پژوهش های جرم شناسی کاربردی

پژوهش های جرم شناسی کاربردی

اهمیت و جایگاه هوش مصنوعی در پیشگیری از جرایم

نوع مقاله : مقاله پژوهشی

نویسنده
سید رضا احسان پور
استادیار گروه حقوق جزا و جرم‌شناسی دانشکده علوم انسانی دانشگاه شاهد، تهران، ایران. رایانامه: Ehssanpour@gmail.com
10.22034/aqcr.2025.2054758.1053
چکیده
زمینه و هدف: یکی از حوزه‌های مهمی که هوش مصنوعی توانسته است با قابلیت‌های منحصربه‌فرد خود در آن ورود مؤثری داشته باشد، حوزه حقوق کیفری و به‌طور ویژه پیشگیری از جرایم است. پردازش سریع و با دقت داده‌های بزرگ با استفاده از الگوریتم‌های پیچیده می‌تواند در سه ساحت اصلی پلیسی‌گری پیشگیرانه، تشخیص مجرمان با بهره‌مندی از فناوری تشخیص چهره و نهایتاً افزایش امنیت سایبری و پیشگیری از جرایم اینترنتی نقش به‌سزایی در کاهش جرایم و افزایش امکان مقابله پیشگیرانه از آنها داشته باشد.
روش: پژوهش حاضر به شیوه تحلیل محتوا و بر اساس روش توصیفی و تحلیلی انجام شده است.
یافته‌ها و نتایج: پلیسی‌گری پیشگیرانه، به معنای استفاده از داده‌ها و الگوریتم‌های هوش مصنوعی برای پیش‌بینی زمان، مکان و نوع جرایم احتمالی ا‌ست. فناوری تشخیص چهره، ترکیب هوش مصنوعی و تحلیل داده‌ها، جهت کمک به پلیس و نهادهای امنیتی برای شناسایی سریع‌تر جرایم و مجرمان و درنتیجه جلوگیری از وقوع جرم و یا دستگیری متهمان است. در حوزه امنیت سایبری نیز هوش مصنوعی با ارائه قابلیت‌هایی مانند تشخیص نفوذ، پیش‌بینی حملات، شناسایی بدافزار، تحلیل رفتار کاربر و پاسخ خودکار به تهدیدات، به یک ابزار ضروری تبدیل شده است. علیرغم مزایای بی‌شمار و اجتناب‌ناپذیر استفاده از هوش مصنوعی در پیشگیری از جرم، چالش‌های حقوقی و اخلاقی مرتبط از قبیل، تضعیف حریم خصوصی شهروندان و قابلیت سوگیری این سیستم باید مورد نظر قرار داشته و به‌درستی مدیریت گردد.
کلیدواژه‌ها
هوش مصنوعی
پیشگیری از جرم
پلیسی‌گری پیشگیرانه
فناوری تشخیص چهره
جرایم امنیت سایبری

عنوان مقاله English

The Importance and Role of Artificial Intelligence in Crime Prevention

نویسنده English

Seyed Reza Ehsanpour
Assistant Professor Department of Criminal Law and Criminology Faculty of Humanities Shahed University, Tehran, Iran. Email: npour@gmail.com
چکیده English

Field and Aims: One of the important areas where has been able to make a significant impact with its unique capabilities is in the field of criminal law, specifically crime prevention. The rapid and accurate processing of large datasets using complex algorithms can play a crucial role in three main areas: preventive policing, criminal identification using facial recognition technology, and ultimately enhancing cybersecurity and preventing cybercrimes.
Method: This article is done based on descriptive method and is analytical.
Findings and Conclusions: Preventive policing refers to the use of data and AI algorithms to predict the time, location, and type of potential crimes. Facial recognition technology, which combines AI and data analysis, assists the police and security agencies in identifying crimes and criminals more quickly, thus preventing the commission of crimes or enabling the arrest of suspects. In the realm of cybersecurity, AI has become an essential tool by providing capabilities such as intrusion detection, attack prediction, malware identification, user behavior analysis, and automated responses to threats. Despite the numerous and undeniable benefits of AI in crime prevention, legal and ethical challenges such as the erosion of citizens’ privacy and the potential for misuse of these systems must be taken into consideration and properly managed.

