پیش‌بینی بازگشت به جرائم خشونت‌آمیز با استفاده از ترکیب شبکه عصبی کانولوشنی و ماشین بردار پشتیبان

بازگشت به جرم خشونت‌آمیز یکی از مهم‌ترین چالش‌های پیشروی سیستم‌های عدالت کیفری در سراسر جهان است. پیش‌بینی دقیق احتمال بازگشت به جرم می‌تواند نقش مهمی در بهبود تصمیم‌گیری‌های قضایی، تعیین وثیقه، صدور احکام، برنامه‌ریزی برای بازپروری مجرمان و تخصیص منابع ایفا کند. به‌ویژه در مورد جرائم خشونت‌آمیز که تهدید جدی برای امنیت عمومی محسوب می‌شوند، نیاز به مدل‌های پیش‌بینی دقیق و قابل‌اعتماد بیش‌ازپیش احساس می‌شود. در این پژوهش، یک مدل ترکیبی مبتنی بر شبکه عصبی کانولوشنی و ماشین بردار پشتیبان برای پیش‌بینی بازگشت به جرائم خشونت‌آمیز ارائه‌شده است. ایده اصلی مدل پیشنهادی، استفاده از قدرت شبکه عصبی کانولوشنی در استخراج ویژگی‌های پیچیده و غیرخطی از داده‌های ورودی و بهره‌گیری از قابلیت بالای ماشین بردار پشتیبان در ایجاد مرزهای تصمیم‌گیری دقیق برای طبقه‌بندی است. مجموعه داده مورد استفاده در این تحقیق داده‌های سامانه مدیریت پروفایل مجرمان و ارزیابی مجازات جایگزین است که شامل اطلاعات جمعیت شناختی، سوابق کیفری، ویژگی‌های رفتاری و متغیرهای مرتبط با زندانیان است. پس از پیش‌پردازش داده‌ها شامل پاک‌سازی، نرمال‌سازی و تبدیل متغیرهای دسته‌ای به داده‌های عددی، داده‌ها به مدل پیشنهادی اعمال گردید. معماری شبکه عصبی کانولوشنی برای استخراج ویژگی‌های چندبعدی طراحی شد و لایه‌های تمام متصل خروجی را به طبقه‌بندی کننده ماشین بردار پشتیبان منتقل کردند. برای جلوگیری از بیش‌برازش از تکنیک‌هایی مانند توقف زودهنگام و حذف تصادفی نورون‌ها استفاده شد. نتایج ارزیابی نشان داد که مدل پیشنهادی توانسته است به‌دقت کلی 0٫94درصد ، شاخص زیر منحنی برابر با 0٫99درصد، دقت پیش‌بینی بالا و یادآوری قابل توجه دست یابد.

predicting recidivism to violent crime using a combination of convolutional neural networks and support vector machines

recidivism is one of the most important challenges facing criminal justice systems worldwide. accurate prediction of recidivism can play an important role in improving judicial decision-making, setting bail, sentencing, planning for offender rehabilitation, and allocating resources. especially for violent crimes that pose a serious threat to public safety, the need for accurate and reliable predictive models is increasingly felt. in this study, a hybrid model based on convolutional neural networks and support vector machines is presented to predict recidivism. the main idea of ??the proposed model is to use the power of convolutional neural networks to extract complex and nonlinear features from input data and to exploit the high capability of support vector machines to create accurate decision boundaries for classification. the dataset used in this study is the data of the offender profile management and alternative sentencing assessment system, which includes demographic information, criminal records, behavioral characteristics, and variables related to prisoners. after data preprocessing including cleaning, normalization and conversion of categorical variables to numerical data, the data were applied to the proposed model. a convolutional neural network architecture was designed to extract multidimensional features and fully connected layers passed the output to the support vector machine classifier. techniques such as early stopping and random removal of neurons were used to prevent overfitting. the evaluation results showed that the proposed model was able to achieve an overall accuracy of 0.94%, an index under the curve of 0.99%, high prediction accuracy and significant recall.