Una de las voces más influyentes de este debate fue la de Cesare Lombroso, un criminólogo italiano que creía que los criminales representaban "una involución" hacia los monos frente a los ciudadanos que respetan las leyes. Estaba convencido de que podía identificarlos mediante rasgos simiescos como una frente prominente, orejas de tamaño anormal, varias asimetrías de la cara y los brazos largos. De hecho, midió a muchos sujetos en un intento de demostrar su hipótesis, aunque no analizó sus datos estadísticamente.
Esa falta de pruebas le llevó a la ruina. Las opiniones de Lombroso fueron desacreditadas por el criminólogo inglés Charles Goring, que analizó estadísticamente los datos relacionados con las anormalidades de los criminales frente a los no criminales. Concluyó que no existía ninguna diferencia estadística.
Y allí acabó el debate hasta 2011, cuando un grupo de psicólogos de la Universidad de Co ell (EEUU) demostró que de hecho a la gente se le da bastante bien distinguir entre criminales y no criminales con solo observar sus fotos. ¿Cómo podría suceder eso si no existen rasgos estadísticamente distintos?
Hoy, recibimos una especie de respuesta gracias al trabajo de los investigadores de la Universidad Jiao Tong de Shanghái (China) Xiaolin Wu y Xi Zhang. Han empleado una variedad de algoritmos de visión de máquinas para estudiar las caras de criminales y no criminales y después los probaron para averiguar si eran capaces de distinguir las diferencias.
Su método es sencillo. Sacaron fotos de ca
é de 1.856 hombres chinos de entre 18 y 55 años sin vello facial. La mitad de estos hombres eran criminales.
Entonces emplearon el 90% de estas imágenes para entrenar una red neuronal convolucional para reconocer las diferencias, y la probaron la red neuronal con el 10% restante.
Los resultados son desconcertantes. Xiaolin y Xi encontraron que la red neuronal podía identificar correctamente a criminales y no criminales con una precisión del 89,5%. "Estos resultados altamente uniformes demuestran la validez de la de la criminalidad a partir de los rasgos faciales, a pesar de la controversia histórica que envuelve al tema", afirman.
Los investigadores explican que existen tres rasgos faciales que la red neuronal emplea para realizar sus clasificaciones: la curvatura del labio superior, que de media es un 23% más grande en criminales que en no criminales; la distancia entre las dos esquinas interiores de los ojos, que es un 6% más pequeña; y el ángulo entre dos líneas trazadas desde la punta de la nariz hasta las esquinas de la boca, que es un 20% inferior.
Después, trazaron la variación de los datos de caras criminales y no criminales en un sencillo espacio de parámetros llamado variedad. Este proceso revela por qué la diferencia ha resultado difícil de identificar.
Xiaolin y Xi demuestran que estos conjuntos de datos son concéntricos pero que los datos de caras criminales tiene una variación mayor. "En otras palabras, las caras del público respetuoso con la ley tienen un mayor grado de similitud frente a las de los criminales, o los criminales tienen un grado más alto de disimilitud en la apariencia facial que la gente normal", escriben.
Esto también podría explicar por qué determinados tipos de pruebas estadísticas no pueden distinguir entre estos conjuntos de datos. De hecho, Xiaolin y Xi demuestran que cuando se combinan caras criminales y no criminales para generar caras "normales", parecen casi idénticas.
Aunque resulta controvertido, ese resultado no es del todo inesperado. Si los humanos pueden identificar criminales al observar sus caras, como encontraron los psicólogos en 2011, no debería sorprender el hecho de que las máquinas puedan hacerlo también.
La preocupación, por supuesto, es cómo usaremos estas máquinas. No resulta difícil de imaginar que quisiera usarse este método para analizar las fotos de pasaporte de los ciudadanos de todo un país. Entonces sería posible identificar personas identificadas como criminales, tanto si habían cometido un crimen como si no.
Es una especie de escenario de Minority Report en el que los criminales podrían ser identificados antes de cometer un crimen.
Por supuesto, este trabajo necesita una base mucho más sólida. Ha de ser reproducido con diferentes edades, sexos y razas, entre otras variables. Y con conjuntos de datos mucho más grandes. Eso debería ayudar a desentrañar las complejidades de los hallazgos. Por ejemplo, Xiaolin y Xi encontraron que las caras criminales pueden ser divididas en cuatro subconjuntos, mientras que las caras no criminales se dividen en tan sólo tres. ¿Por qué? Y, ¿cómo varia esto para otros grupos?
Y el trabajo suscita importantes preguntas. Si el resultado se sostenta, ¿cómo se explica? ¿Por qué tendrían las caras de los criminales una variación mucho mayor que las caras de no criminales? Y, ¿cómo hemos aprendido a identificar estas caras? ¿Es un comportamiento aprendido o uno instintivo que ha evolucionado?
Todo esto anuncia una nueva era de antropometría, criminal o no. Este mes, unos investigadores anunciaron haber entrenado a una máquina de aprendizaje profundo para juzgar si alguien es fiable al observar una foto de su cara, tal y como hacemos los humanos. Este trabajo representa otra perspectiva del mismo tema central. Y existe margen para muchas más investigaciones mientras las máquinas se vuelven más capacitadas. Examinar lo que dicen nuestra ropa y peinado sobre nosotros sería un ángulo obvio. Y pronto las máquinas serán capaces de estudiar el movimiento también. Eso suscita la posibilidad de estudiar cómo nos movemos e interactuamos.
Ref: arxiv.org/abs/1611.04135: Automated Inference on Criminality Using Face Images