داده کاوی

هدف: شناسایی و طبقه بندی مشتریان بیمه درمان به منظور شناسایی جامعه هدف و در نتیجه افزایش سودآوری شرکت های بیمه، ایجاد توازن در پرداختی حق بیمه و طراحی استراتژی بازاریابی. روش شناسی: در این مقاله از 5 الگوریتم یادگیری ماشین درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، بیز ساده و رگرسیون لجستیک به منظور طبقه بندی مشتریان به دو دسته سود ده و زیان ده استفاده شده است. به این منظور از داده ها و اطلاعات تعداد 2897 بیمه نامه درمان یک شرکت بیمه خصوصی در بازه زمانی آذر 1400 تا آذر 1401 استفاده شده است. یافته ها: این مقاله نشان می دهد که با استفاده از روش های یادگیری ماشین و ویژگی های ثبت شده از مشتریان در پرسشنامه سلامت می توان سود ده یا زیانده بودن آن ها را تا حدود مناسبی پیش بینی کرد. این مقاله نشان می دهد که تمرکز بر روی جامعه هدف معرفی شده توسط مدل شانس موفقیت و افزایش سود را به مقدار چشم گیری افزایش می دهد. نتیجه گیری: می توان با استفاده از روش های یادگیری ماشین به درک مناسبی از مشخصه های مشتریان بیمه درمان و نیاز های آنها رسید. پیدا کردن جامعه هدف علاوه بر این که به افزایش سود شرکت بیمه منجر می شود می تواند با تمرکز بر خواسته های مشتریان به افزایش رضایتمندی آن ها نیز منجر شود.

امروزه جمع آوری داده های بیماری ها، به جهت شناسایی و درمان آن ها از اهمیت زیادی برخوردار است. به منظور کشف الگوهای پنهان در این داده ها می توان از روش های داده کاوی استفاده کرد. نتایج حاصل از داده کاوی به پزشکان کمک می کند تا بتوانند راه حل های جدیدی را برای درمان یا پیشگیری بیماری ها پیدا کنند. افسردگی ازجمله بیماری های روانی است که روزبه روز در حال گسترش است. این بیماری همراه با اختلال در خلق وخو، اندیشه و بدن ایجاد و باعث می شود فرد احساس ناراحتی و بی فایده بودن کند. هدف اصلی این پژوهش ارائه مدلی در جهت تشخیص میزان افسردگی بیماران افسرده و بررسی ارتباط آن با موسیقی در جهت ارائه راه حل های مفید به منظور بهبود این بیماران است. در این تحقیق 470 نفر از بیماران مبتلا به افسردگی 2 شهر تهران و کرج موردبررسی قرار گرفتند تا ارتباط بین پارامترهای سبک زندگی و موسیقی موردعلاقه آن ها با بیماری افسردگی کشف شود. بیماری های فیزیکی مختلفی می تواند منجر به افسردگی شود. ازاین رو، تعدادی از این بیماری ها در این پژوهش موردبررسی قرار گرفتند. از الگوریتم های درخت تصمیم گیر و ماشین بردار پشتیبان و برنامه رپیدماینر استفاده شد. نتایج نشان داد که موسیقی و ورزش نقش مهمی در میزان افسردگی افراد دارد و گوش کردن به موسیقی های غمگین و راک و متال می تواند به افسرده شدن فرد کمک کند.

مقدمه: هدف کشف الگوها و موضوعات خواندن و تیپ های مطالعه کننده سالمندان براساس قوانین داده کاوی است.روش: پژوهش حاضر از فنون داده کاوی و الگوریتم های قوانین طبقه بندی و خوشه بندی استفاده می کند. نمونه این پژوهش شامل 918324 داده امانت کتاب از سامانه مدیریت کتابخانه های عمومی ایران بود. این داده ها مورد پالایش قرار گرفتند و با استفاده از نرم افزارهای اکسل، اس پی اس اس و کلمنتاین تحلیل شدند.یافته ها: نتایج نشان داد مردان سالمند در حدود 5/2 برابر زنان سالمند کتاب امانت گرفتند. ازنظر سنی بیشتر امانت های سالمندان در دوره آغازین سالمندی ثبت شده بود. کتاب های ادبی حدود نصف و کتاب های تاریخی حدود یک پنجم از علایق خواندن سالمندان را تشکیل می دادند. کاربران سالمند بیشتر از عموم کاربران، تمایل به خواندن موضوعات ادبی، تاریخی و مذهبی داشتند. نتایج داده کاوی نشان داد متغیرهای جنسیت، تحصیلات، سن و شغل به ترتیب پیش بینی کننده های موضوع کتاب های مطالعه شده توسط سالمندان بودند. جنسیت نخستین پیش بینی کننده بود، برای زنان سطح تحصیلات و برای مردان گروه سنی، دومین متغیر پیش بینی کننده بودند. به صورت کلی، زنان گرایش به ادبیات ایرانی و مردان گرایش به مطالعه کتاب های غیرادبیات داشتند. خوشه بندی تیپ های سالمندان نیز 5 خوشه را برای ویژگی های سالمندان و رده کتاب ها نشان داد.نتیجه گیری: این پژوهش نشان داد علایق خواندن سالمندان متفاوت از عموم مردم است و موضوعات مورد علاقه سالمندان متنوع بوده و متأثر از ویژگی های جمعیت شناختی آن ها است.

اعتماد اجتماعی به عنوان شیرازه ی همبستگی اجتماعی، امری بنیادین در برقراری و تداوم جامعه است. پژوهش های انجام شده طی سال های اخیر گویای کاهش اعتماد اجتماعی در ابعاد سازمانی و رسمی آن است. از سوی دیگر در سال های اخیر با روند رو به رشد استفاده از اینترنت و شبکه های اجتماعی مواجه بوده ایم که خود به معنای دسترسی سریع به اخبار و داده های بسیار درباره ی رخدادهای اجتماعی است. چنین به نظر می رسد که در شرایط جدید، گسترش ارتباطات جهانی از طریق اینترنت و شبکه های اجتماعی، فرایند شکل گیری اعتماد را نیز متأثر کرده و به واسطه ی فعالیت در فضای مجازی نقش سازمان های غیر رسمی، گروه های فعال و حتی افراد در جهت گیری اعتماد اجتماعی اهمیت یافته است. در این مقاله کوشیده ایم با استفاده از روش های نوین داده کاوی، با پایش داده های توییتر، سطح اعتماد به عملکرد سیاسی دولت درباره موضوع برجام را بسنجیم. برای این منظور توییت ها بر اساس اعتماد، بی اعتمادی و خنثی دسته بندی شده و مدلی پیش بینی کننده برای اعتماد بر اساس داده های توییتر ایجاد شده است که متوسط اعتماد را بر اساس معادله رگرسیون اندازه گیری می کند. همچنین همبستگی متوسط اعتماد با ارزش کالاهای سرمایه ای به طور خاص سکه بهار آزادی و دلار بررسی شده است. نتایج حاکی از آن است که اخبار منفی درباره ی برجام باعث افزایش بی اعتمادی کاربران می شود. از سوی دیگر بین بی اعتمادی که موجب عدم اطمینان نسبت به آینده می گردد و نوسان قیمت کالاهای سرمایه ای مانند ارز و سکه همبستگی مشاهده می شود. به بیان دیگر بی اعتمادی و عدم ثبات اجتماعی تنش در بازار کالاهای سرمایه ای مانند سکه و ارز را افزایش داده و ترس از آینده و میل به نگاه داشت سرمایه موجب افزایش تقاضا، همچنین رشد بیشتر قیمت کالاهای سرمایه ای می گردد.

