, 미국의 범죄 수사 시스템이 어떻게 작동해 왔는지, 그리고 그 시스템이 우리 사회에 어떤 영향을 미쳤는지를 투명하게 들여다볼 수 있는 거대한 거울을 제공한 것입니다.

이 모든 데이터와 코드는 누구나 무료로 다운로드하여 연구나 분석에 사용할 수 있도록 공개되었습니다. 마치 공공 도서관의 책처럼 말이죠.

기술 요약

논문 요약: 미국 국가 및 주 수준의 법의학적 DNA 데이터베이스 (2001–2025)

1. 문제 제기 (Problem)

미국 내 법의학적 DNA 데이터베이스는 지난 20 년간 급격히 확장되었으나, 데이터베이스의 구조와 구성을 설명하는 포괄적이고 통합된 데이터는 여전히 부족합니다.

• 연속성 부재: FBI 는 2000 년대 초부터 매달 국가 DNA 색인 시스템 (NDIS) 통계를 발표해 왔으나, 이러한 데이터는 특정 시점의 스냅샷 (snapshot) 으로만 공개되어 시간의 흐름에 따른 변화를 추적할 수 있는 장기적 (longitudinal) 이고 기계 판독 가능한 (machine-readable) 형태로 보존되지 않았습니다.
• 주 단위 데이터 불일치: 주 단위 (State-level) 데이터는 공개 여부와 형식이 불일치합니다. 일부 주는 상세 통계를 발표하지만, 많은 주는 공개하지 않거나 통계가 모호합니다.
• 인구통계학적 데이터 부재: 성별 및 인종별 구성 데이터는 극히 드물게 문서화되어 있으며, 기존 연구 (Murphy & Tong, 2020) 는 50 개 주 중 7 개 주의 응답만을 기반으로 하고 있어 전국적 대표성이 부족했습니다.

2. 방법론 (Methodology)

연구팀은 미국 법의학적 DNA 데이터베이스의 규모, 구조, 구성을 다각도로 파악하기 위해 3 가지 접근 방식을 취했습니다.

• 연방 통계 재구성 (Federal Statistics Extraction):

  • 인터넷 아카이브 (Wayback Machine) API 를 활용하여 2001 년 7 월부터 2025 년 8 월까지 FBI NDIS 통계 페이지의 모든 아카이브된 스냅샷 (총 11,359 개) 을 수집했습니다.
  • FBI 웹 아키텍처의 변화 (2007 년 이전의 주별 HTML, 2008 년 이후의 통합 페이지 등) 에 맞춰 4 가지 시대별 (pre-2007, 2008-2011, 2012-2016, post-2017) 파서 (parser) 를 개발하여 데이터를 추출했습니다.
  • 주 이름의 불일치 (예: "Alabama", "Alabama Stats Alabama" 등) 를 표준화하기 위해 매핑 테이블을 구축했습니다.

• 주 단위 데이터 및 정책 수집 (State DNA Database Counts and Policy Compilation):

  • 각 주의 공식 웹사이트와 연례 보고서를 대상으로 "SDIS", "CODIS", "DNA" 등의 키워드로 타겟 웹 검색을 수행했습니다.
  • 50 개 주의 체포자 (arrestee) 수집 법률, 가족 검색 (familial search) 허용 여부, 관련 법규 등을 이진 변수 (Yes/No) 또는 범주형 변수로 코딩하여 메타데이터를 생성했습니다.

• 인구통계학적 FOIA 데이터 표준화 (Demographic FOIA Data Extraction):

  • Murphy & Tong (2020) 의 연구에서 사용되었으나 공개되지 않았던 7 개 주의 FOIA (정보공개청구) 응답 문서와 계산 데이터를 제공받아 CSV 형식으로 디지털화 및 표준화했습니다.
  • '성 (sex)'과 '젠더 (gender)' 용어를 DNA 프로파일링의 생물학적 기준에 맞춰 '성 (sex)'으로 통일했습니다.

