استفاده از خوشه بندی برای توصیف جرایم در دادگستری

منبع اطلاعات دادگستری را میتوان برای مدلسازی کشف جرم مورد استفاده قرار داد. جرایم یکی از آفتهای اجتماعی است که موجب بروز اختلالاتی در جامعه ما میگردد. هر تحقیقی که بتواند به حل سریعتر و دقیقتر جرایم کمک کند مورد استقبال بیشتری قرار میگیرد. درحدود 10 درصد مجرمین حدود 50 درصد جرایم را مرتکب میشوند. در اینجا ما از الگوریتم K-Means برای خوشهبندی اطلاعات استفاده میکنیم. با اجرای این الگوریتم الگوهای حاکم بر محیط جرم شناسایی میشوند. سپس از درخت تصمیم برای یافتن مدل هر الگو جهت پیشبینی دادههای آینده بهره میگیریم. ما این تکنیکها را در اطلاعات بدست آمده از جرائم واقعی دردادگستری استان اصفهان بکار میبریم. مثلا در یک جرم ساده مانند دزدی، مشخصات مظنون، مشخصات قربانی، سن، جنسیت، اسلحه به کار گرفته شده، ویژگیها و فاکتورهای دیگر جرم برای شناسایی الگوهای جرم مورد تحلیل قرار میگیرند. بنابراین تکنیک خوشهبندی کردن با استفاده از کشف اطلاعات در زمان استفاده از تعداد بیشماری داده و اطلاعات نامفهوم و پراشتباه درباره وقوع یک جرم مفید و موثر خواهد بود. اطلاعات واقعی جرم را می توان به عنوان نمونه از اداره دادگستری استان اصفهان تحت قراردادی مبنی بر افشا نشدن آن ها از سیستم گزارش کننده جرم کسب نمود. در مرحله پیشپردازش دادهها، اطلاعات مناسب برای استخراج و انتقال به اطلاعاتی غیرنرمال (رمزی)تبدیل میشوند. اگر این دادهها براساس یک خصیصه ارزشگذاری نشده باشند، از آنها به عنوان گروههایی مضاعف با ارزش قانونی یکسان خوشهبندی میشوند. عمل دیگری که انجام میشود شناسایی خصوصیات مهم و مرتبط در خوشهبندی میباشد. این فرایندها شامل محدوده فعالیت کارشناسانی نظیر کارآگاهان، تحلیلگران داده های جرم میباشد که بازگو کننده مشخصات مهم الگوریتم برای دستیابی به یک سری از مشخصات برای خوشهبندی کردن انواع گوناگون جرایم است. براساس طبیعت جرم مشخصههای متفاوت وزن خاصی میگیرند بعنوان مثال سن گروهی از قربانیان در قتل مهم میباشد اما درمورد سرقت این موضوع اهمیتی ندارد چرا که سارقین به سن صاحب ملک توجهی ندارند.به منظور شناسایی صفات و مشخصههای متفاوت جرائم مختلف، مفهوم وزنگذاری خصوصیات را شناسایی میکنیم. این موضوع سبب می شود تا برای مشخصات مختلف به طور پویا ارزشهای متفاوتی در نظر گرفته شود که بر اساس انواع خوشهبندی جرائم میباشد. همچنین این مورد به ما اجازه میدهد تا مشخصههای مطلق را برخلاف مشخصههای عددی که به راحتی میتوان برای آنها مقیاس درنظرگرفت،ارزش- گذاری کنیم. براساس ارزش مشخصهها اطلاعات مربوط به الگوهای جرم را خوشهبندی میکنیم و سپس نتایج آن را برای کارآگاه و یا کارشناس آن بخش همراه با آمارهایی ازخصوصیات مهم ارائه مینماییم. این فرایند بازگویی به شناسایی مشخصه های مهم و ارزش انواع مختلف جرائم کمک میکند. براساس این اطلاعات می توان الگوهای جرم در آینده را کشف و بررسی کرد. درابتدا جرائم حل نشده و آتی را میتوان براساس اهمیت مشخصههای آن خوشهبندی کرد و نتایج حاصل از آن را برای بازرسی در اختیار مسئولین قرار داد. به طوری که این موضوع، خوشهبندی صدها گروه از جرائم در چندین گروه کوچک مستقل و یا وابسته به جرائم دیگر، کار بازپرسان را برای تشکیل الگوهای جرم آسان مینماید. پس از خوشهبندی از درخت تصمیم برای یافتن مدل الگوها برای پیشبینی زمانی-مکانی جرمهای مختلف استفاده نمود

استفاده از خوشه بندی برای توصیف جرایم در دادگستری Keywords:

الگوی جرم , خوشه بندی , درخت تصمیم , الگوریتم k-means