پیش‌بینی بزهکاری نوجوانان با بهره‌گیری از مدل‌های یادگیری ماشین مبتنی بر شاخص‌های شناختی–هیجانی: تلفیق آزمون‌های روان‌شناختی، داده‌های رفتاری و سامانه‌های هوش مصنوعی
Keywords:
بزهکاری نوجوانان, یادگیری ماشین, هوش مصنوعی, شاخص‌های شناختی–هیجانیAbstract
بزهکاری نوجوانان به‌عنوان یکی از پدیده‌های پیچیده اجتماعی–حقوقی، تحت تأثیر مجموعه‌ای از عوامل شناختی، هیجانی، رفتاری و محیطی قرار دارد و شناسایی زودهنگام عوامل خطر می‌تواند نقش مؤثری در پیشگیری، مداخله و سیاست‌گذاری کیفری ایفا کند. در سال‌های اخیر، توسعه روش‌های مبتنی بر هوش مصنوعی و یادگیری ماشین امکان تحلیل هم‌زمان داده‌های چندبعدی و پیش‌بینی الگوهای رفتاری پرخطر را فراهم ساخته است. مقاله حاضر با هدف بررسی ظرفیت مدل‌های یادگیری ماشین در پیش‌بینی بزهکاری نوجوانان مبتنی بر شاخص‌های شناختی–هیجانی، به مرور و تحلیل ادبیات علمی موجود در حوزه تلفیق آزمون‌های روان‌شناختی، داده‌های رفتاری و سامانه‌های هوش مصنوعی می‌پردازد. در این مطالعه، پژوهش‌های مرتبط با کاربرد الگوریتم‌های یادگیری ماشین در شناسایی رفتارهای بزهکارانه، ارزیابی عوامل روان‌شناختی نظیر تنظیم هیجان، کنترل تکانه، همدلی، سبک تصمیم‌گیری و نیز داده‌های رفتاری و اجتماعی مورد بررسی قرار گرفته‌اند. یافته‌ها نشان می‌دهد که مدل‌های ترکیبی مبتنی بر ادغام داده‌های روان‌شناختی، رفتاری و زمینه‌ای، در مقایسه با روش‌های آماری سنتی، از دقت و توان پیش‌بینی بالاتری برخوردارند. با وجود این، چالش‌هایی نظیر سوگیری الگوریتمی، حفظ حریم خصوصی نوجوانان، تفسیرپذیری مدل‌ها و ملاحظات حقوقی مرتبط با برچسب‌زنی پیش‌بینانه، محدودیت‌های مهمی در به‌کارگیری این فناوری‌ها ایجاد می‌کند. نتایج مقاله بر ضرورت توسعه مدل‌های شفاف، تبیین‌پذیر و مبتنی بر نظارت انسانی در کاربردهای عدالت کیفری نوجوانان تأکید دارد و پیشنهاد می‌کند بهره‌گیری از رویکردهای میان‌رشته‌ای در پیوند روانشناسی، جرم‌شناسی و هوش مصنوعی می‌تواند به ارتقای نظام‌های پیشگیری و مداخله زودهنگام کمک کند.
Downloads
References
1. Steinberg, L. (2017). Risk taking in adolescence. Annual Review of Psychology, 68, 1–
25.
2. Moffitt, T. E. (2018). Adolescent antisocial behavior. Psychological Bulletin, 144(3),
256–270.
3. Casey, B. J., Jones, R. M., & Somerville, L. H. (2018). Braking and accelerating of the
adolescent brain. Journal of Research on Adolescence, 28(1), 18–29.
4. Shulman, E. P., et al. (2016). The dual systems model of adolescent risk-taking.
Developmental Cognitive Neuroscience, 17, 1–7.
5. Farrington, D. P. (2020). The development of offending and antisocial behavior.
Cambridge University Press.
6. World Health Organization. (2021). Adolescent mental health. WHO Report.
7. Hawkins, J. D., et al. (2016). Preventing youth violence. American Journal of
Preventive Medicine, 51(4), S171–S181.
8. Berk, R. (2019). Machine learning risk assessments in criminal justice settings. Annual
Review of Criminology, 2, 209–229.
