پیش‌بینی جریان‌های اعتراضی در فضای مجازی مبتنی بر داده‌کاوی

زمینه و هدف: امروزه گروه‌های مختلفی در جامعه با استفاده از فضای مجازی اقدام به انتشار فراخوان‌های تجمعات غیرقانونی و به دنبال آن وقوع جریان‌های اعتراضی می‌کنند. ازاین‌رو هدف اصلی این پژوهش، پیش‌بینی جریان‌های اعتراضی در فضای مجازی مبتنی بر داده‌کاوی است.روش: تحقیق حاضر از نظر هدف کاربردی و از لحاظ روش، توصیفی تحلیلی است که در آن از داده‌های اطلاعاتی موجود در اَسناد، مدارک سازمانی و همچنین بانک‌های اطلاعاتی غیرمتمرکز در رده‌های عملیاتی پلیس استفاده شده است. جامعة آماری پژوهش، تمامی داده‌های اطلاعاتی فراخوان‌های تجمعات غیرقانونی در فضای مجازی است که برای نمونه‌گیری از روش پیش‌پردازش داده‌ای و به صورت تمام شمار استفاده شدند. به‌منظور پیش‌بینی و پیشگیری از ارتکاب جرائم، با استفاده از نرم‌افزار رپیدماینر به‌عنوان یک ابزار داده‌کاوی متن‌باز با زبان جاوا، ابتدا مولفه‌های اصلی فراخوان‌های تجمعات غیرقانونی در فضای مجازی شناسایی، روابط بین مولفه‌های شناسایی‌شده احصا، داده‌ها تحلیل و درنهایت مولفه‌های موثر در پیش‌بینی جریان‌های اعتراضی اولویت‌بندی شد.یافته‌ها: از بین مدل‌های مختلف پیاده‌سازی شده، مدل درخت تصمیم با دقت 39/91 درصد، بالاترین نتیجه را برای داده‌های موردنظر و پیش‌بینی وقوع جریان‌های اعتراضی ارائه کرد و مهم‌ترین دستاوردهای آن، طراحی مدلی جهت پیش‌بینی تجمعات غیرقانونی و همچنین تعیین مولفه‌های تاثیرگذار در وقوع تجمعات غیرقانونی است.نتیجه گیری: مولفه‌های «نگرش فکری انتشاردهنده فراخوان‌ها، تعداد بازدید فراخوان‌ها، زیرعرصه فراخوان‌ها و تعداد اعضای منابع و نشانگاه‌ها به ترتیب بیشترین تا کمترین تاثیرگذاری را بر وقوع تجمع‌ها و جریان‌های اعتراضی غیرقانونی داشته‌اند؛ به‌عبارت‌دیگر، نگرش فکری انتشاردهندۀ فراخوان‌ها در ایجاد تجمعات نقش مستقیم دارد و پلیس با تمرکز بر آن می‌تواند احتمال وقوع تجمعات غیرقانونی را پیش‌بینی کند.

Predicting the Protest Movements in Cyberspace via Using Data Mining

Background and Aim: Today, various groups in society use cyberspace to publish calls for illegal gatherings, followed by protests. Therefore, the main purpose of this study is to predict protest flows in cyberspace based on data mining.Method: The present study is applied in terms of purpose and descriptiveanalytical in terms of method, in which the information data in documents, organizational documents as well as decentralized databases in police operational categories have been used. The statistical population of the study is all the information data of illegal gatherings in cyberspace that were used for sampling of data processing method and in full. In order to predict and prevent crime, using Rapid Miner software as an open source data mining tool in Java, we first identify the main components of illegal aggregation calls in cyberspace, the relationships between the components identified in the data, and the data in the data analysis.Results: Among the various implemented models, the decision tree model with 91.39% accuracy provided the highest result for the data and predicted the occurrence of protest flows, and its most important achievements were designing a model for predicting illegal gatherings and determining the effective components in The occurrence of rallies is illegal.Conclusion: The components of &thinking attitude of the publisher of the calls, the number of visits of the calls, the subfield of the calls and the number of members of the sources and targets had the most to the least impact on the occurrence of illegal rallies and protests; In other words, the ideological attitude of the publisher of the calls has a direct role in creating rallies, and the police can focus on it to predict the possibility of illegal rallies.