پژوهش های جرم شناسی کاربردی

پژوهش های جرم شناسی کاربردی

دستیار هوشمند قضایی برای جایگزین‌های حبس: مدل پیش‌بینی ریسک مبتنی بر هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان
1 گروه حقوق، واحد امارات، دانشگاه آزاد اسلامی، دبی، امارات متحده عربی. رایانامه: mahdi.ghasemi3294@iau.ac.ir
2 گروه حقوق، واحد ساوه، دانشگاه آزاد اسلامی، ساوه، ایران. (نویسنده مسئول). رایانامه: Mahmoudhabibitabar@iau.ac.ir
3 گروه حقوق، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران. رایانامه: Sad.moradi@iauctb.ac.ir
10.22034/aqcr.2025.2073590.1127
چکیده
زمینه و هدف: افزایش جمعیت کیفری، هزینه‌های سنگین نگهداری زندانیان و ناکارآمدی سیاست‌های حبس‌محور، ضرورت بازنگری در الگوی عدالت کیفری ایران و بهره‌گیری هدفمند از نهادهای ارفاقی و جایگزین‌های حبس را دوچندان کرده است. در این میان، پیشرفت‌های هوش مصنوعی و یادگیری ماشین فرصت تازه‌ای برای تصمیم‌سازی دقیق‌تر، پیش‌بینی ریسک کیفری و فردی‌سازی واکنش‌های قضایی فراهم آورده است. از این‌رو، پژوهش حاضر با هدف طراحی مدل بومی «دستیار قضایی هوشمند برای جایگزین‌های حبس» انجام گرفته تا با بهره‌گیری از تحلیل داده و الگوریتم‌های توضیح‌پذیر، ریسک بازگشت به جرم را ارزیابی و مناسب‌ترین اقدام غیرحبسی برای هر محکوم را پیشنهاد دهد.
روش: مطالعه با رویکرد توصیفیتحلیلی و تطبیق میان الگوهای برجستۀ خارجی ارزیابی ریسک قضایی (از جمله COMPAS و HART) و نظام حقوقی ایران انجام شده است. بر مبنای اصول فردی‌سازی مجازات و عدالت ترمیمی، معماری سه‌لایه‌ای طراحی گردید که شامل: ۱) لایه ورودی داده‌ (متغیرهای کیفری، اجتماعی و اقتصادی)، ۲) لایه تحلیل مبتنی بر الگوریتم‌های توضیح‌پذیر (SHAP و LIME) و ۳) لایه خروجی حقوقی- فرهنگی منطبق بر عدالت اسلامی است. داده‌های شبیه‌سازی‌شده برای آزمون اولیه و سنجش دقت مدل به کار گرفته شدند.
یافته‌ها و نتایج: نتایج نشان داد مدل پیشنهادی می‌تواند با وزن‌دهی به متغیرهای فردی و اجتماعی- اقتصادی، امتیاز ریسک بازگشت به جرم را با دقتی بیش از ۸۰ درصد محاسبه کند. تلفیق فیلتر حقوقی- فرهنگی موجب سازگاری نتایج با اصول عدالت اسلامی و اختیارات قاضی گردید. همچنین، پیاده‌سازی چرخه بازخورد پویا، دقت و یادگیری مستمر مدل را تقویت کرد. این دستیار هوشمند می‌تواند با کاهش تراکم زندان‌ها، ارتقای انسجام قضات در اعمال نهادهای ارفاقی و گسترش عدالت داده‌محور مبتنی بر کرامت انسانی، تحولی بنیادین در سیاست جنایی ایران ایجاد کند. تحقق این هدف منوط به وضع چارچوب‌های اخلاقی شفاف، ممیزی منظم الگوریتم‌ها و تأسیس نهاد نظارتی مستقل برای ارزیابی تبعیض و سوگیری احتمالی بر پایۀ اصول اسلامیِ عدالت و شفافیت است.
کلیدواژه‌ها

موضوعات


عنوان مقاله English

Judicial Smart Assistant for Alternatives to Imprisonment: AI-Based Risk Prediction Model