• 기술적 검증 (Technical Validation):

  • 이상치 탐지 (Anomaly Detection): 누적 데이터의 특성상 단조 증가해야 하는 값을 기준으로, 6 개월 이상의 회복 기간을 두고 '소수점 오류', '급격한 증감 (Spike/Dip)', '실험실 수 급증', '캐시된 구값 재등장' 등의 4 가지 규칙을 적용하여 이상치를 플래그 (flag) 했습니다.
  • 외부 보정 (External Calibration): 재구성된 NDIS 시계열 데이터를 FBI 공식 브로슈어 및 기존 학술 문헌의 추정치와 비교하여 정확성을 검증했습니다.

3. 주요 기여 (Key Contributions)

이 연구는 미국 법의학적 DNA 인프라의 역사적 발전을 연구할 수 있는 기반을 제공하는 3 가지 주요 데이터셋을 공개했습니다.

1. NDIS 시계열 데이터셋 (2001–2025):
   • FBI 아카이브에서 재구성된 월별 데이터로, 범주별 (범인, 체포자, 법의학적) 프로파일 수, 참여 실험실 수, 지원된 수사 건수 등을 포함합니다.
   • 2017 년 CODIS 핵심 STR 로커스 (loci) 가 20 개로 확장된 것과 같은 정책 변화가 데이터 축적에 미친 영향을 분석할 수 있게 합니다.
2. 주 단위 횡단면 데이터셋 (SDIS Cross-section):
   • 50 개 주의 최신 공개 통계를 바탕으로 한 데이터로, 체포자 DNA 수집 정책, 가족 검색 정책, 관련 법규 등의 메타데이터를 포함합니다.
3. 인구통계학적 및 연간 수집 데이터셋:
   • Murphy & Tong (2020) 의 자료를 표준화한 것으로, 7 개 주의 성별/인종별 구성 데이터와 50 개 주의 연간 DNA 프로파일 수집 추정치를 제공합니다.

이 모든 데이터셋은 GitHub 와 Zenodo 에 버전 관리된 코드와 함께 공개되어 투명하고 재현 가능한 재사용을 지원합니다.

4. 결과 (Results)

• 데이터 규모: 255 개의 고유 URL 패턴을 통해 11,359 개의 아카이브 스냅샷을 성공적으로 파싱하여 2001 년부터 2025 년까지의 연속적인 시계열 데이터를 구축했습니다.
• 데이터 품질: 총 898 개의 이상치 플래그가 발견되었으며, 대부분이 '캐시된 구값 재등장 (stale exact reappearance, 743 개)'이었습니다. 이를 통해 데이터의 신뢰성을 높이고 사용자가 분석 시 필터링 기준을 설정할 수 있도록 했습니다.
• 검증 결과: 재구성된 NDIS 데이터는 2000 년부터 2024 년까지의 FBI 공식 보고서 및 학계 추정치 (Ge et al., Wickenheiser 등) 와 높은 일치도를 보였습니다 (그림 7, 표 1 참조). 이는 재구성된 데이터의 정확성을 입증합니다.
• 정책 현황: 50 개 주 중 29 개 주만이 최근 원시 체포자 DNA 총계를 보고했으며, 가족 검색 정책은 주마다 '허용', '금지', '미정'으로 상이하게 적용되고 있음을 확인했습니다.

5. 의의 (Significance)

• 학술적 기여: 미국 내 법의학적 DNA 시스템의 역사적 발전, 데이터베이스 성장, 정책 변동, 보고 관행의 차이를 종단적 (longitudinal) 및 횡단적 (cross-sectional) 으로 분석할 수 있는 최초의 포괄적인 인프라를 제공합니다.
• 정책 및 거버넌스 평가: CODIS 핵심 STR 확장 (2017 년) 과 같은 운영적/정책적 변화가 데이터 축적에 미친 영향을 정량적으로 평가할 수 있게 합니다.
• 사회적 형평성 연구: 성별 및 인종별 데이터의 표준화를 통해 DNA 데이터베이스 내 인종적 편향 (racial bias) 과 형사 사법 시스템 내 불평등에 대한 연구를 촉진합니다.
• 투명성 증대: 비정형적인 웹 아카이브와 FOIA 문서를 기계 판독 가능한 형식으로 변환하여 공공 데이터의 접근성과 재사용성을 획기적으로 높였습니다.

이 연구는 법의학적 DNA 데이터베이스의 규모와 거버넌스를 연구하는 데 필수적인 표준 참조 자료로 자리 잡을 것으로 기대됩니다.