کلیدواژه‌ها English

Artificial Intelligence
Crime Prevention
Preventive Policing
Facial Recognition Technology
Cybersecurity Crime
- رحیمی، محمد. (1398). هوش مصنوعی و کاربردهای آن در امنیت سایبری. تهران: انتشارات دانشگاه تهران.
- فتحی، علی و حسینی، سید رضا. (1399). پلیس پیش‌بین و نقش هوش مصنوعی در پیشگیری از جرم. مطالعات پیشگیری از جرم، 15(3)، 95-78.
- کریمی، زهرا. (1400). فناوری تشخیص چهره و چالش‌های حقوقی آن. مشهد: انتشارات دانشگاه فردوسی.
- موسوی، سید محمد و نوری، احمد. (1397). تحلیل داده‌های بزرگ در پیش‌بینی جرایم با استفاده از هوش مصنوعی. پژوهش‌های اطلاعاتی و امنیتی، 12(2)، 52-34.
- شاه‌حسینی، مریم. (1396). جرایم سایبری و راهکارهای مقابله با آن. اصفهان: نشر نگاران دانش.
- نجفی، محمود و رضوانی، حسین. (1401). هوش مصنوعی و امنیت سایبری: از تشخیص تا پاسخ خودکار. فناوری اطلاعات و ارتباطات، 8(1)، 40-22.
-  قاسمی، فرهاد. (1395). پلیس پیش‌بین و کاهش جرایم در کلان‌شهرها. تهران: انتشارات تیسا.
- زارع، محمد و امینی، سارا. (1399). چالش‌های اخلاقی استفاده از هوش مصنوعی در نظام عدالت کیفری. اخلاق در علوم و فناوری، 14(4)، 72-55.
- پوراحمد، علی. (1398). هوش مصنوعی و تحول در نظام عدالت کیفری. شیراز: نشر دانش‌پژوه.
- رستمی، سعید و محمدی، ناصر. (1400). کاربرد یادگیری ماشین در شناسایی جرایم اینترنتی. مطالعات حقوقی و قضایی، 10(3)، 120-102.
 
- Ferguson, A. G. (2017). The Rise of Big Data Policing: Surveillance, Race, and the Future of Law Enforcement. NYU Press.
- Perry, W. L., McInnis, B., Price, C. C., Smith, S. C., & Hollywood, J. S. (2013). Predictive Policing: The Role of Crime Forecasting in Law Enforcement Operations. RAND Corporation.
- Garvie, C., Bedoya, A. M., & Frankle, J. (2016). The Perpetual Line-Up: Unregulated Police Face Recognition in America. Georgetown Law Center on Privacy & Technology.
-  Jain, A. K., Ross, A., & Nandakumar, K. (2011). Introduction to Biometrics. Springer.
- Sarker, I. H., Kayes, A. S. M., & Badsha, S. (2020). "Cybersecurity Data Science: An Overview from Machine Learning Perspective." Journal of Big Data, 7(1), 1-29.
- Kshetri, N. (2017). "Cybersecurity in the Age of AI." IT Professional, 19(5), 8-14.
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
- Zarsky, T. Z. (2016). "The Trouble with Algorithmic Decisions: An Analytic Road Map to Examine Efficiency and Fairness in Automated and Opaque Decision Making." Science, Technology, & Human Values, 41(1), 118-132.
- Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). "The Ethics of Algorithms: Mapping the Debate." Big Data & Society, 3(2), 1-21.
- Wachter, S., Mittelstadt, B., & Floridi, L. (2017). "Why a Right to Explanation of Automated Decision-Making Does Not Exist in the General Data Protection Regulation." International Data Privacy Law, 7(2), 76-99.
- Chen, X., & Zhang, Y. (2019). "AI in Cybersecurity: A Comprehensive Review." Journal of Cybersecurity and Privacy, 1(1), 1-25.
- Mohanta, B. K., & Jena, D. (2018). "An Overview of Cyber Security and Cyber Crime." International Journal of Engineering & Technology, 7(2.7), 109-113.
- Alazab, M., & Venkatraman, S. (2013). "Detecting Malicious Behaviour Using Supervised Learning Algorithms." International Journal of Electronic Security and Digital Forensics, 5(2), 90-109.
- Wang, X., & Brown, D. E. (2012). "The Application of Data Mining Techniques in Crime Analysis." Expert Systems with Applications, 39(5), 5125-5136.
- Chen, H., Chung, W., Xu, J. J., Wang, G., Qin, Y., & Chau, M. (2004). "Crime Data Mining: A General Framework and Some Examples." IEEE Computer, 37(4), 50-56.
- Berk, R., & Bleich, J. (2013). "Statistical Procedures for Forecasting Criminal Behavior: A Comparative Assessment." Criminology & Public Policy, 12(3), 513-544.
- Sommer, R., & Paxson, V. (2010). "Outside the Closed World: On Using Machine Learning for Network Intrusion Detection." IEEE Symposium on Security and Privacy, 305-316.
· Buczak, A. L., & Guven, E. (2016). "A Survey of Data Mining and Machine Learning Methods for Cyber Security Intrusion Detection." IEEE Communications Surveys & Tutorials, 18(2), 1153-1176.
- Shone, N., Ngoc, T. N., Phai, V. D., & Shi, Q. (2018). "A Deep Learning Approach to Network Intrusion Detection." IEEE Transactions on Emerging Topics in Computational Intelligence, 2(1), 41-50.
- Jain, A. K., & Gupta, B. B. (2017). "Phishing Detection: Analysis of Visual Similarity Based Approaches." Security and Communication, 2017(1), Networks.

  • تاریخ دریافت 11 اسفند 1403
  • تاریخ بازنگری 31 فروردین 1404
  • تاریخ پذیرش 11 خرداد 1404
  • تاریخ اولین انتشار 11 خرداد 1404
  • تاریخ انتشار 01 خرداد 1404