هدف: با نقش روزافزون رسانه های اجتماعی در رشد دیجیتال مارکتینگ، به عنوان یکی از روندهای بازاریابی بسیار مهم و پیش بینی ناپذیر امروزه، پلتفرم های خاصی مانند فیسبوک و اینستاگرام به ابزارهای ضروری در حوزه تبلیغات و بازاریابی تبدیل شده اند. این نشان می دهد که اینستاگرام از نظر پلتفرم های رسانه های اجتماعیِ پیشرو که توسط متخصصان بازاریابی و صاحبان برند استفاده می شود، پس از فیسبوک در رتبه دوم قرار دارد. حجم گسترده محتوای تبلیغاتی و بازاریابی تولید شده در شبکه های اجتماعی، باعث شده است که صاحبان کسب وکارها، این محتوا را به گونه ای تهیه کنند که برای مخاطبان هدف جالب توجه باشند و به این طریق میزان مشارکت را در صفحات کسب وکار خود افزایش دهند. از سوی دیگر، با توجه به افزایش چشمگیر تعداد دنبال کنندگان شبکه اجتماعی اینستاگرام طی سال های گذشته و همچنین، علاقه کاربران به دنبال کردن کسب وکارها در این پلتفرم، اهمیت مضاعف این شبکه برای متخصصان حوزه بازاریابی پوشیده نیست. با توجه به آنچه بیان شد، هدف این مطالعه بررسی تأثیر ویژگی های محتوای منتشرشده بر مشارکت مشتری در شبکه اجتماعی اینستاگرام است. روش: با توجه به حجم عظیم محتوای تولید شده در شبکه های اجتماعی، یکی از روش های عالی برای تجزیه وتحلیل و شناسایی الگوهای موجود در این شبکه ها، تکنیک های داده کاوی است. بدین منظور، ویژگی های بصری و متنی ۴۹۰ محتوای منتشرشده در صفحات تجاری فراورده های آرایشی و بهداشتی، از برندهای سینره، لایسل، شون و بایودرما، گردآوری شد. سپس با استفاده از نرم افزار داده کاوی کلمنتاین و سه روش قوانین انجمنی، مدل اپریوری و درخت تصمیم، ویژگی های مؤثر بر رفتارهای مشارکت مشتریان از منظر لایک ها، کامنت ها و مکالمه ها شناسایی و چگونگی تأثیرگذاری آن ها ارزیابی شد. یافته ها: نتایج این پژوهش بیانگر آن است که ویژگی های بصری و متنی تعبیه شده در محتوای پیام های منتشر شده، بر رفتارهای مشارکت مشتریان تأثیر می گذارد. بر اساس این یافته ها استفاده از ویژگی های متنی ترغیب کننده، مانند مناسبت های رسمی و واقعیت های شایان توجه و همچنین، ویژگی های متنی آگاه ساز، مانند قیمت و مخاطبان هدف، بر میزان مشارکت مشتریان با صفحات کسب وکارها تأثیر می گذارد. افزون بر این، ویژگی های بصری آگاه ساز، مانند مرکزیت برند و مرکزیت محصول، در بازه های مقداری مشخصی، بر رفتار مشارکت مشتریان تأثیرگذار است. نتیجه گیری: پژوهش های پیشین در شبکه اینستاگرام، به طور عمده روی لایک ها و کامنت ها، به عنوان رفتارهای مشارکت مشتریان تأکید کرده اند. پژوهش حاضر علاوه بر بررسی این دو رفتار، گفت وگوهای صورت گرفته در کامنت ها (مکالمه ها) را نیز ارزیابی کرده است. افزون بر این، پژوهش حاضر با در نظر گرفتن همه جنبه های محتواهای منتشر شده و معرفی ۱۳ ویژگی متنی و ۲ ویژگی بصری، درک عمیق تری از ویژگی های محتواهای تأثیرگذار بر رفتارهای مشارکت مشتریان فراهم می آورد و شکاف موجود مبنی بر چگونگی تولید محتوا به منظور افزایش مشارکت مشتریان را پُر می کند. نتایج این پژوهش به مدیران کسب وکارها و برندها، به ویژه در حوزه فراورده های آرایشی و بهداشتی کمک می کند تا استراتژی مشارکت مشتری کارآمد و مؤثری را در شبکه های اجتماعی بصری در پیش گیرند.  

از آنجایی که کیفیت حسابرسی چالشی چند بعدی از دو منظ ر نظ ری و کارب ردی (عمل ی) می باشد و از دیدگاه های مختلف می تواند تابع عواملی چون توانایی های حسابرس (دانش، تجربه، قدرت تطبیق و کارایی فنی) و ضوابط حرفه ای (استقلال، عینیت، مراقبت حرفه ای، تضاد منافع و قضاوت) باشد، مدل درخت احتمال که از فنون متداول داده کاوی در راستای حل مسائلی است که از نوع طبقه بندی می باشد. بخوبی دسته بندی و تحلیل عوامل سنجش کیفیت حسابرسی را انجام می دهد ... لذا مدل پیشنهادی مبنایی برای بررسی احتمال وقوع رویدادها می باشد که مشتمل بر 4 شاخص ورودی، فرایند، زمینه و پیامد است. نتایج حاکی از آن است که مدل پیشنهادی درخت احتمالات در سنجش فرایند و پیامد کیفیت حسابرسی موثر است، اما در سنجش ورودی و زمینه کیفیت حسابرسی موثر نیست. هدف این پژوهش سنجش کیفیت حسابرسی شرکتها با استفاده از مدل درخت احتمالات است که به روش توصیفی- تحلیلی و با هدف کاربردی از طریق مدلسازی ریاضی و استفاده از مدل احتمالات آماری انجام شده است. ج امعه آماری پژوهش شرکت های پذیرفته شده در ب ورس اوراق بهادار ت هران در دوره زمانی سال های 1394- 1389 می باشد. همچنین یافته های بدست آمده از مطالعه موردی نشان می دهد که یادگیری، بخش اساسی کیفیت حسابرسی، به ویژه در موارد حسابرسی پیچیده است. تاثیر یادگیری بر کیفیت کاملا نسبت به محدودیت بودجه، تخصص بصری و پیچیدگی غیرحساس است در حالی که حساسیت بسیار زیادی نسبت به میزان یادگیری دارد.

در سال های اخیر با افزایش دسترسی به داده های متعدد و متنوع مشتریان و بهبود قابلیت های تحلیل داده ها به وسیله روش های داده کاوی فعالیت های مختلفی جهت تحلیل رفتار مشتریان انجام می شود، اما این تحلیل ها به خودی خود کافی نیستند و برای قابل استفاده شدن نیازمند قرار گرفتن در ساختار یک مدل فرایندی برای شناسایی الگوی رفتاری مشتریان و قصد خرید مجدد آن ها می باشند. به همین دلیل پایش رفتار مشتریان و ارزیابی رفتار آن ها بر اساس تعدادی از شاخص ها امری ضروری است. در این تحقیق با هدف سنجش و تحلیل اثر ارزیابی محصول و اعتماد مشتری بر قصد خرید مجدد در سیستم تجارت الکترونیک از تکنیک های داده کاوی ازجمله خوشه بندی، دسته بندی، تخمین، رگرسیون و پیشگویی استفاده می شود. پس از دریافت اطلاعات مورد نیاز و پیش پردازش داده های اولیه به دست آمده از مشتریان سایت همراه مکانیک، نتایج تحلیل تک و چند متغیره داده ها، روش های استفاده شده در پاک سازی داده ها، مدل های انتخاب شده و مقادیر پارامترهای تنظیم شده برای مدل فرایندی پیشنهادی و شاخص ها، ارزیابی مدل ها با استفاده از فرآیند کریسپ به طور کامل تحلیل و تشریح شده اند. سپس با توجه به خوشه بندی و استخراج قوانین در بازه یک سال سایت همراه مکانیک، ارزیابی محصول، ارزش درک شده و کیفیت درک شده بررسی و تحلیل شده است. مشتریان در ۵ خوشه تقسیم شدند و علایق هر خوشه با حداقل درجه اطمینان 0.9 و حداقل درجه پشتیبانی 0.4 در نظر گرفته شده است. با توجه به الگوهای رفتاری استخراج شده توسط هر یک از خوشه ها، دریافتیم که به هر خوشه چه نوع خدماتی ارائه دهیم تا میزان اعتماد مشتری بر قصد خرید مجدد مشتریان به سیستم همراه مکانیک افزایش یابد. نتایج نشان داد که با استفاده از روش پیشنهادی میزان اعتماد مشتری بیش از 40 درصد افزایش یافت و نشان داده شد که ارزیابی محصول و اعتماد مشتری منجر به افزایش قصد خرید مجدد مشتری شد.

هدف: تکامل دستگاه تلفن همراه، به طور قطع یکی از موفق ترین نوآوری های تاریخ محسوب می شود و انتشار گسترده و فراگیر بودن آن، از موفقیت این فناوری حکایت می کند. مدیران بازاریابی و کسب وکار، به طور فزاینده ای تلفن همراه را ابزاری جذاب می بینند؛ زیرا به کمک آن می توانند از طریق انواع مختلف ارتباطات بازاریابی با مشتریان تعامل داشته باشند. بازاریابی تلفن همراه، یک کانال ارتباطی و سرگرمی بین برند و مصرف کنندگان نهایی است که به عنوان جایگزینی برای رویکردهای بازاریابی کلاسیک و عنصر کلیدی بالقوه برای استراتژی های ارتباط بازاریابی یکپارچه آینده درک می شود. از سوی دیگر، پیشرفت سریع فناوری اطلاعات، به رشد انفجاری تولید داده منجر شده است. وجود پایگاه های عظیم از داده های مشتریان، امروزه مزیت فوق العاده برای کسب وکارها محسوب می شود؛ اما استفاده از روش های سنتی، توان پردازش این حجم از داده را ندارد. علم داده کاوی با فراهم کردن روش های خودکارسازی تحلیل و استخراج داده ها، راه حل مناسبی برای این مسئله است. هدف این پژوهش ارائه مدلی برای پیش بینی عوامل پذیرش بازاریابی تلفن همراه با استفاده از رویکرد ترکیبی مدل سازی معادلات ساختاری و شبکه عصبی مصنوعی است. رویکرد PLS-ANN یک روش تحلیلی جدید در سیستم های خبره و هوش مصنوعی است. این رویکرد، در مقایسه با رویکرد رگرسیون چندمتغیره موجود، چندین مزیت دارد که فقط می تواند مدل های خطی و جبرانی را آزمایش کند. روش: پرسش نامه ها به صورت آنلاین و به روش نمونه گیری در دسترس توزیع و ۲۱۹ نسخه جمع آوری شد. داده های توصیفی با استفاده از نرم افزار اس پی اس اس و فرضیه های پژوهش ابتدا با استفاده از مدل سازی معادلات ساختاری و روش حداقل مربعات جزئی (PLS-SEM) و در گام بعدی با استفاده از شبکه عصبی مصنوعی (ANN) و زبان برنامه نویسی پایتون بررسی شدند. یافته ها: نتایج این مطالعه بیان می کند که روابط پیشنهادی بین سازه ها، ضرایب معناداری را نشان می دهند؛ بنابراین مدل پژوهش به طور کلی قابل قبول است. براساس نتایج به دست آمده از مدل سازی معادلات ساختاری، تمام فرضیه های پژوهش، مبنی بر تأثیر مثبت متغیرهای نگرش، شخصی سازی ، نوآوری مصرف کننده، اعتبار و آگاهی بخشی بر پذیرش بازاریابی تلفن همراه تأیید شد و شبکه عصبی مصنوعی نیز توانست به خوبی و با دقت 96/0 مدل پژوهش را پیش بینی کند. نتیجه گیری: مزایای بازاریابی تلفن همراه، شامل در دسترس بودن در همه جا، سفارشی سازی بر اساس مشخصات مکانی زمانی و ویژگی های فردی کاربران است. بازاریابی تلفن همراه، نحوه تعامل بازاریابان با مشتریان خود را تغییر داده است. این روند فرصت های جدیدی را برای مشاغلی که در دسترسی به مصرف کنندگان به روش های سنتی مشکل دارند، شکل داده است. بنابراین، بررسی واکنش های مصرف کنندگان به ارتباطات بازاریابی با این فناوری های جدید، اجتناب ناپذیر است. نتایج پژوهش پیش رو، می تواند به مدیران بازاریابی کسب وکارها، به منظور تدوین استراتژی بازاریابی مناسب برای استفاده از ابزار تلفن همراه کمک کند.

با توجه به نقش گفتگوی سازنده در بهبود روابط انسانی از یک سو و الگو بودن پیامبران در نگرش دینی از سوی دیگر، هدف از این پژوهش استخراج الگوی گفتگوهای انسانی پیامبران در قرآن کریم است. به این منظور برای مطالعه و تحلیل روشمند آیات گفتگوی پیامبران از قواعد انجمنی استفاده شده که یکی از روش ها و الگوریتم ها در علم داده کاوی رایانشی است. با استفاده از این الگوریتم می توان شرایط حاکم بر گفتگو را بر اساس نحوه باهم آیی ویژگی های گفتگو تحلیل نمود. یافته های پژوهش نشان می دهد، در کل قرآن کریم ۵۹۱ آیه اختصاص به گفتگوی انسانی پیامبران دارد که به صورت ۱۶۰ گفتگوی مجزّا قابل تفکیک است. با تعیین ویژگی های تأثیرگذار در یک گفتگو و استخراج این ویژگی ها برای تمامی گفتگوهای انسانی پیامبران، الگوی گفتگوی پیامبران توسط 15 قاعده ارائه شد. در نتیجه می توان ادعا نمود که گفتگوی پیامبران که در قرآن ذکر شده، دارای الگوی قابل استخراج است و این الگو با روش به کار رفته در این پژوهش در قالب ۱۵ قاعده ارائه شده است.

هدف: هدف مقاله حاضر ارائه مدل ارزشیابی عملکرد و بازخوردگیری از دانش آموختگان افسری در قالب دو فازِ «مصاحبه ساختاریافته» و «ارائه مدل ساختاری توأم با داده کاوی» است. روش: این پژوهشِ کاربردی، به روش توصیفی-همبستگی انجام و در آن از روش های مصاحبه کانونی ساختاریافته و پرسشنامه محقق ساخته استفاده شد. جامعه آماری فازِ اول، 22 خبره علمی-نظامی (به صورت هدفمند و به روش دلفی و تا رسیدن به مرحله اشباع نظری) و برای فاز دوم، 98 نفر از دانش آموختگان اخیر دافوس است. روایی پرسشنامه با استفاده از نظر خبرگان و پایایی آن بر اساس شاخص آلفای کرونباخ، تأیید شد. تجزیه وتحلیل داده ها شامل رتبه بندی، وزن دهی، آزمون کروسکال-والیس، مدل سازی معادلات ساختاری و نیز استفاده از داده کاوی بود. برای این منظور از نرم افزارهای SmartPLS، Minitab و محیط برنامه نویسی پایتون استفاده شد. یافته ها: یافته های تحقیق حاکی از این است که مدل ساختاری پیشنهادی ارزشیابی عملکرد و بازخوردگیری از دانش آموختگان افسری در محیط های پیچیده و متنوع امروزی با 15 فرضیه مستقیم و 17 فرضیه با نقش میانجی، مورد تأیید است. نتیجه گیری: نتایج معادلات ساختاری در فاز اول، مؤید این است که شایستگی های هشت گانه مندرج در سند منشور تربیتی افسر از دیدگاه فرماندهی معظم کل قوا(مدظله العالی) به انضمام شایستگی های مهارتی، به صورتی توأمان و از منظر پیامدهای دانشگاهی و یگانی، بر عملکرد افسران فارغ التحصیل اثرگذار است. البته در این میان شایستگی های فرماندهی، بیشترین تأثیر را بر شایستگی های سازمانی دانش آموختگان با ضریب 0.9 دارد. همچنین نتایج داده کاوی در فاز دوم، نشان داد بر اساس مدل ساختاری پیشنهادی، پیامدهای دانشگاهی با پیامدهای یگانی دارای همبستگی مثبتی می باشند.

هدف این پژوهش، ارائه چارچوبی داده محور برای سنجش و ارزیابی روش ها و فنون تدریس اعضای هیأت علمی در آموزش دانشگاهی با تمرکز بر نقش این ارزیابی ها در تضمین کیفیت آموزشی است. برخلاف اغلب مطالعات پیشین که عمدتاً بر تحلیل های توصیفی یا نظرات خبرگان متکی بوده اند، در این پژوهش از داده های واقعی حاصل از ارزشیابی تدریس توسط دانشجویان و نمرات عملکرد آموزشی آنان استفاده شده است. جامعه آماری شامل داده های دروس ارائه شده در دانشگاه های قم و بزرگمهر قائنات طی سال های ۱۳۹۵ تا ۱۴۰۴ است. ابتدا معیارهای ارزشیابی تدریس با استناد به دستورالعمل های وزارت علوم استخراج شد. سپس با بهره گیری از الگوریتم های داده کاوی، به ویژه خوشه بندی، دروس با الگوهای ارزشیابی مشابه گروه بندی شدند و معیارهای مرتبط با خوشه های دارای بالاترین عملکرد تحصیلی شناسایی گردید. در ادامه، وزن و اهمیت نسبی هر معیار به صورت داده محور محاسبه و نرمال سازی شد. نتایج تحلیل نشان داد که معیار «واکنش منطقی و معقول به پیشنهادها، انتقادها و دیدگاه های دانشجویان» با وزن 0.07803 بیشترین تأثیر را بر بازدهی آموزشی دانشجویان دارد. پس از آن، معیار «تسلط استاد بر موضوع درس» با وزن 0.07774 در رتبه دوم قرار گرفت. در مرحله پایانی، راهکارهایی برای بهبود معیارهای با اولویت بالا تدوین و با استفاده از تکنیک های تصمیم گیری چندمعیاره شامل AHP اولویت بندی گردید. یافته ها نشان می دهد که رویکرد تلفیقی مبتنی بر داده کاوی و تحلیل تصمیم محور، می تواند ابزاری کارآمد و دقیق در جهت بهبود نظام ارزشیابی آموزشی و ارتقای کیفیت تدریس در آموزش عالی فراهم آورد.

تقلب در مطالبات بیمه درمان تکمیلی، چالشی بزرگ است که منجر به زیان های مالی قابل توجه و تضعیف اعتماد عمومی می گردد. در این پژوهش، یک چارچوب جامع برای شناسایی تقلب با استفاده از الگوریتم های شبکه عصبی ارائه شده است. این چارچوب از سه معماری شبکه عصبی بهره می برد: الف) پرسپترون چندلایه (MLP)، ب) شبکه عصبی عمیق (DNN) پیاده سازی شده با Keras، و ج) شبکه حافظه بلندمدت (LSTM). داده های خام از منابع مختلف شامل اطلاعات بیمه نامه ها، بیمه شدگان، پرونده های خسارت، فهرست بیماری ها و اطلاعات شعب جمع آوری و پس از آن با مراحل پاک سازی، تبدیل، نرمال سازی و حذف داده های پرت (با استفاده از روش فاصله بین چارکی یا IQR) پیش پردازش شدند. مدل ها با استفاده از روش اعتبارسنجی متقاطع K-تایی و معیارهایی نظیر دقت، ماتریس سردرگمی، دقت (Precision)، بازخوانی (Recall)، امتیاز F1 و ROC-AUC  ارزیابی شدند. نتایج تجربی نشان دادند که همه مدل ها دقت بسیار بالایی (در حدود ۹۹.۹٪) دارند و این موضوع اثبات می کند که سیستم های مبتنی بر شبکه عصبی قادر به تفکیک قابل اعتماد میان ادعاهای مشروع و جعلی هستند. این سیستم پیشنهادی می تواند مسیر را برای نظارت لحظه ای مؤثرتر بر تقلب در صنعت بیمه هموار کند. این مدل ها دقت بسیار بالایی در شناسایی تقلب ها داشتند و می توانند در کاربردهای عملی و دنیای واقعی به طور مؤثر به کار گرفته شوند. نتایج این تحقیق نشان دهنده توانایی بالای این مدل ها در پردازش داده های پیچیده و غیرخطی است و این الگوریتم ها می توانند به عنوان راه حل های مؤثری برای تشخیص تقلب در بیمه های درمان تکمیلی و سایر سیستم های مشابه به کار روند. در نتیجه، این تحقیق گامی مهم در جهت توسعه مدل های هوشمند برای شناسایی تقلب در سیستم های بیمه ای است.

نوآوری های فناورانه در دهه های اخیر تحولات عمده ای در صنعت ورزش ایجاد کرده است. مدیریت ورزش، به عنوان یک حوزه پیچیده و چندبعدی، برای مواجهه با چالش های جدید و بهینه سازی عملکرد، به فناوری های نوین مانند هوش مصنوعی، داده کاوی، اینترنت اشیاء و واقعیت افزوده وابسته است. هدف این پژوهش تحلیل تأثیر این نوآوری ها در بهبود فرآیندهای مدیریتی، ارتقای عملکرد ورزشکاران و ارتقای تجربه تماشاگران است. روش تحقیق کیفی و تحلیل اسنادی به کار گرفته شد و مطالعات علمی معتبر از سال 2020 به بعد به عنوان منابع داده تحلیل شدند. یافته ها نشان می دهد که فناوری های نوین مانند هوش مصنوعی با تحلیل داده های بزرگ، تصمیم گیری های مدیریتی را بهبود داده و عملکرد ورزشکاران را ارتقا می دهد. همچنین، داده کاوی الگوهای رفتاری ارزشمندی را برای تدوین استراتژی های کارآمد ارائه می کند. اینترنت اشیاء از طریق نظارت لحظه ای بر وضعیت ورزشکاران، از آسیب های جدی جلوگیری کرده و مدیریت منابع را بهینه تر می سازد. علاوه بر این، واقعیت افزوده و مجازی با ایجاد تجربه های تعاملی برای تماشاگران و شبیه سازی شرایط مسابقه برای ورزشکاران، افق های جدیدی را گشوده اند. در عین حال، چالش هایی همچون هزینه های بالا، نیاز به نیروی متخصص، و مقاومت نسبت به تغییر، موانعی بر سر راه پیاده سازی این فناوری ها هستند. این مقاله بر اهمیت سرمایه گذاری در آموزش و پذیرش فرهنگ فناوری تأکید دارد و استفاده صحیح از این ابزارها را گامی مؤثر در جهت توسعه پایدار صنعت ورزش می داند.

هدف: امروزه داده کاوی نقش مهمی در برنامه ریزی اطلاعات گرا دارد. از این رو پژوهش حاضر با هدف تعیین رفتار اطلاع یابی پژوهشگران گروه های پژوهشی قدرت نرم، جامعه و امنیت پژوهشگاه علوم انسانی، و مطالعات فرهنگی و راهبردی وزارت علوم، تحقیقات و فناوری، با رویکرد داده کاوی به عنوان ابزاری جهت بدست آوردن الگوی نامشهود تراکنش ها و رفتارهای اطلاع یابی آنان در کار با منابع اطلاعاتی در این حوزه تخصصی انجام شد. روش شناسی پژوهش: روش پژوهش حاضر به لحاظ هدف از نوع مطالعات کاربردی بوده و با روش پیمایشی- توصیفی و با استفاده از تکنیک شبکه عصبی انجام شده است. ابزار این پژوهش پرسشنامه محقق ساخته بوده و جامعه مورد مطالعه ۱۰۰ نفر می باشد. پس از جمع آوری داده ها، شبکه عصبی به منظور خوشه بندی داده ها انتخاب و با استفاده از نرم افزار مطلب نسخه ۱۴، پژوهشگران براساس مؤلفه های اصلی پژوهش خوشه بندی شدند. سپس با حذف هر یک از زیرمؤلفه های اصلی پژوهش، مؤثرترین و کم اثرترین گزینه در رفتار اطلاع یابی آنان در کار با منابع اطلاعاتی در این حوزه تخصصی تعیین شد. یافته ها:با انجام خوشه بندی با استفاده از شبکه عصبی خودسازمان ده، مهم ترین مؤلفه در هدف و انگیزه اطلاع یابی پژوهشگران جامعه مورد مطالعه ارتقای کیفیت تدریس، مهم ترین عامل در استفاده از منابع اطلاعاتی دستیابی به مجلات تمام متن الکترونیک فارسی در محیط مجازی و ارائه خدمات اطلاعاتی در همین محیط در زمینه رشته تخصصی خود تعیین شد. نتیجه گیری: از آنجا که امروزه ما با بحث حکمرانی داده ها مواجه هستیم و داده، عنصری استراتژیک و اساس هر کسب و کاری محسوب می شود، بنابراین، بررسی رفتار داده ها با رویکردهای مختلف از جمله تکنیک شبکه عصبی حائز اهمیت و ارزش بوده و از جایگاه ویژه ای برخوردار است. لذا، با توجه به هدف و یافته های پژوهش حاضر، بررسی و خوشه بندی رفتارهای اطلاعاتی منتج از نیازهای اطلاعاتی پژوهشگران جامعه مورد مطالعه با استفاده از این رویکرد، به کسب آگاهی و شناخت مناسب از نیازهای اطلاعاتی آنان، و به تهیه و تدارک منابع مورد نیاز آنان منتج می گردد، و این امر از جمله تمهیداتی است که زمینه انجام پژوهش های موثر، کسب یافته های مناسب و در نتیجه تصمیم گیری اطلاعات گرا را بر این اساس برای مدیران و دست اندرکاران این حوزه (فضای سایبر و قدرت نرم) فراهم می نماید.  

