کاربرد داده کاوی در تحقیقات جنایی و جرم شناسی

جرم شناسی فرآیندی است که هدف آن شناسایی خصوصیات جرم است. در واقع تجزیه و تحلیل جرم شامل کاوش و کشف جرایم و روابط آنها با مجرمان است. حجم بالای مجموعه داده های جرم و همچنین پیچیدگی روابط بین این نوع داده ها ، جرم شناسی را به زمینه ای مناسب برای استفاده از تکنیک های داده کاوی تبدیل کرده است. گزارش های جرم مبتنی بر متن را می توان به پرونده های پردازش متن تبدیل کرد. از این اطلاعات می توان برای انجام روند تطبیق جرم استفاده کرد.

داده کاوی روشی برای استخراج دانش از مجموعه داده های معمول بزرگ است. به عبارت دیگر ، این رویکردی برای کشف روابط پنهان بین داده ها با استفاده از روش های هوش مصنوعی است.

طیف گسترده ای از کاربردهای داده کاوی ، آن را به یک زمینه مهم تحقیقاتی تبدیل کرده است. جرم شناسی یکی از مهمترین زمینه ها برای استفاده از داده کاوی است.

جرم شناسی فرآیندی است که هدف آن شناسایی خصوصیات جرم است. در واقع تجزیه و تحلیل جرم شامل کاوش و کشف جرایم و روابط آنها با مجرمان است.

حجم بالای مجموعه داده های جرم و همچنین پیچیدگی روابط بین این نوع داده ها ، جرم شناسی را به زمینه ای مناسب برای استفاده از تکنیک های داده کاوی تبدیل کرده است.

شناسایی خصوصیات جرم و جنایت اولین قدم برای توسعه تجزیه و تحلیل بیشتر است. دانش حاصل از رویکردهای داده کاوی ابزاری بسیار مفید است که می تواند به نیروهای پلیس کمک و پشتیبانی کند.

Data Mining in Criminal Investigation

دوره آموزشی زبان برنامه نویسی R  «کلیک کنید»

بدون شک ، شرایط زندگی اجتماعی انسان ، برخورد با پدیده ای معروف به جرم را حیاتی می کند. بنابراین ما همیشه به دانش تجزیه و تحلیل جرم به عنوان یک ابزار کارآمد برای مبارزه نیاز داریم. تجزیه و تحلیل جرم اساساً شامل استفاده از یک رویکرد سیستماتیک برای شناسایی ، کشف و گاهی پیش بینی حوادث جرم است.

ورودی سیستم تجزیه و تحلیل جرم متشکل از داده ها و اطلاعات اختصاص یافته به متغیرهای جرم است و خروجی شامل پاسخ به سوالات تحقیق و تحلیلی ، استخراج دانش و در نهایت تجسم نتایج است. ماهیت پیچیده داده های مربوط به جرم و جنایت و همچنین وجود روابط پنهان و شاید نامحسوس بین آنها ، داده کاوی را به زمینه ای با سرعت رشد در بین جرم شناسان ، بازرسان جرم و تحلیل گران جرم تبدیل کرده است.

حجم زیادی از داده های مربوط به جرم در ادارات پلیس وجود داشته و همچنین پیچیدگی روابط بین این نوع داده ها ، روش های تجزیه و تحلیل جرم سنتی را مجبور به منسوخ شدن کرده است. این روش ها از یک طرف به زمان قابل توجهی و منابع انسانی نیاز دارند و از طرف دیگر به دلیل تداخل بالای انسانی قادر به بدست آوردن تمام پارامترها / روابط موثر نیستند.

این کمبودها ضرورت استفاده از یک رویکرد سیستماتیک و هوشمندانه برای تحقیقات در مورد جرم را بیش از هر زمان دیگری نشان داده است. تکنیک های داده کاوی می تواند راه حل اصلی باشد.

کارهای مرتبط

در دهه اخیر ، تحقیقات و مطالعات علمی زیادی در زمینه استخراج داده های جرم انجام شده است.  نتایج معمولاً در زمینه برنامه های جدید نرم افزاری برای شناسایی و تجزیه و تحلیل داده های جرم و جنایت ظاهر می شود.

درشبکه های عصبی برای خوشه بندی داده های جرم و طبقه بندی داده های جرم از طریق استفاده از هر دو روش یادگیری نظارت شده و بدون نظارت اعمال شده است.

پروژه ملی COPLINK که در اصل توسط آزمایشگاه هوش مصنوعی دانشگاه آریزونا با بودجه موسسه ملی دادگستری تهیه شده است ، چارچوبی برجسته برای متن کاوی ، طبقه بندی و خوشه بندی داده های جرم با هدف انجام تجزیه و تحلیل نسبتاً پیچیده جرم است.

این پروژه شامل دو مولفه اساسی است:

• COPLINK اتصال
• COPLINK DETECT.

مورد اول پیش پردازش داده ها و بار جمع آوری داده ها را بر عهده دارد و مورد بعدی با استخراج الگوها از حجم زیادی از داده های جرم با استفاده از داده کاوی و هوش مصنوعی سرو کار دارد.را بر عهده دارد و مورد بعدی با استخراج الگوها از حجم زیادی از داده های جرم با استفاده از داده کاوی و هوش مصنوعی سرو کار دارد.

