Profiling vs. Case-specific Evidence: A Probabilistic Analysis

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

이 논문은 **"범죄 수사나 재판에서 '프로파일링(범죄자 유형 분석)' 증거가 정말 유죄를 증명하는가?"**라는 질문에 대해, 확률론적인 관점에서 **"아니오"**라고 명확하게 답합니다.

저자 세 명 (마르첼로 디 벨로, 니콜로 칸지오티, 미켈레 로이) 은 법학자들이 흔히 착각하는 한 가지를 지적합니다. "전과가 있거나 특정 인종/연령대라면 범죄를 저지를 확률이 높으니, 그 사람이 이번 사건을 저질렀을 확률도 높을 것이다"라고 생각하는 것이지요.

이 복잡한 주제를 일상적인 언어와 비유로 쉽게 풀어보겠습니다.

🍕 핵심 비유: "피자 배달원"과 "도둑"

이 논리의 핵심을 이해하기 위해 피자 배달 상황을 상상해 보세요.

1. 상황 설정 (프로파일링의 오류)

어떤 동네에서 피자 도둑이 자주 나옵니다. 경찰 통계에 따르면, **"20 대 남성 배달원"**이 도둑질할 확률이 일반인보다 훨씬 높습니다.
어느 날, 한 20 대 남성 배달원이 도둑이 난 집 근처에서 발견됩니다.

일반적인 생각 (오류): "아, 이 사람은 20 대 남성 배달원이니까, 도둑일 확률이 매우 높겠구나! 유죄가 확실해!"
이 논문의 주장: "잠깐! 그 사람은 도둑질할 '가능성'이 높은 사람일 뿐이지, 바로 지금 이 사건을 저질렀다는 증거는 아닙니다."

2. 두 가지 다른 질문

이 논문은 우리가 두 가지 완전히 다른 질문을 혼동하고 있다고 말합니다.

질문 A (일반적 가설): "이 사람은 언젠가 도둑질을 했을까?"
- → 20 대 남성 배달원이라는 프로필을 보면, 통계적으로 "언젠가" 도둑질할 확률은 높습니다. (프로파일링은 이 질문에 답할 수는 있습니다.)
질문 B (구체적 가설): "이 사람은 바로 오늘 밤, 이 집에서 도둑질을 했을까?"
- → 이 질문에 대해서는 20 대 남성이라는 정보만으로는 답을 알 수 없습니다.

핵심 비유:

"비행기 사고가 날 때, '운전자가 20 대 남성'이라는 통계만으로는 '오늘 이 비행기가 추락했다'는 사실을 증명할 수 없습니다. 20 대 남성 운전자들은 많지만, 오늘 이 사고를 낸 사람은 특정 조건 (날씨, 기계 고장 등) 을 가진 특정 운전자일 뿐입니다."

🔍 구체적 증거 vs. 프로필 증거

이 논문은 증거를 두 가지로 나눕니다.

1. 프로필 증거 (Profile Evidence) = "통계적 확률"

예시: "피의자는 전과가 있다", "피의자는 특정 인종이다", "피의자는 젊은 남성이다."
비유: "우산 소지자"
- 비가 오면 우산을 가진 사람이 많습니다. 만약 누군가 우산을 들고 있다면, "비가 오는 날"일 확률은 높습니다.
- 하지만 우산만 가지고 있다고 해서 "그 사람이 지금 비를 맞고 있는 건가?"를 증명할 수는 없습니다. (우산은 비가 오지 않아도 들고 다닐 수 있으니까요.)
- 프로파일링 증거는 통계적 경향성만 보여줄 뿐, 구체적인 사건과 연결되지 않습니다.