هدف: هدف این پژوهش تجزیه و تحلیل داده های وب سایت شهرداری تهران و ارائه راهکارهای داده کاوی برای تصمیم گیری مدیران است. روش شناسی: پژوهش حاضر بنیادی بوده و از لحاظ ماهیت تحلیلی است. روش گردآوری داده ها به صورت میدانی بوده و جامعه آماری از 220 دامنه شهرداری تهران انتخاب شده و برای تجزیه و تحلیل داده ها از تکنیک های داده کاوی برای کشف الگوی مناسب تصمیم گیری مدیران شهری استفاده گردید و منبع گردآوری داده ها وب سنجی و ابزار مورد استفاده گوگل آنالیتیکس است. یافته ها: میزان دقت شبکه عصبی عمیق ال.اس.تی.ام برابر با 84/99%، است. صحت شبکه برابر با 90/99%، فراخوانی برابر با 63/99%، خطای برابر با 16/0%، معیار ام.اس.ای ام برابر با 003/0% است. دقت روش دی.بی.اسکن با سایر روش های پایه جهت تجزیه و تحلیل داده های وب سایت های شهرداری تهران برابر با 84/99%، روش یادگیری عمیق برابر با 25/99%، روش نزدیک ترین همسایه برابر با 81/99% و روش درخت تصمیم برابر با 8/99% است. با این تفاسیر میزان بهبود دقت روش دی.بی.اسکن در مقایسه با روش های یادگیری عمیق برابر با 59/0% است. نتیجه گیری: با شبیه سازی روش دی.بی.اسکن جهت شناسایی و تجزیه و تحلیل داده های وب سایت های شهرداری تهران و ارائه راه کارهای داده کاوی برای تصمیم گیری مدیران مشاهده گردید که روش مطرح شده، پیشنهادهایی را به مدیران ارائه می کند که در جهت بهبود بازدید از سایت و عملکرد شهرداری به میزان قابل توجهی موثر است.  

هدف: با توجه به افزایش سهم مصرف و تماشای ویدئو در سبد مصرفی خانواده های ایرانی، سامانه های متعددی جهت تسهیل دسترسی مردم به این ویدئوها راه اندازی و توسعه داده شده است. یکی از مهم ترین انواع این سامانه ها، سامانه های ویدئوی درخواستی می باشند که در سال های اخیر، روند رشد بی سابقه ای را در زمینه جذب مخاطب طی کرده اند. به همان اندازه که تعدد محتوا در این سامانه ها موجب تنوع و رضایت کاربران می شود، این تعدد می تواند موجب سردرگمی بیشتر برای یافتن محتواهای مورد علاقه کاربران شود. هدف این پژوهش ارائه روش کارآمد پیشنهاددهی فیلم بر مبنای داده های مشاهده کاربران در سامانه ویدئوی درخواستی است. روش : در این پژوهش یک الگوریتم جدید پیشنهاددهی مبتنی بر سلایق کاربر و داده های تماشای فیلم کاربران در سامانه ویدئوهای درخواستی ارائه می گردد. این لگوریتم مبتنی بر مفاهیم و شاخص های تحلیل شبکه اجتماعی بوده و براساس داده های تماشای فیلم کاربران، به شناسایی و پیشنهاددهی فیلم های مورد علاقه کاربران می پردازد. نتایج: عملکرد الگوریتم پیشنهادی این پژوهش بر روی داده های 50، 100 و 200 کاربر سایت سینما مارکت ارزیابی شده که نتایج آن، نشان دهنده عملکرد بهتر الگوریتم پیشنهادی این پژوهش در مقایسه با الگوریتم های Naive bayes، k-nearest neighbors و ID3 است. نتیجه گیری: سیستم های پیشنهاد دهنده با در اختیار داشتن اطلاعات فراوان و متعددی از کاربران و سوابق رفتاری آنان به پیشنهاد محتوا می پردازند. الگوریتم پیشنهادی این پژوهش قادر است با حداقل اطلاعات ممکن یعنی اطلاعات مربوط به مشاهدات کاربران با عملکرد مطلوب و قابل قبولی وظیفه پیشنهاد محتوای مطلوب کاربران را انجام دهد.  

