Statistische Bewertung neuer Methoden in der forensischen Anthropologie

Eine Methode kann nur dann valide Ergebnisse erbringen, wenn die Befunderfassung möglichst genau, wiederholbar und untersucherunabängig ist. Auf der individuellen persönlichen Ebene reflektieren Fehlerquoten die unterschiedlichen Erfahrungshorizonte (z. B. beim Messen oder Klassifizieren) und Befähigungen des einzelnen Untersuchers. Die andere Ebene beinhaltet ein vom Beobachter/Untersucher unabhängiges technisches Attribut, wie genau und wiederholbar eine Messmethode instrumentell sein kann. Besondere Aufmerksamkeit verdienen diese Überlegungen bei der Implementierung neuer Methoden: Neue Verfahren müssen sich nicht nur im Vergleich zum gegenwärtigen Goldstandard bewähren, sondern darüber hinaus auch ihre Praktikabilität und Untersucherunabhängigkeit unter Beweis stellen. Im Nachfolgenden wird anhand von Beispielen aus der forensischen Anthropologie auf Probleme der Konkordanz, der Übereinstimmung von Ergebnissen, sowohl bei der Verwendung unterschiedlicher Untersuchungsmethoden an ein und demselben Untersuchungsobjekt (Methode A vs. Methode B) als auch der Anwendung einer einzelnen Methode durch verschiedene Untersucher (Untersucher A, B, C …) mithilfe sog. Konkordanzanalysen eingegangen. Für die Prüfung der „Interobserver“-Variabilität bei nichtstetigen Beobachtungen haben sich die „overall percentage agreement“ (OPA) und die κ-Statistik als geeignet erwiesen. Bei der „Inter“- und „Intraobserver“-Reliabilität von intervallskalierten Daten sind die Intraklassenkorrelation(ICC)-Analyse und zunehmend die „Technical-error-of-measurement“(TEM)-Analyse etabliert. Aus der Perspektive einer evidenzbasierten Forensik ist eine nachvollziehbare statistische Absicherung der Konkordanz sowie der Inter- und Intraobserver-Abweichungen zwingend zu fordern. Da insbesondere die Osteologie in maßgeblicher Weise auf der Erhebung metrisch erfassbarer Merkmale beruht, deren unterschiedliche Merkmalsausprägungen als primäre Beschreibungsebene anthropologischer Kerneigenschaften wie Alter, Geschlecht oder Populationszugehörigkeit dienen, können bereits geringe Unsicherheiten bei der Datenerhebung das Endergebnis beeinflussen.