|
Title
|
پيش بيني داده-پايه بزهكاري: رويكردهاي يادگيري ماشين براي واكاوي و كاهش فعاليت بزهكارانه
|
|
Type
|
Thesis
|
|
Keywords
|
بزهكاري، فعاليت بزهكارانه، جرم، يادگيري ماشين
|
|
Abstract
|
زمينه: با افزايش پيچيدگي جوامع شهري و تنوع رفتارهاي مجرمانه، پيش بيني وقوع جرم به يكي از حوزه هاي مهم مطالعات جرم شناسي و سياست گذاري امنيتي تبديل شده است. فناوري هاي داده محور و روش هاي يادگيري ماشين امكان تحليل حجم بالايي از داده هاي كيفري، اجتماعي و جمعيت شناختي را فراهم كرده و به شناسايي الگوهاي رفتاري مجرمان كمك مي كنند. اين رويكردها مي توانند با تركيب اطلاعات فردي، سابقه كيفري و ويژگي هاي محيطي، احتمال وقوع جرم را پيش بيني كنند و زمينه طراحي برنامه هاي پيشگيرانه هدفمند را فراهم آورند. علاوه بر اين، تحليل داده هاي پيچيده و استخراج الگوهاي نهان، امكان شناسايي كانون هاي جرم، بهينه سازي تخصيص منابع انتظامي و افزايش كارآمدي سياست هاي مقابله با جرم را فراهم مي كند. به همين دليل، ادغام رويكردهاي يادگيري ماشين در مطالعات جرم شناسي، رويكردي نوين و ضروري براي كاهش فعاليت بزهكارانه و ارتقاي امنيت اجتماعي محسوب مي شود.
هدف: هدف از انجام اين پژوهش، بررسي كاربرد تكنيك هاي يادگيري ماشين براي تجزيه و تحليل داده هاي فعاليت مجرمانه و پيشنهاد راهكارهاي داده-پايه براي پيشبيني جرم است. در واقع، اين پژوهش بر شناسايي اثربخشترين مدل هاي يادگيري ماشين براي پيش بيني رفتار مجرمانه، درك عامل هاي كليدي اثرگذار بر نرخ جرم و پيشنهاد بينش هاي عملي براي سازمان هاي مجري قانون تمركز خواهد كرد. با انجام اين كار، اين پژوهش در پي كمك به تعريف راهكارهاي پيشبيني جرم كارآمدتر و فعال تر و در نهايت افزايش ايمني عمومي و كاهش بروز رفتار بزهكارانه است.
روششناسي: از نظر نوع اجرا و هدف پژوهش، از نوع توصيفي- پيمايشي است. در اين پژوهش، جامعه و نمونه آماري اين پژوهش شامل اطلاعات 3000 نفر از افراد بوده كه داراي پرونده كيفري هستند كه در قالب 8 متغير كيفي شامل سن، جنسيت، مليت، تحصيلات، وضعيت تأهل، نوع جرم، نوع محكوميت و سابقه كيفري مي شود. در اين پژوهش، داده ها از طريق مطالعات كتابخانه اي، پرسشنامه و چك ليست جمع آوري شده و با استفاده از نرم افزار اكسل و R براي تحليل، داده كاوي و مدل سازي پيش بيني رخداد جرم مورد استفاده قرار گرفت. تحليل ها شامل سه بخش اصلي است: تحليل توصيفي براي ارائه تصوير كلي از توزيع جرائم و ويژگي هاي جمعيت شناختي، تحليل همبستگي و جداول متقاطع براي شناسايي روابط ميان متغيرها، و مدل سازي پيش
|
|
Researchers
|
Mozgan Mohammadi (Student) , Khodakaram Salimifard (First primary advisor) , Ahmad Ghorbanpour (Advisor)
|