2. 구체적 증거 (Case-Specific Evidence) = "사건 현장의 단서"

예시: "피의자의 지문이 도난당한 물건에서 나왔다", "목격자가 피의자가 도망가는 모습을 봤다", "피의자의 신발 자국이 현장에 남았다."
비유: "현장에 떨어진 지문"
- 우산 소지자 (통계) 와 달리, 현장에 피의자의 지문이 있다면 그 사람은 그 사건과 직접적인 연결고리가 있습니다.
- 이는 "그 사람이 이 특정 사건을 저질렀을 가능성"을 직접적으로 높여줍니다.

🧩 왜 프로파일링 증거는 재판에서 쓸모가 없는가? (확률의 함정)

저자들은 수학 (베이즈 정리) 을 이용해 이렇게 설명합니다.

일반적인 확률은 높을 수 있습니다: "전과자가 도둑질할 확률"은 일반인보다 100 배 높을 수 있습니다.
하지만 구체적인 확률은 모릅니다: "전과자 A 가 오늘 밤 B 씨네 집에서 도둑질할 확률"은 어떨까요?
- 만약 오늘 밤의 도둑질이 '고급 주택가'에서 일어난 것이라면, 전과자 중에서도 '고급 주택가'를 노리는 특정 유형만 해당될 수 있습니다.
- 반면, 전체 전과자 통계에는 '빈민가'나 '상가'를 노리는 사람들도 섞여 있습니다.
- 결론: 전체 통계 (평균) 를 가지고 특정 사건 (특이점) 을 추론하는 것은 데이터가 불완전하기 때문에, 유죄 확률을 높이는 데 도움이 되지 않습니다.

창의적 비유:

주사위 게임

프로파일링: "이 사람은 6 이 나올 확률이 높은 주사위를 가지고 있어 (통계적 우위)."

구체적 사건: "지금 이 게임에서 정말 6이 나왔는가?"

만약 그 사람이 6 이 나올 확률이 높은 주사위를 들고 있다고 해서, 지금 던진 주사위가 6일 것이라고 단정할 수 없습니다. 아마도 그 주사위는 1~5 중 하나일 수도 있고, 다른 사람이 던진 주사위일 수도 있습니다.

재판은 **"지금 던진 주사위가 6 이었는가?"**를 증명해야 하는데, 프로파일링은 **"그 사람이 6 을 잘 던지는 사람인가?"**만 증명할 뿐입니다.

🎯 결론: 왜 이 논리가 중요한가?

이 논문은 다음과 같은 결론을 내립니다.

유죄 입증의 기준: 형사 재판은 "그 사람이 범죄를 저질렀을 일반적인 가능성"을 묻는 곳이 아니라, "그 사람이 이 특정 사건을 저질렀는가"를 묻는 곳입니다.
프로파일링의 한계: 프로파일링 증거는 "그 사람이 범죄자일 가능성"을 높여줄 수는 있지만, "그 사람이 이 사건의 범인이다"라는 구체적 사실을 증명하지는 못합니다.
편견의 위험: 만약 프로파일링 증거만으로 유죄를 인정한다면, 우리는 특정 인종이나 전과가 있는 사람들에게 불합리하게 유죄를 선고하게 됩니다. 이는 "통계적 편견"을 "사실"로 착각하는 오류입니다.

한 줄 요약:

"누군가가 범죄를 저지를 '유형'에 맞다고 해서, 그 사람이 바로 '이 범죄'를 저질렀다고 단정할 수는 없습니다. 재판은 '통계'가 아니라 '구체적인 사실'을 찾아야 하는 곳입니다."

이 논리는 우리가 무의식적으로 하는 "저 사람은 저런 스타일이니까 범인일 거야"라는 편견을 경계하고, 과학적이고 구체적인 증거 (지문, CCTV, 목격자 등) 에만 집중해야 함을 강력하게 주장합니다.

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

논문 요약: 프로파일링 증거와 사건 구체적 증거의 확률론적 분석

1. 문제 제기 (Problem)

형사 재판에서 프로파일링 증거 (범죄자의 인구통계학적 특성, 전과 기록, 행동 패턴 등 일반적 특성에 기반한 증거) 의 사용은 오랫동안 논쟁의 대상이었습니다.