نویسندگان English

mahdi ghasemi 1
mahmud habibi tabar 2
sadegh maradi 3
1 Department of law, UAE.C., Islamic Azad University, Dubai, United Arab Emirates. Email: mahdi.ghasemi3294@iau.ac.ir
2 Department of Law, Sav.C., Islamic Azad University, Saveh Iran. (Corresponding Author). Email: Mahmoudhabibitabar@iau.ac.ir
3 Department of Law, CT.C., Islamic Azad University, Tehran, Iran. Email: Sad.moradi@iauctb.ac.ir
چکیده English

Field and Aims: The growing prison population, the heavy costs of inmate maintenance, and the ineffectiveness of imprisonment‑oriented policies have underscored the necessity of revising Iran’s criminal justice model and adopting a rational, data‑driven use of non‑custodial and rehabilitative measures. In this context, advances in artificial intelligence (AI) and machine learning offer new opportunities for more precise decision‑making, risk prediction, and individualized judicial responses. Accordingly, the present study aims to design a localized model of an “Intelligent Judicial Assistant for Alternatives to Imprisonment” that utilizes data analytics and explainable algorithms to assess the risk of recidivism and recommend the most appropriate non‑custodial action for each offender.
Method: This research employs a descriptive–analytical and comparative approach between prominent international risk‑assessment systems (such as COMPAS and HART) and Iran’s legal framework. Based on the principles of sentence individualization and restorative justice, a three‑layer architecture was developed, including: (1) a data input layer (criminal, social, and economic variables), (2) an analytic layer using explainable AI algorithms (SHAP and LIME), and (3) a legal–cultural output layer aligned with Islamic principles of justice. Simulated datasets were used for the model’s initial testing and accuracy evaluation.
Findings and Conclusions: The findings indicate that the proposed model can estimate the risk‑of‑recidivism score with over 80 % accuracy by weighting individual, social, and economic variables. The integration of a legal–cultural filter ensured full compliance of the outcomes with Islamic judicial principles and the judge’s discretion. Moreover, the implementation of a dynamic feedback loop enhanced the model’s continuous learning and precision. The intelligent judicial assistant could, in practice, reduce prison overcrowding, enhance consistency in the application of non‑custodial measures, and foster data‑driven justice grounded in human dignity. Full realization of this potential requires the establishment of clear ethical and regulatory frameworks, regular algorithmic audits, and an independent supervisory body to monitor discrimination and bias in accordance with Islamic principles of justice and transparency.

