مروري بر پيش‌بيني وقوع تجمعات غيرقانوني با استفاده از مجموعه روش‌هاي يادگيري ماشين

زمينه و هدف: امروزه شبكه‌هاي اجتماعي، محل حكمراني و بستري مناسب براي دشمنان كشور شده است. در جريان تجمع‌هايي كه گاهي در كشور رخ داده، به‌درستي اثبات شده كه شبكه‌هاي اجتماعي و پيام‌رسان‌هاي خارجي، محلي براي ساماندهي، مديريت، تحريك، ترغيب و حتي آموزش جوانان براي اغتشاش و خرابكاري بوده است. در حال حاضر با افزايش سريع انواع جرائم، روش‌هاي سنتي بررسي جرم قادر به ارائه نتايج مطلوب نبوده، زيرا سرعت آن‌ها كند و ناكارآمد است. هدف از اين مطالعه اين است كه چگونه يادگيري ماشين مي‌تواند توسط نهادهاي امنيتي يا انتظامي براي كشف، پيشگيري و مقابله با تجمعات غير قانوني با سرعتي بسيار دقيق و سريع استفاده شود. روش‌شناسي: براي دست‌يابي به اين هدف تعداد 73 مقاله در بازه زماني 2012 تا 2023 كه در آن از روش‌هاي يادگيري ماشين استفاده شده مورد بررسي قرار گرفت. مشاهده مي‌كنيم كه اكثر مقالات از رويكرد يادگيري ماشين با نظارت و داده‌هاي برچسب‌گذاري‌شده استفاده مي‌‌كنند. يافته‌ها و نتيجه‌گيري: با اين حال شبكه‌هاي عصبي مصنوعي با 44 درصد، روش‌هاي جنگل تصادفي با 30 درصد و روش K-نزديك‌ترين همسايه با 26 درصد متداول‌ترين روش‌هاي مورد استفاده بودند؛ همچنين 62 درصد از محققان از مجموعه داده‌هاي مجرمانه برخط پورتال‌هاي عمومي بر روي شبكه اينترنت و 38 درصد نيز از مجموعه داده‌هاي رسمي و خصوصي سازمان‌هاي قانوني از جمله پليس در تحقيقات خود استفاده كرده‌اند. نتايج تحقيق نشان مي‌دهند كه به‌كارگيري روش‌هاي جنگل تصادفي بهترين كارائي را داشته است؛ اما براي مجموعه داده‌هاي بزرگ، استفاده از روش‌هاي شبكه عصبي مصنوعي بهترين نتايج را براي پيش‌بيني وقوع جرم بر اساس زمان و مكان آن برآورده ساخته است.