ارائه چارچوب برای سنجش و ارزیابی مطالعات دادههای شبکهای در مبارزه با ناهنجاریهای اجتماعی | ||
| پژوهش نامه علم سنجی | ||
| مقاله 9، دوره 10، (شماره 2، پاییز وزمستان) - شماره پیاپی 20، مهر 1403، صفحه 163-180 اصل مقاله (713.29 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22070/rsci.2021.14578.1503 | ||
| نویسندگان | ||
| محمد خلیلی1؛ حمزه علی نورمحمدی* 2؛ نادر نقشینه3 | ||
| 1دانشآموخته دکتری تخصصی گروه علم اطلاعات و دانش شناسی دانشگاه تهران، ایران. | ||
| 2دانشیار گروه علم اطلاعات و دانش شناسی دانشگاه شاهد، تهران، ایران. | ||
| 3استادیار، دانشکده مدیریت، گروه علوم اطلاعات و دانش شناسی دانشگاه تهران، ایران. | ||
| چکیده | ||
| هدف: هدف پژوهش پیش رو ارائه چارچوبی برای سنجش و ارزیابی مطالعات دادههای شبکهای در مبارزه با ناهنجاریهای اجتماعی است. روششناسی: این پژوهش ازنظر هدف کاربردی است و با استفاده از روش اسنادی، تحلیل محتوا و دادهکاوی انجامشده است. جامعه آماری این پژوهش شامل اطلاعات مرتبط به جرم سرقت ثبتشده در سازمانهای انتظامی و پلیسی در سال 1399 است. برای تحلیل اطلاعات از روشهای تحلیل دادههای شبکههای دیجیتال به خوشهبندی (کای میانگین)، شناسایی انواع جرم سرقت و دستهبندی (شبکهها شبکههای عصبی، قوانین بیزی، ناو بیزی و ماشین بردار پشتیبان) بهمنظور پیشبینی جرم سرقت استفادهشده است. یافتهها: یافتههای پژوهش نشان داد دقت مدل بیزی در پیشبینی و تشخیص نوع جرم برابر با 412.0 درصد است و بیشترین درصد پیشبینی برای جرم سرقت از خانه برابر با 73 درصد و کمترین درصد پیشبینی سرقت از اماکن خصوصی برابر با 27 درصد است. همچنین میزان دقت هریک از روشهای انجامشده باهم مقایسه شدهاند. یافتههای Roc نشان داد دقت روش قوانین بیزین، شبکههای عصبی (MPL) و بردار ماشین پشتیبان در پیشبینی جرم سرقت از اماکن عمومی نسبت به سایر سرقتها بیشتر و در موارد مشابه در پیشبینی سرقت از منزل دارای دقت کمتری نسبت به سایر سرقتها است. همچنین دقت پیشبینی روش بردار ماشین پشتیبان (حدود 91 درصد) در پیشبینی سرقت از اماکن عمومی بهتر از قوانین بیزین (حدود 73 درصد) و شبکهها - شبکههای عصبی (حدود 90 درصد) است. علاوه بر این نمودار Roc در روش بردار ماشین پشتیبان نشان داد در پیشبینی جرم جیببری نسبت به سایر سرقتها دقت کمتری (7 درصد) دارد. نتیجهگیری: نتایج این پژوهش نشان داد که ارزیابی و سنجش با استفاده از روش قوانین بیزین مناسبترین روش در تشخیص و پیشبینی یک الگوی مناسب از جرم سرقت (نوع جرم) است و نسبت به سایر روشها دقت بیشتری دارد؛ اما بهطور خاص، برای پیشبینی سرقت از اماکن عمومی، استفاده از ارزیابی و سنجش بهوسیله روش بردار پشتیبان توصیه میشود. | ||
| کلیدواژهها | ||
| ناهنجاریهای اجتماعی؛ جرم سرقت؛ دادهکاوی؛ مبارزه؛ تحلیل شبکه | ||
| مراجع | ||
|
احمدوند، ع.، و آخوندزاده، ا. (1389). چارچوب کاربردی تکنیکهای دادهکاوی در مدلسازی جرائم. توسعه سازمانی پلیس، 7(30)، 11-22. http://pod.jrl.police.ir/article_9364.html
اسکندری، ح.، علیزاده، س.، و کاظمی، پ. (1390). کاربرد دادهکاوی در شناسایی و کشف الگوهای پنهان جرم سرقت. پژوهشنامه نظم و امنیت انتظامی، 4(16)، 35-56. http://osra.jrl.police.ir/article_9745.html
حاجی ده آبادی، ا.، و عسگری م. (1398). ترک فعل در جنایات غیرعمدی: از معیار تا مصداق. فصلنامه پژوهش حقوق کیفری، 8(29)، 233-259. https://doi.org/10.22054/jclr.2019.37121.1790
خلیلی، م.، و نوایی فیجانی، آ. (1395). کاربرد ابر داده در مبارزه با جرم و جنایت [مقاله کنفرانسی]. همایش ملی پژوهشهای نوین در علوم و فناوری.https://civilica.com/doc/531474/certificate/print
کیوانپور، م.، جاویده، م.، پهلوان زاده، ا.، و ابراهیمی، م. (1388). تحلیل و کشف جرم با بهرهگیری از روشهای دادهکاوی [مقاله کنفرانسی]، دومین کنفرانس دادهکاوی ایران، دانشگاه امیرکبیر.
کاظمی، پ.، و حسینپور، ج. (1388). کاربرد دادهکاوی در سازمانهای پلیسی و قضایی بهمنظور شناسایی الگوهای جرم و کشف جرائم. فصلنامه علمی کارآگاه، 3(8)، 32-63. http://det.jrl.police.ir/article_10620.html
Agarwal, J., Nagpal, R., & Sehgal, R. (2014). Reliability Of Component Based Software System Using Soft Computing Techniques – A Review. International Journal of Computer Applications, 94(2), 12-16.
Ahmadvand, A., & Akhonzadeh, E. (2011). Applied Framework for Data Mining Techniques in Crime Modeling. Police Organizational Development, 7(30), 11-22.
http://pod.jrl.police.ir/article_9364.html?lang=en [In Persian].
Çorapçıoğlu, A., & Erdoğan, S. (2004). A cross-sectional study on expression of anger and factors associated with criminal recidivism in prisoners with prior offences. Forensic science international, 140(2-3), 167-174. https://doi.org/10.1016/j.forsciint.2003.11.019
D'Alessio, S. J., & Stolzenberg, L. (2010). Do Cities Influence Co-Offending? Journal of Criminal Justice, 38(4), 711–719. https://doi.org/10.1016/j.jcrimjus.2010.04.045
Deadman, D. (2003). Forecasting Residential Burglary. International Journal of Forecasting, 19(4), 567–578. https://doi.org/10.1016/S0169-2070(03)00091-8
Eskandari, E., Alizadeh, S., & Kazemi, P. (2011). Crime analysis using data mining techniques. Quarterly of order and security guards, 4(16), 35-56.
http://osra.jrl.police.ir/article_9745.html?lang=en [In Persian].
Hajidehabadi, A., & Asgari Morovat, A. (2020). Manslaughter by Omission: from Criterion to Instance. Journal of Criminal Law Research, 8(29), 233-259.
https://doi.org/10.22054/jclr.2019.37121.1790 [In Persian].
Karlis, D., & Meligkotsidou, L. (2007). Finite Mixtures of Multivariate Poisson Distributions with Application. Journal of Statistical Planning and Inference, 137(6), 1942– 1960. https://doi.org/10.1016/j.jspi.2006.07.001
Kazemi, P., & Hosseinpour, J. (2008). The use of data mining in police and judicial organizations to identify crime patterns and detect crimes. Detective Journal, 3(8) 32-63. http://det.jrl.police.ir/article_10620.html [In Persian].
Keyvanpour, M., Javideh, M., Pahlavanzadh, A., & Ebrahimi, M. (2008). Analysis and detection of crime using data mining methods [Conference presentation]. The second data mining conference of Iran, Amir Kabir University. https://civilica.com/doc/70469 [In Persian].
Khalili, M., & Navaei Fijani, A. (2016). Application of big data to fight crime [Conference presentation]. National conference of new researches in science and technology. https://civilica.com/doc/531474/certificate/print [In Persian].
Li, S. T., Kuo, S. C., & Tsai, F. C. (2010). An intelligent decision-support model using FSOM and rule extraction for crime prevention. Expert Systems with Applications, 37(10), 7108-7119. https://doi.org/10.1016/j.eswa.2010.03.004
Liu, H., & Brown, D. E. (2003). Criminal incident prediction using a point-pattern-based density model. International journal of forecasting, 19(4), 603-622.
Lopez-Rojas, E. A., & Axelsson, S. (2012). Multi agent based simulation (mabs) of financial transactions for anti money laundering (aml) [Conference Paper}. In Nordic Conference on Secure IT Systems. Blekinge Institute of Technology.
Malathi, A., & Santhosh, B. (2011). An Enhanced Algorithm to Predict a Future Crime using Data Mining. International Journal of Computer Applications, 21,
Mande, U., Srinivas, Y., & Murthy, J. V. R. (2012). An intelligent analysis of crime data using data mining & auto correlation models. Int J Eng Res Appl (IJERA), 2(4), 149-153. https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=96b814e73cb7140de589555a53f26d0eafdc7a7e
Moon, B., McCluskey, J. D., & McCluskey, C. P. (2010). A General Theory of Crime and Computer Crime: An Empirical Test. Journal Criminal Justice, 38(4), 767–772.
Murtagh, F., Ganz, A., & McKie, S. (2009). The Structure of Narrative: The Case of Film Scripts, Pattern Recognition, 42, 302 – 312. https://doi.org/10.1016/j.patcog.2008.05.026
Oatley, G. C., & Ewart, B. W. (2003). Crimes Analysis Software: ‘Pins in Maps’, Clustering and Bayes Net Prediction. Expert Systems with Applications, 25(4), 569–588.
Phua, C., Lee, V., Smith, K., & Gayler, R. (2010). A comprehensive survey of data mining-based fraud detection research. ArXiv preprint arXiv:1009.6119.
Xue, Y., & Brown, D. E. (2006). Spatial Analysis with Preference Specification of Latent Decision Makers for Criminal Event Prediction. Decision Support Systems, 41(3), 560– 573. https://doi.org/10.1016/j.dss.2004.06.007 | ||
|
آمار تعداد مشاهده مقاله: 1,230 تعداد دریافت فایل اصل مقاله: 462 |
||