هدف: همزمان با تحولات قرن بیستم و فرایند جهانی شدن در عصر حاضر، فناوری اطلاعات و ارتباطات، امکان ظهور جامعه شبکه ای را فراهم آورده است. جهان جدید به صورت شبکه ای درآمده که بافت اصلی آن را اطلاعات و نظام ارتباطات الکترونیک تشکیل می دهد. تغییر ماهیت مراودات اجتماعی به شکل جوامع مجازی، باعث پیدایش نوعی ناامنی اجتماعی و جرایم و بزهکاری های جدید در فضاهای مجازی شده است. به تدریج با گسترش فناوری اطلاعاتی و ارتباطی، به ویژه اینترنت و متعاقباً گسترش نوع تهدیدات و مخاطرات مرتبط با آن، مفاهیم امنیت اطلاعات، امنیت سیستم های اطلاعاتی و امنیت سایبری نیز توسعه یافت. همانگونه که در جنگ، به سربازان رفتار صحیح مقابله با انواع خطرها را آموزش می دهند، دنیای اطلاعات با وجود هکرها و حملات سایبری، یک میدان جنگ واقعی است و کارشناسان امنیت اطلاعات می بایست همانند یک سرباز خبره، رفتار صحیح مقابله با حملات سایبری را بشناسند. پژوهش کاربردی- توسعه ای حاضر، با رویکرد رسیدن به شاخص های اساسی برای طراحی الگوی رفتاری صحیح کارشناسان امنیت اطلاعات در مواجه با تهدیدات سایبری انجام شده است. روش: در این پژوهش با هدف و رویکرد کاربردی- توسعه ای، به کمک روش فراترکیب و کیفی- کمّی (متوالی- اکتشافی)، ابتدا به روش کتابخانه ای، از 270 منبع اولیه، 112 منبع غربال شده و به عنوان محور کار قرار گرفت، و به منظور شناسایی مؤلفه های امنیت سیستم های اطلاعاتی، از تکنیک هفت مرحله ای باروسو و ساندلوسکی(2007) استفاده شده است. 142 شاخص از اسناد غربال شده احصاء گردید و پس از خوشه بندی شاخص ها به کمک نرم افزار رپید ماینر، ابعاد و مولفه های پژوهش مشتمل بر 5 بعد و 17 مؤلفه استخراج شد. سپس به کمک روش دلفی دومرحله ای، با استفاده از دو گروه 15 نفره از خبرگان، سؤالات، ارزش سنجی و روایی سنجی شده و پس از اتمام بخش کیفی، وارد مرحله کمّی یا اکتشافی شده و یک دعوتنامه و پرسش نامه با 125 شاخص تأیید شده، آماده گردید و برای 156 کارشناس امنیت اطلاعات ارسال شد. با دریافت 111 پرسش نامه کامل، به دلیل اینکه مطابق رابطه کوکران، حداقل حجم جامعه آماری برابر 111 نفر است، جمع آوری پرسش نامه ها پایان یافت و فرایند تحلیل به کمک نرم افزارهای اس.پی.اس.اس. و متلب آغاز شد. یافته ها: در این پژوهش بعد «تهدیدات امنیتی» با وزن 0.983 بالاترین وزن بار عاملی را از بین سایر ابعاد داشته و مؤلفه «خسارت های غیرعمدی» از میان سایر مولفه های بعد «تهدیدات امنیتی»، بالاترین وزن را داشته است. «آسیب پذیری های امنیتی» با وزن بار عاملی 0.979 رتبه دوم، «عوامل فرایندی» با وزن بار عاملی 0.975، رتبه سوم، بعد «عوامل انسانی» با وزن بار عاملی 0.970 رتبه چهارم، و در نهایت بعد «عوامل فنی» با وزن بار عاملی 0.920 رتبه آخر را به خود اختصاص داده است. باوجود اینکه بعد «عوامل فنی» در مجموع پایین ترین امتیاز و وزن دهی را کسب کرده است؛ ولی در همین بعد، بالاترین وزن بار عاملی را مولفه های «رمزنگاری» و «تجهیزات» با امتیاز 0.978 به خود اختصاص داده و پایین ترین امتیاز را مولفه های «پایش» با وزن 0.88 و «برنامه ریزی» با وزن 0.84 به خود اختصاص داده است. نتیجه گیری: برخلاف پنداشت اکثر شرکت های داده محور مبنی بر اینکه بعد «عوامل فنی» را رتبه اول در امنیت اطلاعات می پندارند؛ ولی از نتایج به دست آمده این پنداشت نقض گردید و اهمیت الگوی رفتاری کارشناسان امنیت اطلاعات احراز شد که ناشی از قوانین، ساختار سازمانی، فرهنگ سازمانی و آموزش است. در نهایت، به کمک وزن مؤلفه ها و شاخص های به دست آمده، پس از رتبه بندی و اولویت بندی مولفه ها و مشخصه ها، پیشنهاد هایی برای اصلاح الگوی رفتاری کارشناسان امنیت اطلاعات ارائه شد.

هدف: در ادبیات آماری، اصطلاحات مختلف و غالباً مترادفی برای مفهوم داده های گم شده وجود دارد. این اصطلاحات عبارتند از داده های گم شده، داده های از دست رفته، داده های ناقص و داده های بی پاسخ. در آمار، داده های گم شده یا مقدارهای گم شده زمانی رخ می دهد که هیچ مقدار داده ای برای یک متغیر در یک مشاهده ذخیره نشده باشد. داده ها اغلب در تحقیقات اقتصادی، جامعه شناسی و علوم سیاسی از بین می روند، زیرا دولت یا نهادهای خصوصی ممکن است گزارش های حساس را ناقص ارائه دهند، یا ممکن است برخی از افراد شرکت کننده در مطالعه از ادامه همکاری انصراف دهند، یا از پاسخ دادن به برخی از سوالات اجتناب کنند، یا محققین، تکنسین ها و جمع آوری کننده داده ها ممکن است اشتباهاتی را انجام دهند که منجر به گم شدن داده ها شود. داده های گم شده می توانند باعث ایجاد اغتشاش در توزیع متغیر شوند، یعنی می توانند باعث بیش برازش یا کم برازش مدل ها شوند. داده های گم شده می توانند باعث یک سوگیری (اریبی) در مجموعه داده شوند و بنابراین تجزیه و تحلیل آماری را به سوی نتایج اریب سوق داده و نهایتاً دستیابی به یک نتیجه گیری مفید از داده های جمع آوری شده را با مشکل مواجه می سازد و می توانند منجر به تجزیه وتحلیل نادرست مدل شوند. پیش از این، برای غلبه بر مشکل داده های گم شده مرسوم ترین روش، حذف داده های گم شده بود که منجر به داده هایی با کیفیت پایین و به تبع آن تحلیل و استخراج نتایج دارای سوگیری می شد. امروزه با پیشرفت های علمی در حوزه های گوناگون و پیدایش روش های توانمند آماری، می توان پیش از مد ل سازی داده های ناکامل، مقادیر گم شده را با مقادیر مناسب جایگذاری یا برآورد کرد. با توجه به اهمیت ذکر شده موضوع مواجهه و مدیریت داده های گم شده، پژوهش حاضر با هدف ارائه روشی به منظور بهبود دقت بازیابی اطلاعات و دانش از داده های گم شده انجام شده است. روش: در روش پیشنهادی از تکنیک های داده کاوی شامل خوشه بندی و رگرسیون، و همچنین از الگوریتم های هیوریستیک شامل الگوریتم ژنتیک استفاده شده است. در روش های موجود، برای جایگزینی داده از دست رفته، از کل مجموعه داده استفاده می شود. این موضوع سبب در نظر گرفتن رکوردهای غیر مشابه رکورد مربوط به داده از دست رفته خواهد شد. لذا منجر به نتایج اشتباه خواهد شد. در الگوریتم پیشنهادی، از خوشه بندی به منظور شناسایی رکوردهای مشابه استفاده شده است. سپس، برای هر خوشه، میزان داده های گم شده هر صفت (ستون) از مجموعه داده مورد محاسبه قرار گرفته است. بر اساس میزان داده از دست رفته، از مدل رگرسیون یا از الگوریتم ژنتیک به منظور بازیابی اطلاعات از دست رفته استفاده شده است. یافته ها: نتایج پیاده سازی روش پیشنهادی بر روی یک مجموعه داده که حاوی داده های گم شده به صورت تصادفی بودند نشان داد میزان خطای الگوریتم پیشنهادی برابر 27 درصد است که نسبت به روش استفاده از میانگین، میانه و مد که دارای خطای 56.5 درصد، و روش استفاده از رگرسیون که دارای خطای 34.6 درصد، و روش ماشین بردار پشتیبان (SVM) که دارای خطای 42.1 درصد بود، دقت بالاتری در جانهی داده های گم شده داشته است. نتیجه گیری: در روش های موجود، برای جایگزینی داده از دست رفته، از کل مجموعه داده استفاده می شود. این موضوع سبب در نظر گرفتن رکوردهای غیر مشابه رکورد مربوط به داده از دست رفته خواهد شد. لذا منجر به نتایج اشتباه خواهد شد. در الگوریتم پیشنهادی، از خوشه بندی به منظور شناسایی رکوردهای مشابه، و محاسبه داده از دست رفته بر اساس رکوردهای مشابه موجود در خوشه، استفاده شده است. همچنین، در الگوریتم پیشنهادی، حذف داده های پرت، تعیین تعداد خوشه های بهینه و غیره در نظر گرفته شده است. این موضوع سبب خواهد شد، داده های غیر عادی تاثیری در محاسبه داده های از دست رفته نداشته باشند. در الگوریتم پیشنهادی، برای هر خوشه، صفاتی (ستون ها) که بیش از یک سوم داده از دست رفته دارند حذف می شوند. این موضوع سبب جلوگیری از تاثیر داده های غیر قابل اطمینان در محاسبه داده های از دست رفته خواهد شد. همچنین، از مدل رگرسیون در خوشه استفاده می شود که سبب می شود در محاسبه داده های از دست رفته، فیلدهای مربوط در صفات (ستون های) دیگر نیز در نظر گرفته شود. استفاده از الگوریتم ژنتیک در روش پیشنهادی، که منجر به استفاده تلفیقی از میانگین، میانه، مد و مدل رگرسیون می شود، سبب دستیابی به نتایج قابل قبول تری خواهد شد. کلیدواژه ها: بازیابی اطلاعات، داده های گم شده، داده کاوی، الگوریتم ژنتیک، خوشه بندی، مدل رگرسیون.

