การพยากรณ์รูปแบบของการกระทำความผิดซ้ำของเด็กและเยาวชน ศิริลักษณ์ หล่อพันธ์มณี*, ศิริพร ฉิมพลี, วิชชา ฉิมพลี, วัชรากรณ์ เนตรหาญ และ ณรงค์ฤทธิ์ ภิรมย์นก
Article Sidebar
Main Article Content
บทคัดย่อ
การกระทำความผิดของเด็กและเยาวชน เป็นประเด็นปัญหาที่หลายประเทศต่างให้ความสำคัญเป็นอันดับต้น ๆ เนื่องจากเด็กและเยาวชนจะเป็นกำลังที่สำคัญของชาติในอนาคตและการกระทำความผิดซ้ำของเด็กและเยาวชนมีแนวโน้มเพิ่มขึ้นอย่างต่อเนื่อง ซึ่งการวิจัยนี้ได้ทำการศึกษารูปแบบของการกระทำความผิดของเด็กและเยาวชน เพื่อคาดการณ์การกระทำความผิดซ้ำของเด็กและเยาวชน โดยการประยุกต์ใช้อัลกอริธึมปัญญาประดิษฐ์ (AI : Artificial Intelligence) ผลการวิจัยพบว่าการพยากรณ์ที่ใช้ปัจจัยที่เป็นสาเหตุของการกระทำความผิดของเด็กและเยาวชนและถูกคัดเลือกโดยอัลกอริธึม XGBoost ประกอบด้วย 6 คุณลักษณะ 1) การดำรงชีพด้วยการประกอบมิฉาชีพ 2) พฤติกรรมงัดแงะเข้าบ้าน อาคาร หรือรถของคนอื่น 3) การรับฝาก รับจ้างซื้อและหรือจำหน่ายยาเสพติด 4) ประวัติการเคยถูกดำเนินคดี 5) ประวัติการฝึกอบรม/จำคุก/คุมประพฤติ/เข้ารับการฟื้นฟูสมรรถภาพผู้ติดยาเสพติด 6) อายุขณะกระทำผิด ซึ่งผลการประเมินประสิทธิภาพของอัลกอริทึมมีดังนี้ ค่าความถูกต้อง คิดเป็นร้อยละ 97.80 ค่าความแม่นยำ คิดเป็นร้อยละ 97.80 และค่าความระลึก คิดเป็นร้อยละ 100
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารนวัตกรรมวิทยาศาสตร์เพื่อการพัฒนาอย่างยั่งยืนถือเป็นกรรมสิทธิ์ของคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต ห้ามผู้ใดนำข้อความทั้งหมดหรือบางส่วนไปพิมพ์ซ้ำ เว้นแต่จะได้รับอนุญาตอย่างเป็นลายลักษณ์อักษรจากคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต นอกจากนี้ เนื้อหาที่ปรากฎในบทความเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
References
กรมพินิจและคุ้มครองเด็กและเยาวชน (2562). สถิติคดีย้อนหลังระหว่างปี พ.ศ.2553 – 2558. สืบค้น 6 กันยายน 2562, จากhttp://www.djop.go.th/Djop/main.php?page=NewsAll&CatID=63.
โกศล วงศ์สวรรค์ และคณะ. (2537). ปัญหาสังคม. กรุงเทพฯ: รวมสาร์น.
ชื่นจิตร วาณิชย์สุวรรณ. (2554). ปัจจัยที่มีอิทธิพลต่อการกระทำผิดของเด็กและเยาวชนในสถานพินิจและคุ้มครองเด็กและเยาวชนจังหวัดสงขลา. (วิทยานิพนธ์มหาบัณฑิต). คณะรัฐศาสตร์มหาวิทยาลัยสงขลานครินทร์. สงขลา.
ชินพัฒน์ แก้วชินพร.(2553). การจำแนกประเภทข้อมูลด้วยเทคนิคต้นไม้ตัดสินใจและการจัดกลุ่ม. (วิทยานิพนธ์มหาบัณฑิต). สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง. กรุงเทพฯ.
ชาญคณิต กฤตยา สุริยะมณี, และ อุนิษา เลิศโตมรสกุล. (2553). ปัจจัยที่มีผลต่อการกระทำผิดซํ้าคดียาเสพติด: กรณีศึกษา ผู้กระทำผิดร้ายแรงและมีโทษสูงและต้องดูแลเป็นพิเศษ. กรุงเทพมหานคร: สำนักงานคณะกรรมการป้องกันและปราบปรามยาเสพติด กระทรวงยุติธรรม.
นงเยาว์ ในอรุณ. (2557). การประยุกต์ใช้เทคนิคเหมืองข้อมูลในการพยากรณ์โรคเบาหวาน: กรณีศึกษาโรงพยาบาลศูนย์สวรรค์ประชารักษ์. (วิทยานิพนธ์ดุษฎีบัณฑิต). มหาวิทยาลัยนเรศวร. กรุงเทพฯ.
นวลจันทร์ ทัศนชัยกุล. (2548). อาชญากรรม การป้องกัน: การควบคุม. นนทบุรี: พรทิพย์การพิมพ์.
ปรารถนา อุตพัฒน์. (2560). แผนที่ความรุนแรงของอาชญากรรมในประเทศไทยจากการศึกษาด้วยวิธีเรียงลำดับความคล้ายคลึงกัน. การประชุมวิชาการเสนอผลงานวิจัยระดับบัณฑิตศึกษา ครั้งที่ 2, 20 มกราคม 2560 ณ มหาวิทยาลัยราชภัฏมหาสารคาม, (น.408-412).
วิไลลักษณ์ ตรีพืช. (2562). การวิเคราะห์ข้อมูลผู้บาดเจ็บและเสียชีวิตจากอุบัติเหตุในช่วงเทศกาลสงกรานต์โดยใช้เทคนิคการทำเหมืองข้อมูล. วารสารวิจัยและพัฒนา วไลยอลงกรณ์ ในพระบรมราชูปถัมภ์, 14(1).
สุชา จันทร์เอม. (2541). จิตวิทยาเด็กเกเร. กรุงเทพฯ: ไทยวัฒนาพานิช.
โสภา ชปีลมันน์. (2536). บุคลิกภาพและพัฒนาการ: แนวโน้มสู่พฤติกรรมปกติ และการมีพฤติกรรมเบี่ยงเบนของเด็กและเยาวชน. กรุงเทพฯ: คณะสังคมศาสตร์และมนุษยศาสตร์ มหาวิทยาลัยมหิดล.
อนันต์ ประวิเศษ. (2547). ความคิดเห็นเกี่ยวกับโรงการบำบัด แก้ไข ฟื้นฟู ผู้กระทำผิดของสถานพินิจและคุ้มครองเด็กและเยาวชน จังหวัดนครราชสีมา. (วิทยานิพนธ์รัฐประศาสนศาสตรมหาบัณฑิต สาขาวิชานโยบายสาธารณะ). มหาวิทยาลัยมหาสารคาม. มหาสารคาม.
Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. In Proceeding of the 22nd ACM SIGKDD international Conference on Knowledge Discovery and Data Mining, August, 2516, San Francisco California USA.
Han, J., Kamber, M. & Pei, J. (2011). Data Mining: Concepts and Techniques. (3th ed.). Morgan Kaufmann Publisher.
Zhang, D. & TSAI, J. P. (2003). Machine Learning and Software Engineering, Software Quality Journal, 11, 87–119.