9. Dressel, J., & Farid, H. (2018). The accuracy, fairness, and limits of predicting
recidivism. Science Advances, 4(1).
10. Obermeyer, Z., et al. (2019). Dissecting racial bias in algorithms. Science, 366(6464),
447–453.
11. Angwin, J., Larson, J., Mattu, S., & Kirchner, L. (2016). Machine bias. ProPublica.
12. Steinberg, L. (2017). Adolescence. McGraw-Hill Education.
13. Ferguson, A. G. (2017). The rise of big data policing. NYU Press.
14. Hirschi, T. (1969). Causes of delinquency. University of California Press.
15. Sampson, R. J., & Laub, J. H. (2016). Life-course theory of crime.
16. Akers, R. L. (1998). Social learning and social structure: A general theory of crime
and deviance.
17. Warr, M. (2018). Companions in crime
18. Beck, A. T. (2011). Cognitive therapy of personality disorders.
19. Casey, B. J., et al. (2018). The adolescent brain. Journal of Research on Adolescence,
28(1), 18–29.
20. Lipsey, M. W., et al. (2017). Cognitive-behavioral programs for offenders. Campbell
Systematic Reviews.
21. Casey, B. J., Jones, R. M., & Somerville, L. H. (2018). Braking and accelerating of the
adolescent brain. Journal of Research on Adolescence, 28(1), 18–29.
22. Decety, J., et al. (2016). Empathy and moral behavior. Current Opinion in Psychology,
6, 1–5.
23. Blair, R. J. R. (2018). Traits of empathy and morality in antisocial behavior. Nature
Reviews Neuroscience, 19(9), 1–13.
24. Gross, J. J. (2015). Emotion regulation: Current status and future prospects.
Psychological Inquiry, 26(1), 1–26.
25. Aldao, A., Nolen-Hoeksema, S., & Schweizer, S. (2016). Emotion regulation strategies
across psychopathology. Clinical Psychology Review, 45, 87–101.
26. Berk, R. (2019). Machine learning risk assessments in criminal justice settings. Annual
Review of Criminology, 2, 209–229. https://doi.org/10.1146/annurev-criminol-011518-
024433
27. Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression
(3rd ed.). Wiley.
28. Noble, W. S. (2006). What is a support vector machine? Nature Biotechnology, 24(12),
1565–1567. https://doi.org/10.1038/nbt1206-1565
29. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273–
297. https://doi.org/10.1007/BF00994018
30. Berk, R. (2019). Machine learning risk assessments in criminal justice settings. Annual
Review of Criminology, 2, 209–229. https://doi.org/10.1146/annurev-criminol-011518-
024433
31. Wang, J., et al. (2021). Machine learning approaches for crime prediction: A systematic
review. Expert Systems with Applications, 185, 115545.
https://doi.org/10.1016/j.eswa.2021.115545
32. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444.
https://doi.org/10.1038/nature14539
33. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
34. Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural
Networks, 61, 85–117. https://doi.org/10.1016/j.neunet.2014.09.003
35. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural
Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
36. Lipton, Z. C., Berkowitz, J., & Elkan, C. (2015). A critical review of recurrent neural
networks. arXiv preprint.
37. Rokach, L., & Maimon, O. (2014). Data mining with decision trees: Theory and
applications.
38. Chouldechova, A. (2017). Fair prediction with disparate impact. Big Data, 5(2), 153–
163. https://doi.org/10.1089/big.2016.0047
39. United Nations. (1948). Universal Declaration of Human Rights.
40. United Nations. (1966). ICCPR.
41. European Union. (2024). Artificial Intelligence Act (AI Act).
42. Law Commission (UK). (2022). Automated Decision-Making and Public Law.
43. CEPEJ. (2018). European Ethical Charter on the Use of AI in Judicial Systems. Council
of Europe.
44. General Data Protection Regulation (GDPR). (2016/679). Article 22.
45. Harcourt, B. E. (2007). Against Prediction: Profiling, Policing, and Punishing in an
Actuarial Age. University of Chicago Press.
46. Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A Flaw in Human
Judgment. Little, Brown Spark.
