احمد قربان پور

زمینه: با افزایش پیچیدگی جوامع شهری و تنوع رفتارهای مجرمانه، پیش بینی وقوع جرم به یکی از حوزه های مهم مطالعات جرم شناسی و سیاست گذاری امنیتی تبدیل شده است. فناوری های داده محور و روش های یادگیری ماشین امکان تحلیل حجم بالایی از داده های کیفری، اجتماعی و جمعیت شناختی را فراهم کرده و به شناسایی الگوهای رفتاری مجرمان کمک می کنند. این رویکردها می توانند با ترکیب اطلاعات فردی، سابقه کیفری و ویژگی های محیطی، احتمال وقوع جرم را پیش بینی کنند و زمینه طراحی برنامه های پیشگیرانه هدفمند را فراهم آورند. علاوه بر این، تحلیل داده های پیچیده و استخراج الگوهای نهان، امکان شناسایی کانون های جرم، بهینه سازی تخصیص منابع انتظامی و افزایش کارآمدی سیاست های مقابله با جرم را فراهم می کند. به همین دلیل، ادغام رویکردهای یادگیری ماشین در مطالعات جرم شناسی، رویکردی نوین و ضروری برای کاهش فعالیت بزهکارانه و ارتقای امنیت اجتماعی محسوب می شود. هدف: هدف از انجام این پژوهش، بررسی کاربرد تکنیک های یادگیری ماشین برای تجزیه و تحلیل داده های فعالیت مجرمانه و پیشنهاد راهکارهای داده-پایه برای پیش‏بینی جرم است. در واقع، این پژوهش بر شناسایی اثربخش‏ترین مدل های یادگیری ماشین برای پیش بینی رفتار مجرمانه، درک عامل های کلیدی اثرگذار بر نرخ جرم و پیشنهاد بینش های عملی برای سازمان های مجری قانون تمرکز خواهد کرد. با انجام این کار، این پژوهش در پی کمک به تعریف راهکارهای پیش‏بینی جرم کارآمدتر و فعال تر و در نهایت افزایش ایمنی عمومی و کاهش بروز رفتار بزهکارانه است. روش‏شناسی: از نظر نوع اجرا و هدف پژوهش، از نوع توصیفی- پیمایشی است. در این پژوهش، جامعه و نمونه آماری این پژوهش شامل اطلاعات 3000 نفر از افراد بوده که دارای پرونده کیفری هستند که در قالب 8 متغیر کیفی شامل سن، جنسیت، ملیت، تحصیلات، وضعیت تأهل، نوع جرم، نوع محکومیت و سابقه کیفری می شود. در این پژوهش، داده ها از طریق مطالعات کتابخانه ای، پرسشنامه و چک لیست جمع آوری شده و با استفاده از نرم افزار اکسل و R برای تحلیل، داده کاوی و مدل سازی پیش بینی رخداد جرم مورد استفاده قرار گرفت. تحلیل ها شامل سه بخش اصلی است: تحلیل توصیفی برای ارائه تصویر کلی از توزیع جرائم و ویژگی های جمعیت شناختی، تحلیل همبستگی و جداول متقاطع برای شناسایی روابط میان متغیرها، و مدل سازی پیش