1. Metody a techniky používané pro znalecké zkoumání musí 

• mít prokazatelný vědecký základ - např. existuje prokázaný vztah mezi jevy, vlastnostmi, proměnnými atd. 
• být minimálně ovlivnitelné vnějšími faktory
  • faktory, které mění podstatu vědeckého základu (vlastnosti, proměnné) - např. změna projevu znaku v čase
  • faktory, které mění hodnocení znaku - např. mění spolehlivost a přesnost hodnocení znaku
• být proveditelné
• být obecně přijímané, uznávané a v souladu se standardy oboru  

2. Důvody pro výběr a použití konkrétního postupu

1. odborné - důraz na vysokou spolehlivost/přesnost a nízkou chybu metody
2. právní - TŘ - nadřazen
3. finanční - znalecké zkoumání hradí zadavatel (orgán veřejné moci versus jiný zadavatel)
4. technické - dostupné vybavení a technologie  
5. další omezení

Znalecký posudek - § 27 – § 28

Znalecký posudek musí být:

• přezkoumatelný
• vypracován v souladu s uznávanými postupy a standardy daného oboru a odvětví

Proces znaleckého zkoumání zahrnuje:

1. rozpoznání důkazu (v reálném čase nebo na záznamovém médiu)
2. standardizovaný (odborný) popis znaků (vlastností, charakteristik) důkazu
3. vyhodnocení rozvoje s ohledem na význam znaků pro znalecký úkon
4. konečná konfrontace (komparativní analýza) rozpoznaných znaků 

Klasifikace metodických postupů:

1. manuální postupy -  založeny na standardizovaných technikách antropologické analýzy, mezi které patří morfoskopické hodnocení/srovnání tělesných znaků, fotokomparace, superpozice obrazů a přímá/nepřímá (také foto) antropometrie, jsou časově náročné, nelze je aplikovat dávkově na vyšší počet důkazů a jsou silně závislé na odbornosti a zkušenosti hodnotitele
2. automatické postupy -  vychází z automatizovaných výpočetních algoritmů např. s prvky analýzy signálů, analýzy obrazu a klasifikačních statistických modelů, umožňují zpracovat velký objem dat při minimálním časovém a pracovním vytížení a nevysoké úrovni odbornosti
   • holistické přístupy - hodnotící ucelené sady tělesných znaků bez nutnosti tyto znaky konkretizovat, mohou vytvářet problém tzv. černých skříněk (blackbox problem)
     • umělá inteligence - strojové učení, deep learning, neuronové sítě, konvoluční sítě 
   • poloautomatické postupy -  vyžadují jistou mírou interakce operátora s jinak automatizovaným postupem
     

Základní algoritmus pro sestavení predikčního pravidla 

Vyjádření přesnosti a spolehlivosti (chybovosti) metodického postupu 

• Senzitivita -  true positive rate, také true acceptance rate TAC - počet případů, ve kterých metoda/systém správně potvrdil/a výsledek 

• Specificita -  true negative rate, také true rejection rate TRR - počet případů, ve kterých metoda/systém správně odmítl/a výsledek

false negative rate = false rejection rate – FRR - počet případů, ve kterých metoda/systém nesprávně odmítl/a správný výsledek (chyba pozitivní identifikace)

false positive rate – false acceptance rate – FAR - počet případů, ve kterých metoda/systém nesprávně potvrdil/a správný výsledek (chyba negativní identifikace)

EER – Equal Error Rate, také CER – Crossover error rate – míra spolehlivosti, při které jsou obě chyby vyvážené

Cumulative match characteristics – CMC – pravděpodobnost, s jakou je správný výsledek mezi N-počtem vybraných kandidátů

Věrohodnostní poměr (likelihood ratio)