기존의 통설: 많은 학자와 법원은 프로파일링 증거가 유죄를 입증하는 데는 부족하지만 (유죄의 확신을 주지는 못함), 유죄의 가능성을 높이는 **증거적 가치 (probative value)**를 가진다고 가정합니다. 즉, 피의자가 특정 범죄 유형을 저지를 확률이 높은 프로필에 부합한다면, 그가 특정 사건을 저질렀을 확률도 높아진다고 봅니다.
저자의 문제의식: 저자들은 이 핵심 가정을 거부합니다. 프로파일링 증거가 유죄 (특정 범죄) 를 입증하는 데 증거적 가치가 전혀 없다는 것이 논지의 핵심입니다.

2. 방법론 (Methodology)

저자들은 도덕적, 정책적 논쟁을 배제하고 순수하게 확률론적 (Bayesian) 분석을 통해 이 문제를 접근합니다.

베이지안 정리 (Bayes' Theorem) 적용: 증거 $E$ 가 유죄 가설 $G$ 에 대해 가지는 증거적 가치는 우도비 (Likelihood Ratio, $LR = \frac{P(E|G)}{P(E|\neg G)}$ ) 로 측정됩니다. $LR > 1$이면 증거는 유죄 가설의 확률을 높이는 것으로 간주됩니다.
가설의 세분화: 저자들은 '유죄'를 두 가지로 구분합니다.
1. 일반적 유죄 가설 ( $G_g$ ): 피의자가 특정 유형의 범죄를 (언제, 어디서든) 저질렀다는 가설.
2. 구체적 유죄 가설 ( $G_s$ ): 피의자가 현재 기소된 특정 시간과 장소에서 발생한 특정 범죄를 저질렀다는 가설.
수학적 모델링: '다중 레벨 중첩 모델 (Multi-level Nesting Model, MNM)'을 도입하여, 범죄 유형 내에서도 상황 (지역, 시간, 수법 등) 에 따라 범죄자 프로필의 분포가 어떻게 달라지는지 분석합니다.

3. 주요 기여 및 핵심 논지 (Key Contributions & Arguments)

가. 일반적 가설 vs. 구체적 가설의 구분

프로파일링 증거는 **일반적 유죄 가설 ( $G_g$ )**에 대해서는 강력한 증거적 가치를 가질 수 있습니다. (예: 전과자가 재범할 확률이 높으므로, 전과자가 '어떤' 절도를 저질렀을 확률은 높음).
그러나 형사 재판의 목적은 **구체적 유죄 가설 ( $G_s$ )**을 입증하는 것입니다. 저자는 프로파일링 증거가 $G_s$ 의 확률을 높이지 않는다고 주장합니다.

나. 우도비 (Likelihood Ratio) 의 붕괴

분모 (무죄일 때): 피의자가 특정 사건을 저지르지 않았을 때, 그가 프로필에 부합할 확률은 일반 인구에서의 프로필 비율 ( $P(P)$ ) 과 거의 동일합니다.
분자 (유죄일 때): 피의자가 특정 사건을 저질렀을 때 그가 프로필에 부합할 확률 ( $P(P|G_s)$ $P (P ∣ G_{s})$ ) 은 알 수 없습니다.
- 일반적인 범죄 통계 ( $P(P|G_g)$ ) 는 다양한 상황 (부유한 지역/낮, 빈곤한 지역/밤 등) 의 평균값입니다.
- 하지만 특정 사건은 구체적인 상황 ( $S_k$ ) 에서 발생하므로, 해당 상황 내에서의 프로필 분포 ( $P(P|G_g, S_k)$ ) 는 전체 평균과 완전히 다를 수 있습니다.
- 결론: 구체적인 사건의 맥락 정보가 없으면 분자를 추정할 수 없으므로, 구체적 유죄 가설에 대한 우도비는 정의할 수 없거나 1 에 수렴합니다. 즉, 증거적 가치가 없습니다.

