Cette thèse a été réalisée en parallèle avec l’émergence de la police prédictive (predictive policing). Ce mouvement naturellement issu de l’ère du big data a stimulé et questionné l’utilisation de plus en plus intensive des modèles computationnels et des technologies en analyse et renseignement criminel. Les différents acteurs de la sécurité, dont notamment les services de police, se retrouvent désormais confrontés à des quantités croissantes de données de criminalité, quand elles ne sont tout simplement pas de nature nouvelle (p. ex. les traces numériques). Un des défis de l’analyse criminelle est de faire face à ces nouvelles et grandes quantités de données dans le but de les détecter, les collecter, les traiter, les analyser et les exploiter en informations utiles tant à l’investigation qu’au renseignement criminel.
L’élaboration d’une méthodologie réaliste, correctement formalisée et transparente s’impose alors comme un défi prioritaire. Cette problématique soulève des enjeux liés aux libertés individuelles, mais également au besoin pour la prise de décisions en matière d’action de sécurité, d’être fondés sur des données probantes.
Afin de répondre à ces enjeux, nous nous intéressons à la question suivante : comment intégrer de manière pragmatique les méthodes computationnelles dans les processus d’analyse criminelle préexistants en considérant un cadre de travail interdisciplinaire puisant à la fois dans la criminologie et la science forensique et orienté sur la résolution de problème ?
Cette question étant évidemment vaste, cette thèse se restreint à proposer des pistes pour une telle méthodologie en considérant 2 objectifs principaux :
• L’expression d’une approche méthodologique interdisciplinaire en renseignement criminel en se fondant sur le développement d’une unité d’analyse criminelle particulière qui a itérativement intégré et harmonisé ses méthodes et outils ;
• L’amélioration du système opérationnel existant via l’intégration d’un composant computationnel dans la détection de tendances des activités criminelles au sein des processus de renseignement de l’unité d’analyse considérée.
Considérant ces délimitations, l’hypothèse principale de ce travail est la suivante :
• Il est possible de détecter des changements dans des patterns d’activités (nouveaux patterns, évolution de patterns déjà connus, disparition d’un pattern connu) dans la distribution spatio-temporelle des données de la criminalité en détectant les patterns de rupture par des méthodes computationnelles appliquées systématiquement dans l’environnement particulier considéré (unité d’analyse).
Cette proposition est complétée par 3 hypothèses spécifiques, à savoir :
• Les patterns dans les données reflètent les patterns dans les activités criminelles.
• Une détection automatique est susceptible de rendre plus complète, plus rapide et plus précise, la détection de problèmes par les analystes de l’unité d’analyse considérée
• Une classification situationnelle des événements alimentée par la criminologie environnementale est appropriée pour encadrer et guider cette détection.
En prenant la méthodologie d’une unité de renseignement criminel en Suisse romande comme fondement, une approche intégrative et itérative dans l’application des méthodes computationnelles en renseignement criminel est exprimée. L’approche proposée est basée sur un postulat fondamental en analyse criminelle : les activités litigieuses suivent des patterns susceptibles d’être détectés et analysés à l’aide des données disponibles. Le raisonnement est basé sur la plus élémentaire de ces données : la trace, vestige physique (et numérique) de l’activité litigieuse, qui a été reconnue et collectée sur les scènes de crime. L’approche développée est ensuite appliquée sur deux objectifs majeurs de l’unité d’analyse considérée : le traitement des données à l’aide de classification automatique et la détection de problèmes à l’aide des tendances dans les données de la criminalité. Cette application vise à intégrer quelques méthodes computationnelles simples de classification et de détection de ruptures dans les processus opérationnels.
Les résultats obtenus corroborent l’hypothèse principale de ce travail qui soutient la possibilité de détecter des problèmes dans la distribution spatio-temporelle des données de la criminalité. Cependant, l’hypothèse d’une détection automatique plus complète, rapide et précise que la détection humaine n’est que partiellement corroborée. En effet, il apparaît que les capacités de l’algorithme varient selon le type de criminalité étudié. L’hypothèse spécifique postulant que ces patterns de données reflètent les patterns d’activités criminelles se trouve corroborée par les différentes illustrations empiriques proposées. L’arrivée de nouveaux groupes d’auteurs, les changements d’environnement avec le passage à l’heure d’hiver ou encore l’activité d’un auteur sériel sont autant d’exemples imprimant des patterns particuliers dans les données collectées. Concernant la dernière hypothèse spécifique, une classification situationnelle des événements semble appropriée pour effectuer le processus de détection et l’hypothèse est corroborée.
Nous avons observé que les méthodes computationnelles semblent être adéquates pour soutenir l’analyse criminelle et ses dispositifs de veille, et ce, tout particulièrement concernant la détection de patterns dans les tendances des activités criminelles. Néanmoins, la formalisation de l’approche et des processus démontre que la production de renseignement criminel ne peut être réduite à une baguette magique qui serait capable d’extraire mystérieusement des connaissances pertinentes à partir des données à disposition. Cet idéal véhiculé par certaines approches en data mining n’apparaît pas réaliste en analyse criminelle. Un mouvement particulier, plus pragmatique, appelé data mining guidé par le domaine (D3M) (Cao, 2008) a retenu notre attention : il recommande d’injecter des connaissances a priori dans les processus, tout en restant ouvert à la découverte de nouveautés. Cela nous mène à l’importance de construire un cadre de travail interdisciplinaire plus ambitieux en sciences criminelles, qui sera susceptible de structurer l’approche de manière plus approfondie. Un tel cadre de travail, que l’on qualifiera de Criminologie Forensique Computationnelle (CFC) vise à délivrer l’analyse et le renseignement criminel, en se basant sur les données de la criminalité générées par les traces, analysées avec les méthodes computationnelles, et expliquées/supportées par les théories criminologiques.