ارائه چارچوب برای سنجش و ارزیابی مطالعات داده‏‌ های شبکه‌‏ای در مبارزه با ناهنجاری‏‌ های اجتماعی

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 0/412 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.

providing a framework for assessing and evaluating network data studies in the fight against social anomalies

purpose: in today’s world, every society is struggling with the challenges of crime and its control. committing a crime represents one of the most significant social harms, necessitating the involvement of police and judicial institutions for effective management. assessing, evaluating, and identifying crime patterns, as well as detecting and preventing criminal activities, have been the focal points of judicial and law enforcement agencies since ancient times. consequently, crime prevention is consistently prioritized over crime detection after it occurs. various methods have been introduced for crime detection, including a wide range of innovative computer techniques. data mining is regarded as one of the most effective tools for data and information analysis in the field of crime detection. many effective parameters are available for analyzing crime through data mining methods. data mining serves as a valuable tool for examining crime data warehouses, helping to extract hidden knowledge within them. the application of data mining techniques, along with various machine learning methods, can yield significant benefits in identifying, predicting, and preventing crime in any society. diagnosing, predicting, and preventing crime through data mining represents a progressive approach supported by statistical methods, psychology, artificial intelligence, criminology, machine learning, and database technologies. consequently, the primary objective of this research is to establish a framework for analyzing digital network data in the battle against social anomalies, particularly the crime of theft. in this research, materials related to the crime of theft have been categorized into three areas: crime identification, prediction, and prevention. additionally, the application of data mining methods has been explored within these domains.methodology: this research is applied in terms of its purpose and was conducted using documentary methods, content analysis, and data mining.