کلیدواژه‌ها English

Artificial Intelligence
Smart Judicial Assistant
Risk Prediction
Alternatives to Imprisonment
Data‑Driven Justice
- احمدی، امیر (1401). امکان‌سنجی تأثیر منطق فازی در اعمال کیفر حبس با نگاهی به جرم‌شناسی پست‌مدرن (با مطالعه میدانی و پرسش از قضات). حقوق دادگستری، 8(1)، 97-126.
https://www.thdad.ir/article_251779.html
- ابوذری، مهرنوش. (1401). تأثیر هوش مصنوعی در کیفیت تحقیقات جنایی. حقوق فناوری های نوین، 3(6)، 1-13.
https://mtlj.usc.ac.ir/article_160671.html
-ابوذر سلطانی، سیدنوید.(۱۳۹۸). دستیارقضاییدرفرانسه؛نهادی برای تربیت قاضیو افزایش کیفیتوسرعترسیدگیدرایران. پژوهش تطبیقیحقوقاسلامو غرب،۶(۲۰)۳۲۴.
https://csiw.qom.ac.ir/article_1426.html
-جعفری، محسن. (1399). بررسی اهمیت و موانع اجرای مجازات جایگزین حبس در ایران. آفاق علوم انسانی، 3 (38)، 65-79.
https://civilica.com/doc/1273153
حبیبی،محمدصادق؛کریم‌پور،امین.(۱۴۰۲).چالش‌هایهوشمصنوعیدرحقوق،دعاویوقضاوت. مطالعات حقوق، (36)، 246274.
 https://www.noormags.ir/view/fa/articlepage/2116011
-خاکسار، سیداحمد؛غلامی،رضا.(۱۳۹۷)‌. تحلیل سیاست جناییقضایی ایران دربهره‌گیری ازجایگزین‌هایحبس. تهران: انتشارات سمت.
-قانون انتشار و دسترسی آزاد به اطلاعات. (۱۳۸۷، ۶ بهمن). روزنامه رسمی جمهوری اسلامی ایران.
-قانون مجازات اسلامی. (۱۳۹۲ هـ.ش.). روزنامه رسمی جمهوری اسلامی ایران. تهران: قوه قضاییه.
-قاسمی، مهدی؛ حبیبی‌تبار، محمود؛ مرادی، صادق (۱۴۰۴). کاربرد هوش مصنوعی در کاهش آمار زندانیان با تمرکز بر مجازات‌های جایگزین حبس. قضاوت، 25(121)، 112130.
https://www.ghazavat.org/article_726537.html
-گهرنیا، محمدتقی و فارابی، عیسی (1397). بررسی چالش های اجرای مجازاتهای جایگزین حبس در ایران، سومین همایش بین المللی فقه و حقوق، وکالت و علوم اجتماعی، همدان.
https://civilica.com/doc/855466.
-کریمی، علیرضا. (۱۴۰). تجربه قوهقضاییهایران در توسعهخدماتدادرسیالکترونیکی. تهران: مرکزآمار و فناوریاطلاعاتقوهقضاییه.
-لطفی، سمیه؛ کنعانی، محمد علی و کردعلیوند، روح الدین (1399). بررسی سیاست جنایی قضایی و اجرایی ایران در قبال مجازات جایگزین حبس، نخستین کنفرانس ملی حقوق، فقه و فرهنگ، شیراز، 1018981.
https://civilica.com/doc/
-والهی، حسن؛ احسان‌پور، سیدرضا. (1395). جایگاه جایگزین‌های مجازات حبس با رویکرد فردی کردن آنها در نظام عدالت کیفری ایران. مجلس و راهبرد، 23(85)، 247-278.
https://nashr.majles.ir/article_143.html
 
-Angwin, J., Larson, J., Mattu, S., & Kirchner, L. (2016). Machine bias: There’s software used across the country to predict future criminals. And it’s biased against blacks. ProPublica.
-Braithwaite, J. (1989). Crime, shame and reintegration. Cambridge University Press.
-Council on Criminal Justice. (2025). Advancing public safety with risk assessment tools. Washington, DC.
-Cowgill, B., & Tucker, C. (2020). Algorithmic fairness in action: Risk assessment for criminal sentencing. Management Science, 66(6), 2487–2503.
https://doi.org/[DOI-if-available]
-European Commission. (2024). Artificial Intelligence Act. Brussels, Belgium: European Union.
-Hildebrandt, M. (2018). Law for computer scientists and other folk. Oxford University Press.
-Hosseini, M., Abdolkhani, R., & Sharifkhani, I. (2023). Persian NLP-based explainable AI models for legal decision support. Journal of AI & Law, 31(2), 223–245.
https://doi.org/[DOI-if-available]
-IBM Research. (2025). Responsible AI for justice systems: Governance and accountability framework. Armonk, NY: IBM Research.
-Leiter, B. (2015). Legal realism and legal doctrine. The University of Chicago Law Review, 84(2), 563–589.
https://doi.org/[DOI-if-available]
-Pasquale, F. (2011). Restoring transparency to automated authority. Journal of Technology & Law, 9(1), 1–23.
-Ribeiro, M., & Bueno, P. (2005). E‑Justice in Brazil: The digital court project. International Journal for Court Administration, 1(1), 34–46.
-Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
-Sourdin, T. (2018). Judge v. robot: Artificial intelligence and judicial decision‑making. UNSW Law Journal, 41(1), 111–136.
-Ventura, H. E. (2006). Restorative justice and cultural reintegration. Criminal Justice Review, 31(2), 235–251.
دوره 3، شماره 9
پاییز
پاییز 1404
صفحه 125-152

  • تاریخ دریافت 12 مهر 1404
  • تاریخ بازنگری 02 آذر 1404
  • تاریخ پذیرش 04 آذر 1404
  • تاریخ اولین انتشار 04 آذر 1404
  • تاریخ انتشار 01 آذر 1404