مقدمه ای بر مبانی تجزیه و تحلیل هوشمند جرم

متغیرهای جرم و تطبیق جرم دو مولفه اصلی است که معمولاً در فرآیند تجزیه و تحلیل جرم دخیل هستند.متغیرهای جرم بسیار مهم هستند زیرا الگوریتم تجزیه و تحلیل در ابتدا بر روی آنها کار می کند.

از طرف دیگر ، اهمیت تطبیق جرم به دلیل کاربرد گسترده آن در کشف هوشمند جرم است. این دو موضوع در این بخش به عنوان مبانی تجزیه و تحلیل هوشمند جرم آورده شده است.

۱- متغیرهای جرم

برخی پارامترها وجود دارند که می توانند خصوصیات جرم را به گونه ای منحصر به فرد توصیف کنند. این پارامترهای منحصر به فرد جرم که به عنوان متغیرهای جرم شناخته می شوند ، موضوع اصلی فرایند تجزیه و تحلیل جرم هستند. صرف نظر از نوع جرم ، می توان انواع مختلف متغیرهای جرم را در سه گروه کلی طبقه بندی کرد:

• متغیرهای جرم فضایی – زمانی (به عنوان مثال مختصات مکان جرم یا زمان وقوع)
• مشخصات طبیعی جرم (به عنوان مثال ویژگی های صحنه جرم ، الگوی رفتاری مجرم)
• مشخصات مجرم (به عنوان مثال مشخصات مجرم (سن ، جنس ، نژاد و غیره))

قابل توجه است که هر نوع جرم متغیرهای جرم خاص خود را دارد. به عنوان مثال ، متغیرهای جرم در مورد قتل همانند متغیرهای جرم در مورد شرور نخواهد بود.

۲- تطبیق جرم

روند انتساب جرایم یا مجرمان به وقایع جنایی حل شده یا حل نشده قبلی به عنوان تطبیق جرم شناخته می شود. در واقع ، استفاده از تطبیق جرم در تحقیقات پزشکی قانونی دو جنبه دارد:

• با فرض دستگیری یک یا چند مجرم مسئول یک جرم خاص. فرآیند تطبیق جرم برای انتساب جرایم لاینحل قبلی به مجرمین دستگیر شده استفاده می شود.
• با در نظر گرفتن وضعیتی که به پلیس در مورد حادثه جنایی حل نشده جدید هشدار داده شده است ، بنابراین مجرمان مربوطه هنوز کشف نشده اند. در چنین شرایطی ، مطابقت جرم برای پیشنهاد برخی از بزهکاران پرکار به عنوان مظنون احتمالی براساس مشخصات مجرم و روش ارتکاب عمل مجرمانه اعمال می شود.

بیشتر مجرمان قبل از دستگیری مرتکب چندین جنایت می شوند. وقتی مشخص شد كه یك مجرم مسئول یك مورد خاص جرم است ، محققان معمولاً لیستی از جرایم مشابه را با اجرای برخی س Sالات SQL بر روی داده های جرم قبلی تهیه می كنند تا مصادیق را تطبیق دهد.

این روش سنتی تطبیق جرم از دو اشکال عمده رنج می برد:

• هیچ قاعده کلی برای تعیین شرایط WHERE در دستورالعمل SQL وجود ندارد بنابراین لازم است که زمانبر آزمایش چندین پرس و جو با بندهای مختلف WHERE را انجام دهید.
• به دلیل سادگی طبیعی س theالات ، لیست نتایج فاقد دقت کافی است.

در حقیقت ، روند تطبیق جرم شامل 3 مرحله اصلی است:

• انتخاب ویژگی ها: شامل استخراج ویژگی های جرم است که به اندازه کافی برای درگیر شدن در فرایند تجزیه موثر است. در حوزه تجزیه و تحلیل هوشمند جرم ، ویژگی ها زیرمجموعه متغیرهای جرم هستند (جدول 1). الگوریتم ژنتیک ، الگوریتم های بهترین اول و انتخاب جلو به عنوان روش های کارآمد انتخاب ویژگی در نظر گرفته شده اند.
• رمزگذاری: ویژگی های انتخاب شده باید به روشی مناسب کدگذاری شوند تا الگوریتم های مناسب را انجام دهند.
• الگوریتم همسان سازی: الگوریتم ها گروه هایی از جنایات یا مجرمین را که بیشترین شباهت به یکدیگر را دارند تعیین می کنند. هر الگوریتم براساس معیارهای تشابه خود کار می کند. K-Nearest Neighbor (KNN) ، مدل کنتراست Tversky و الگوریتم های مختلف خوشه بندی می توانند به عنوان الگوریتم تطبیق استفاده شوند.

دوره آموزشی هوش تجاری با Tableau »کلیک کنید« و  هوش تجاری با Power BI »کلیک کنید« یک برنامه جامع است که بر توسعه مهارت در تجزیه‌ و تحلیل داده‌ها، تجسم و گزارش سازی و گزارش دهی و دشبوردسازی با استفاده از این ابزارها  تمرکز دارد.

سپاسگذاریم از وقتی که برای خواندن این مقاله گذاشتید

.

برای خرید لایسنس پاور بی ای Power BI کلیک کنید

.

برای مشاهده ویدیوهای آموزشی داده کاوی و هوش تجاری ما را در شبکه های اجتماعی دنبال کنید

Youtube Chanel :VISTA Data Mining 

Aparat Chanel: VISTA Data Mining 

Instagram Chanel: VISTA Data Mining

Telegram Chanel: VISTA Data Mining 

Linkedin Chanel: VISTA Company