Banca de QUALIFICAÇÃO: RAMIRO DE VASCONCELOS DOS SANTOS JÚNIOR

Implementação de Modelos de aprendizado de máquina supervisionado e não supervisionados para Classificação das Macrocausas Criminais: Uma abordagem para auxiliar na análise de Crimes Violentos na Área de Segurança Pública

Análise Criminal, Macrocausa Criminal, Aprendizado de Máquina, Policiamento Preditivo, Segurança Pública, Cidades Inteligentes.

Na elaboração de políticas eficazes de segurança pública, a inteligência e a informação são fatores essenciais. A classificação das macrocausas criminais pode ajudar os governos a entender melhor os aspectos da análise de crimes violentos letais intencionais em seus estados. No entanto, em alguns locais, como o Rio Grande do Norte (RN), um estado brasileiro, os analistas criminais tradicionalmente analisam esses crimes com base em conjuntos de dados brutos. Essa abordagem é um processo demorado e impreciso. Além disso, dois especialistas podem ter opiniões diferentes sobre o mesmo crime violento. Nesse sentido, nesta pesquisa, propomos um modelo preditivo capaz de classificar as macrocausas criminais a partir de um conjunto de tipos pré-definidos. Este modelo visa auxiliar os analistas criminais, tornando o processo de análise e gestão mais eficiente e preciso. Aplicamos a metodologia Design Science para executar os métodos definidos e desenvolvemos um pré-processamento de recursos. Quatro técnicas de classificação foram analisadas: Árvores de Decisão, Regressão Logística, Random Forest e XGBoost. Após a realização de testes estatísticos, concluímos que o modelo com XGBoost atingiu uma precisão média de 0, 961791, um F1-Score de 0, 961410 e a curva ROC obtida foi de 0, 994732, o que pode ser considerado excelente para esta aplicação. Complementando as técnicas de aprendizado de máquina supervisionado, propomos uma abordagem não supervisionada baseada em técnicas de agrupamento para compor o leque de soluções. Esses algoritmos específicos visam permitir a criação de clusters com as características do conjunto de dados criminais, gerando insights e orientando especialistas durante a tomada de decisão. Portanto, a contribuição científica deste estudo reside em propor um modelo de classificação e agrupamento para análise de macrocausas criminais com base em técnicas de aprendizado de máquina. Os resultados obtidos através destes modelos nos guiarão para esta aplicação. Dadas essas condições, esses modelos podem contribuir para uma tomada de decisão mais eficaz por parte dos analistas criminais e permitir o desenvolvimento de políticas de segurança pública mais eficazes. Por fim, a proposta de plataforma de integração de modelos no contexto de cidades inteligentes oferece uma solução mais eficiente e ágil para análise de macrocausas criminais.