fa استخراج الگوهای جرائم مواد مخدر و شناسایی افراد در معرض خطر با استفاده از تکنیکهای داده‌کاوی جرائم اصیل orginal <span style="line-height:2;"><span style="font-size:14px;"><span style="font-family:Tahoma;"><strong>مقدمه:</strong> رشد فناوری اطلاعات در سازمان&shy;ها، منبع عظیمی از داده&shy;های ذخیره شده در حوزه جرائم مرتبط با مواد مخدر را فراهم آورده است. تحلیل این داده&shy;ها و کشف الگوهای پنهان موجود در آن به کمک داده&nbsp;کاوی می&shy;تواند به کشف و پیشگیری از وقوع جرائم در این حوزه کمک نماید<span dir="LTR">.</span> هدف این مقاله بکارگیری تکنیک&shy;های داده&shy;کاوی جهت شناسایی افراد مستعد به قاچاق مواد مخدر در استان سیستان و بلوچستان و نیز کشف الگوهای جرم است.<br> <strong>روش‌:</strong> پژوهش حاضر بر روی داده&shy;های 467 مجرم حوزه مواد مخدر در استان سیستان و بلوچستان که در ﻃﻲ ﺳﺎل&shy;های 1392 الی <span dir="LTR">1399</span> ﻣﺮﺗﻜﺐ جرم قاچاق مواد مخدر شده&shy;اند با نمونه گیری در دسترس انجام گرفته است. برای انجام این تحقیق از متدولوژی استاندارد <span dir="LTR">CRISP-DM</span> و الگوریتم&shy;های طبقه&shy;بندی ماشین بردار پشتیبان، بیزین ساده، رگرسیون لجستیک، درخت تصمیم و نزدیکترین همسایه و برای استخراج الگوهای جرائم از الگوریتم الگوکاوی اپریوری استفاده شده است.<br> <strong>یافته‌ها:</strong> الگوریتم الگوکاوی بالغ بر 20 الگوی جرم با دقت بالای 80 درصد استخراج کرده است. به علاوه نتایج نشان می&shy;دهد در میان الگوریتم&shy;های طبقه&shy;بندی، طبقه&shy;بند نزدیکترین همسایه قادر است با دقت 84 درصد افراد در معرض خطر را شناسایی کند.<br> <strong>نتیجه‌گیری:</strong>&nbsp;با بکارگیری مدل ساخته شده با این الگوریتم می&shy;توان سامانه&shy;ای برای شناسایی افراد مستعد به قاچاق مواد مخدر طراحی کرد. نتایج حاصل از پیش&shy;بینی&shy;های انجام گرفته توسط سامانه مذکور و کشف الگوهای پنهان موجود در داده&shy;ها می&nbsp;توانند کمک شایانی به پلیس، دستگاه&shy;های قضایی و مددکارهای اجتماعی در شناسایی افراد در معرض خطر و کاهش جرائم مرتبط با قاچاق مواد مخدر نمایند<span dir="LTR">.</span></span></span></span> <span style="font-size:14px;"><span style="font-family:Tahoma;"><strong>Introduction</strong>: In recent years, technology advancement and the growth of information technology in organizations have provided a huge source of data stored in the field of drug-related offenses. Analyzing these data and discovering hidden patterns in it can help detect and prevent the occurrence of crimes in this area. This paper aimed to identify the susceptible people to drug trafficking in Sistan and Baluchestan province and discover patterns of crime using data mining techniques.<br> &nbsp;<strong>Method:</strong> The present study was conducted on data of 467 drug offenders in Sistan and Baluchestan province who have committed drug trafficking in the years 2011 to 2020 by available sampling. CRISP-DM methodology was used to build a prediction model. Also, Support Vector Machine (SVM), Na&iuml;ve Bayes, Logistic Regression nad Decision Trees have been used to predict people at risk and Apriori Algorithm has been used to extract crime patterns.<br> <strong>Findings:</strong> The pattern mining algorithm extracted over 20 crime patterns with a precision of over 80%. The results of the evaluations show that the IBK classifier can accurately identify<span dir="RTL"> 84 </span>% of the people at risk.<br> <strong>Discussion: </strong>A system for identifying people susceptible to drug trafficking can be designed using the model made by the IBK classifier. In addition, the results of the predictions by the above mentioned system as well as the extracted hidden patterns can help police, judiciary and social workers to identify people at risk and reduce drug-related crimes.</span></span> جرائم مواد مخدر, داده کاوی, طبقه بند نزدیکترین همسایه, الگوهای جرم Drug offenses, Data mining, Support vector machine (SVM), Crime patterns, Crime prediction 9 38 http://refahj.uswr.ac.ir/browse.php?a_code=A-10-3892-1&slc_lang=fa&sid=1 Ahmad Bakhtiyari Shahri احمد بختیاری شهری bakhtiyari@ece.usb.ac.ir 0000-0002-3555-0841 Yes Department of Information Technology, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchestan, Zahedan, Iran گروه فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران Samira Noferesti سمیرا نوفرستی 0000-0002-3751-916X No Department of Information Technology, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchistan, Zahedan, Iran. گروه فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران Nosrat Eftekhari نصرت افتخاری 0000-0000-0000-0000 No Faculty of Electrical and Computer Engineering, Chabahar International University, Chabahar, Iran دانشکده مهندسی برق و کامپیوتر، دانشگاه بین‌المللی چابهار، چابهار، ایران Nadia Jahantigh نادیا جهانتیغ 0000-0003-3080-458X No Department of Information Technology, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchistan, Zahedan, Iran گروه فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران.