Une étude récente menée par des chercheurs du Netherlands Forensic Institute et de l’Université d’Amsterdam examine la possibilité d’exploiter, dans un cadre judiciaire, les données issues des capteurs intégrés aux smartphones. L’enjeu est de déterminer si ces signaux de mouvement peuvent être traduits en une évaluation probabiliste permettant d’apprécier si une activité humaine donnée a eu lieu à un moment déterminé. À mesure que les objets du quotidien enregistrent des traces comportementales de plus en plus fines, la question de leur intégration méthodologique dans le raisonnement judiciaire devient centrale.
Comprendre la reconnaissance d’activité
La Human Activity Recognition, souvent abrégée HAR, est un champ de recherche développé depuis une dizaine d’années, d’abord dans les domaines de la santé connectée, du sport et des objets intelligents. Son principe consiste à exploiter les capteurs intégrés aux smartphones pour identifier des catégories de mouvements à partir de signaux numériques. Les téléphones contiennent notamment un accéléromètre et un gyroscope qui enregistrent en continu des variations de mouvement et d’orientation. À partir de ces séries de données, des modèles statistiques entraînés sur des activités connues apprennent à reconnaître des motifs caractéristiques. Marche, course ou immobilité présentent des signatures différentes que l’algorithme peut comparer aux données issues d’un téléphone analysé.
Dans un usage courant, cette classification sert par exemple à suivre une activité physique ou détecter une chute. En contexte judiciaire, l’enjeu est plus restreint et plus exigeant. Il s’agit d’examiner ce que ces enregistrements permettent raisonnablement de soutenir au sujet d’une activité donnée, et ce qu’ils ne permettent pas d’affirmer.
De la classification à l’évaluation probabiliste
En sciences forensiques, la question n’est pas de déclarer qu’un événement a eu lieu, mais d’apprécier la force avec laquelle des données soutiennent une hypothèse par rapport à une autre. Les résultats issus des modèles de reconnaissance d’activité peuvent être traduits dans ce cadre en exprimant leur valeur sous forme de rapport de vraisemblance. Concrètement, il s’agit de déterminer si la séquence enregistrée est davantage attendue sous un scénario plutôt que sous un scénario alternatif clairement défini. L’algorithme ne décide pas qu’une personne courait ou marchait. Il fournit une mesure comparative du soutien apporté par les données à l’une des hypothèses examinées.
Illustration méthodologique en situation judiciaire
Imaginons un smartphone saisi dans le cadre d’une enquête pour agression. À un horaire déterminant pour les faits, les capteurs de mouvement ont enregistré une séquence de données.
Deux hypothèses sont formulées. Selon la première, la personne marchait normalement. Selon la seconde, elle courait. L’analyse des données montre que les signaux observés sont dix fois plus probables sous l’hypothèse d’une course que sous celle d’une marche. Le Likelihood Ratio est alors de dix en faveur de l’hypothèse selon laquelle la personne courait. Ce résultat ne constitue pas une preuve directe de la course. Il exprime un soutien probabiliste des données à cette hypothèse par rapport à l’alternative. L’intégration de cette information dans le dossier dépendra des autres éléments de preuve et de la cohérence globale des scénarios.
L’intérêt majeur de cette approche est sa compatibilité avec la logique bayésienne déjà reconnue en matière de preuve scientifique.
Les limites scientifiques et méthodologiques
Les modèles de Human Activity Recognition sont généralement entraînés sur des ensembles de données collectées dans des conditions contrôlées. Or, en situation réelle, de nombreux facteurs influencent le signal enregistré. La manière dont le téléphone est porté, la position dans une poche ou un sac, la nature du sol, l’état émotionnel ou encore la configuration logicielle de l’appareil peuvent affecter les mesures.
Un stress aigu peut modifier l’amplitude et la régularité des mouvements, tout comme une mise à jour logicielle peut changer la fréquence d’échantillonnage ou les paramètres de filtrage des capteurs. Ces éléments techniques, rarement visibles pour l’utilisateur, ont pourtant un impact direct sur la structure des données exploitées. La variabilité inter-individuelle constitue également un paramètre important. Deux personnes courant à la même vitesse peuvent produire des signatures légèrement différentes. Par ailleurs, l’intégrité des données doit être vérifiée. Les journaux de capteurs peuvent être incomplets, altérés ou désactivés selon les paramètres de l’appareil.
Enfin, comme pour toute méthode algorithmique, la validation externe, la connaissance des taux d’erreur et la transparence du modèle utilisé sont des conditions essentielles à son admissibilité en contexte judiciaire.
De la source à l’activité : un parallèle avec la génétique forensique
Ces travaux font écho à une distinction désormais classique en génétique forensique : celle entre le niveau de la source et le niveau de l’activité. Dans notre article Mégots de cigarette : un simple baiser peut-il fausser l’interprétation ADN ?, nous rappelions qu’identifier l’origine d’un profil génétique ne permet pas, à lui seul, d’expliquer comment il a été déposé. La même logique s’applique ici. Mettre en évidence un motif de mouvement compatible avec une course ne suffit pas à établir les circonstances exactes de l’action. Dans les deux cas, l’enjeu est identique. Passer d’une information technique à une interprétation au niveau de l’activité exige une comparaison explicite de scénarios et une évaluation probabiliste rigoureuse. Les données issues d’un smartphone, comme celles issues d’un profil ADN, prennent sens uniquement dans ce cadre structuré.
Enjeux juridiques et perspectives
Pour les magistrats et les experts judiciaires, la difficulté réside moins dans la technologie que dans sa compréhension méthodologique. Produire un rapport de vraisemblance suppose de définir précisément les hypothèses comparées, de documenter la validation du modèle et d’exposer clairement les limites de l’analyse. Le smartphone ne devient pas un témoin automatique des faits. Il peut, sous certaines conditions strictes, fournir un élément d’information probabiliste venant éclairer un scénario parmi d’autres. L’enjeu n’est donc pas de multiplier les données disponibles, mais d’en garantir l’interprétation scientifiquement robuste et juridiquement pertinente.
Source :
McCarthy, C., van Zandwijk, J. P., Worring, M., & Geradts, Z. (2025). Forensic Activity Classification Using Digital Traces from iPhones: A Machine Learning-based Approach.
Disponible en ligne : https://arxiv.org/abs/2512.03786
