سیاست گذاری جمهوری اسلامی ایران در پیشگیری از جرایم مربوط به مواد مخدر با تاکید بر دانش داده کاوی

پژوهش حاضر در صدد مطالعه «پیش بینی و پیش گیری از جرایم مواد مخدر بر مبنای دانش داده کاوی» است از این منظر پس از بسط فضای مفهومی موضوع از راهبرد پژوهش کمی از نوع تحلیل ثانویه استفاده شده است بدین ترتیب که با در اختیار داشتن چک لیست یا ابزار پرسش نامه ی معکوس از روی 1885 پرونده از پرونده های قضایی مجرمان موجود در اجرای احکام شهرستان شهریار گردآوری گردیده و مورد تحلیل توصیفی و استنباطی قرار گرفته است در مقاله این سوال مطرح است که دانش داده کاوی از چه منظر می تواند در پیشگیری از جرایم مربوط به مواد مخدر موثر واقع گردد؟ در پاسخ این فرضیه مطرح است که« به نظر می رسد داده کاوی از طریق پیش بینی و پیش گیری از وقوع جرایم مواد مخدر با تمرکز نیروها و امکانات و در نتیجه پیشگیری از آن موثر واقع گردد» جهت اعتبار سنجی ابزار پژوهش از اعتبار محتوای صوری کیفی استفاده شده و همچنین جهت پایایی سنجی از ضریب پایایی بهره گرفته و مقدار آن 8 دهم برآورد شده است یافته های تحقیق نشان می دهد که میان انواع الگوریتم های به کار گرفته شده الگوریتم جنگل تصادفی بیشترین و دقیق ترین الگوریتم در کلاس بندی داده ها بوده است علاوه بر آن جرائم مواد مخدر بیشتر تحت تاثیر متغییر جنسیت قرار داشته است که اختلاف معنی داری را بین زنان و مردان نشان می دهد. نتیجه گیری مقاله نشان می دهد که  طراحی سیستم های تصمیم یار برای پش بینی و پیشگیری جرایم مربوط به مواد مخدر می تواند به خوبی به پلیس در تصمیم گیری کمک شایانی نمایند.

policy-making of the islamic republic of iran in preventing drug-related crimes with an emphasis on data mining

the issue of drug-related crimes is a critical challenge for societiesworldwide, requiring comprehensive prevention strategies beyondpunitive measures. in the islamic republic of iran, traditional criminaljustice approaches have proven insufficient in curbing drug-relatedoffenses, necessitating the adoption of advanced predictive andpreventive methodologies. this study explores the application of datamining techniques in forecasting and preventing drug-related crimes. byanalyzing 1,885 judicial cases from shahriar’s criminal records, thisresearch assesses the effectiveness of machine learning algorithms in identifying criminal patterns and enabling law enforcement agencies tomake data-driven decisions.