قوانین استخراج شده از داده ها یکی از مهم ترین و کاربردی ترین اشکال نمایش دانش هستند که در حوزه های مختلفی مانند سیستم های خبره، پشتیبانی تصمیم و کنترل خودکار کاربرد دارند. روش های استخراج قانون به دلیل شفافیت و تفسیرپذیری بالا به محققان امکان می دهند که الگوها و روابط زیربنایی درون داده ها را درک کنند. از این رو، رویکردها و الگوریتم های متعددی برای استخراج قانون از داده ها توسعه یافته که هر یک نقاط ضعف و قوت مربوط به خود را دارند. این مقاله با استفاده از روش مرور نظام مند به بررسی روش های استخراج قانون در حوزه داده کاوی پرداخته است. در این پژوهش 678 مقاله از پایگاه های علمی معتبر جمع آوری شد و پس از غربالگری، 19 مقاله برای تحلیل نهایی انتخاب شدند. تحلیل ها در سه بخش انجام شده است: 1) تحلیل نقادانه راهبرد های استخراج قوانین و معیارهای تحلیل عملکرد آن ها، 2) شناسایی شکاف های پژوهشی بر اساس تحلیل های صورت گرفته با هدف ارائه زمینه های مطالعاتی برای تحقیقات آینده، و 3) تحلیل محتوای متنی پژوهش ها با استفاده از ابزارهایی مانند VOS viewer برای شناسایی مفاهیم کلیدی و ارتباطات میان آن ها. نتایج این پژوهش می تواند به توسعه الگوریتم های کارآمدتر استخراج قانون در حوزه های مختلف کمک کرده و زمینه ساز تحقیقات آینده در این حوزه باشد .

با ظهور فناوری های نوین در عرصه های مختلف زندگی اجتماعی و اقتصادی، پیشگیری از جرم نیز به عنوان یکی از حوزه های کلیدی در علم حقوق و جرم شناسی، تحت تأثیر این تحولات قرار گرفته است. در این راستا، هوش مصنوعی (Artificial Intelligence - AI) و داده کاوی (Data Mining) به عنوان ابزارهای پیشرفته، امکان تجزیه و تحلیل داده های کلان و شناسایی الگوهای مجرمانه را فراهم کرده اند. این فناوری ها با استفاده از الگوریتم های پیچیده یادگیری ماشین، قادر به پردازش حجم عظیمی از داده ها در زمان بسیار کوتاه هستند و می توانند پیش بینی هایی مبتنی بر تحلیل های آماری از وقوع جرم ها، شناسایی رفتارهای مشکوک و حتی شبیه سازی جرم ها ارائه دهند.پیشرفت های اخیر در زمینه هوش مصنوعی و داده کاوی، تحولاتی چشمگیر در نحوه پیشگیری از جرم ایجاد کرده است. یکی از کاربردهای مهم این فناوری ها، استفاده از آن ها در پیش بینی و شبیه سازی وقوع جرم در مناطق خاص یا بر اساس الگوهای رفتاری است. به طور خاص، این فناوری ها به مقامات قضائی و انتظامی کمک می کنند تا با استفاده از تحلیل داده ها، مناطقی که بیشتر در معرض خطر وقوع جرم هستند را شناسایی کرده و اقدامات پیشگیرانه مؤثرتری را اتخاذ نمایند.بااین حال، استفاده از این فناوری ها با چالش های حقوقی و اخلاقی متعددی همراه است. یکی از مهم ترین چالش ها، حریم خصوصی افراد است، زیرا پردازش داده های شخصی و نظارت های هوشمند می تواند موجب نقض حقوق فردی و آزادی های شخصی شود. همچنین، سوگیری های الگوریتمی ممکن است منجر به تصمیمات ناعادلانه و تبعیض آمیز علیه گروه های خاص اجتماعی، نژادی یا جنسی گردد. در کنار این مسائل، مسئولیت کیفری تصمیمات هوش مصنوعی نیز به عنوان یکی از مسائل حقوقی پیچیده مطرح است. در صورت بروز خطاهای سیستم های هوشمند، باید تعیین شود که مسئولیت این اشتباهات بر عهده چه کسی یا چه نهادی است.