다. 사건 구체적 증거 (Case-specific Evidence) 와의 대조

사건 구체적 증거: 범행 시간, 장소, 지문, 목격자 진술 등 시공간적으로 구체적이고 범행과 인과적 연결이 있는 증거입니다. 이는 $G_s$ 의 확률을 직접적으로 높입니다.
프로파일링 증거: 시공간적 구체성이 결여되어 있으며, 범행과의 인과적 연결이 단절되어 있습니다. 이는 단순히 "유형"을 지지할 뿐 "특정 사건"을 지지하지 않습니다.

라. 인식론적 비판에 대한 재해석

기존 연구들은 프로파일링 증거가 '진실 추적 (truth tracking)', '규범적 지지 (normic support)', '관련 대안 배제'에 실패한다고 비판했습니다.
저자는 이러한 모든 비판이 암묵적으로 **'구체성 (specificity)'**을 요구한다는 점을 지적하며, 이를 확률론적으로 통합 설명합니다. 프로파일링 증거는 일반적 가설에는 진실 추적이 가능하지만, 구체적 가설에는 진실 추적이 불가능합니다.

4. 결과 및 발견 (Results)

수치적 예시 (부록): 절도 사건을 4 가지 하위 집단 (부유/낮, 부유/밤, 빈곤/낮, 빈곤/밤) 으로 나누어 분석했습니다.
- 전체 절도범 중 전과자 비율 (일반적 확률) 이 74% 라 하더라도, 특정 사건이 '부유한 지역의 낮' (전과자 비율 40%) 에서 발생했다면, 해당 사건 범인의 전과자 확률은 40% 로 급감합니다.
- 만약 사건 발생 맥락 (하위 집단) 을 모른다면, 전과자 확률은 40% 에서 95% 사이 어디든 될 수 있어 불확실성이 발생합니다.
- 따라서 프로파일링 증거만으로는 특정 사건의 범인을 특정하는 데 통계적으로 유의미한 확률 상승을 기대할 수 없습니다.

5. 의의 및 시사점 (Significance)

법적 증거론의 재정립: 프로파일링 증거가 유죄 입증에 기여할 수 있다는 기존의 확률론적 견해 (Redmayne, Koehler 등) 를 반박합니다. 형사 재판에서 '유죄'는 특정 사건에 대한 책임이므로, 프로파일링 증거는 증거로 채택될 가치가 없다고 주장합니다.
입증 책임의 명확화: 연방 증거법상 증거는 '사건의 결과에 영향을 미치는' 가설의 확률을 높여야 합니다. 프로파일링 증거는 일반적 가설 ( $G_g$ ) 의 확률은 높일 수 있으나, 재판의 핵심인 구체적 가설 ( $G_s$ ) 의 확률은 높이지 못하므로 증거 요건을 충족하지 못합니다.
편견과 고정관념 (Stereotyping) 에 대한 인식론적 접근: 편견의 문제를 도덕적 차원을 넘어 인식론적 차원에서 분석합니다. 통계적 일반화 (Group level) 에서 특정 개인에 대한 유죄 판단 (Specific hypothesis) 으로 넘어가는 것은 증거적 근거가 결여된 '비약'임을 보여줍니다. 이는 재판뿐만 아니라 일상적인 편견 (예: 특정 인종에 대한 범죄 의심) 에 대한 비판적 시각을 제공합니다.
예측 vs. 진단: 프로파일링이 '예측적'이라서 문제가 된다는 기존 주장을 넘어, '구체성'의 부재가 핵심 문제임을 지적합니다. (동기 증거는 예측적이지만 사건 구체적이므로 허용됨).

결론적으로, 이 논문은 프로파일링 증거가 통계적으로 유의미해 보일지라도, 특정 범죄 사건에 대한 구체적 유죄 가설을 지지하지 못하므로 형사 재판에서 유죄를 입증하는 증거로서는 무효임을 확률론적으로 증명했습니다.