Mineração de Dados no Contexto da Segurança Pública
Estudo Sobre Violência Doméstica em Campo Grande, MS
DOI:
https://doi.org/10.62927/revpmms.v2i1.80Palavras-chave:
Mineração de Dados, Extração de Conhecimento, Algoritmos Simbólicos, Segurança Pública, Violência DomésticaResumo
Com o crescimento exponencial de dados armazenados, especialmente na segurança pública, torna-se crucial aplicar técnicas avançadas de mineração de dados para apoiar a tomada de decisões. No entanto, embora o uso de mineração de dados em segurança pública esteja em expansão, a aplicação dessas técnicas no Sistema Integrado de Gestão Operacional (SIGO) de Mato Grosso do Sul para prever padrões de recorrência em violência doméstica ainda é uma área inexplorada. Este estudo preenche essa lacuna, aplicando algoritmos simbólicos, como regras de associação e classificação, para extrair padrões significativos nos registros de crimes de violência doméstica em Campo Grande (MS). Os resultados revelam maior incidência de injúria entre vítimas com alta escolaridade e uma tendência de vítimas mais jovens a romper o ciclo de violência doméstica. As regras de classificação atingiram uma acurácia de 84%, identificando que vítimas com maior escolaridade e independência financeira deixam mais facilmente relacionamentos abusivos. Um achado relevante é que vítimas com filhos do agressor registram mais de três ocorrências, sugerindo que permanecem mais tempo no ciclo de violência. Esses achados apoiam intervenções direcionadas, especialmente no Programa Mulher Segura (PROMUSE), e incentivam o uso mais amplo da mineração de dados no SIGO para melhorar a segurança pública.
Referências
AGRAWAL, R.; SRIKANT, R. Fast algorithms for mining association rules in large databases. In: INTERNATIONAL CONFERENCE ON VERY LARGE DATA BASES, 20., 1994, Santiago, Chile. Proceedings [...]. San Francisco: Morgan Kaufmann, 1994. p. 487–499.
COSTA, Ana Carolina Nepomuceno. Avaliação de predição de violência contra a mulher através de estratégias de aprendizado de máquinas. 2023. Disponível em: https://repositorio.ufc.br/bitstream/riufc/74007/4/2023_dis_acncosta.pdf. Acesso em: 27 nov. 2024.
FÓRUM BRASILEIRO DE SEGURANÇA PÚBLICA. Campeonato Brasileiro e violência doméstica. São Paulo: Fórum Brasileiro de Segurança Pública, 2022. Disponível em: https://forumseguranca.org.br/wp-content/uploads/2022/07/futebol-violencia-mulher.pdf. Acesso em: 30 set. 2024.
GARCIA-VIDAL, C. et al. Artificial intelligence to support clinical decision-making processes. EBioMedicine, v. 46, p. 27-29, 2019. Disponível em: https://www.thelancet.com/article/S2352-3964(19)30454-2/fulltext. Acesso em: 28 set. 2024.
JÚNIOR, Alfeu Buriti Pereira; DO NASCIMENTO RIBEIRO, Francisco Icaro. Análises de dados de violência doméstica com o uso de Aprendizagem de Máquina: um Mapeamento Sistemático. In: Anais da VII Escola Regional de Computação do Ceará, Maranhão e Piauí. SBC, 2019. p. 143-150. Disponível em: https://sol.sbc.org.br/index.php/ercemapi/article/view/8856 Acesso em: 27 nov. 2024.
KARAKURT, G. et al. Mining electronic health records data: Domestic violence and adverse health effects. Journal of Family Violence, v. 32, p. 79-87, 2017. Disponível em: https://link.springer.com/article/10.1007/s10896-016-9872-5. Acesso em: 28 set. 2024.
KATAL, A.; DAHIYA, S.; CHOUDHURY, T. Energy efficiency in cloud computing data centers: a survey on software technologies. Cluster Computing, v. 26, n. 3, p. 1845-1875, 2023. Disponível em: https://link.springer.com/article/10.1007/s10586-022-03713-0. Acesso em: 28 set. 2024.
NEUBAUER, L. et al. A systematic literature review of the use of computational text analysis methods in Intimate Partner Violence research. Journal of Family Violence, v. 38, n. 6, p. 1205-1224, 2023. Disponível em: https://link.springer.com/article/10.1007/s10896-023-00517-7. Acesso em: 28 set. 2024.
QUINLAN, J. R. C4.5: Programs for Machine Learning. San Francisco: Morgan Kaufmann, 1993.
SHEARER, C. The CRISP-DM model: The new blueprint for data mining. Journal of Data Warehousing, v. 5, n. 4, p. 13-22, 2000.
TAN, P. N.; STEINBACH, M.; KUMAR, V. Introduction to data mining. New Delhi: Pearson Education India, 2018.
VERCELLIS, C. Business intelligence: data mining and optimization for decision making. Chichester:
