تحلیل ویژگی‌های معتادین مواد مخدر با استفاده از رویکرد یادگیری ترکیبی

نویسندگان

  • Hoda Mashayekhi 1 1- دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شاهرود، شاهرود، ایران. orcid http://orcid.org/0000-0003-0080-2743
  • Mehdi Khaksari 2 2- گروه فیزیولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران.

DOI::

https://doi.org/10.22100/jkh.v13i2.1942

کلمات کلیدی:

تحلیل ویژگیهای معتادین؛ مراکز ترک اعتیاد؛ یادگیری ترکیبی؛ پیشگیری و درمان اعتیاد

چکیده

مقدمه: پالایش و هدفمندسازی برنامه‌های پیشگیرانه و بازپرورانه اعتیاد، کارایی اجرای این برنامه‌ها را افزایش خواهد داد. با این وجود، نقش روش‌های یادگیری و داده‌کاوی کمتر در این حوزه مورد بررسی قرار گرفته است. هدف ﭘﮋوﻫﺶ حاضر، بررسی کارکرد روش‌های داده‌کاوی در تحلیل، پالایش و گروه‌بندی جامعه هدف به منظور هدفمندسازی برنامه‌ها می‌باشد.

مواد و روش‌ها: در این مقاله ابتدا یک چارچوب تحلیلی ارائه می‌شود. هدف این چارچوب، شناسایی ویژگی‌های مؤثر در رفتار جامعه هدف، و هم‌چنین استخراج گروه‌های مختلف جامعه هدف و مشخصه‌های هر گروه می‌باشد. به این طریق می‌توان برنامه‌های هدفمندی را در هر گروه اجرا نمود. اطلاعات معتادان مراجعه‌کننده به برخی مراکز ترک اعتیاد شاهرود با استفاده از ترکیبی از روش‌های داده‌کاوی در قالب چارچوب ارائه شده، تحلیل می‌شوند. برای شناسایی ویژگی‌های مؤثر، ابتدا گام انتخاب ویژگی (با استفاده از ترکیبی از روش‌های تحلیل همبستگی، درخت تصمیم و استخراج قوانین) انجام می‌شود. سپس داده‌ها با عنایت به ویژگی‌های انتخاب شده، خوشه‌بندی می‌شوند. نتیجه خوشه‌بندی استخراج گروه‌های مختلف از جامعه هدف می‌باشد. در نهایت از روش‌های کشف قوانین انجمنی و رده‌بندی درخت تصمیم برای تحلیل داده‌های هر گروه و تعیین مشخصات آنها استفاده می‌شود.

نتايج: نتایج، نشان‌دهنده مؤثر بودن چارچوب پیشنهادی در تحلیل و گروه‌بندی جامعه هدف است. به‌طور خاص ما بر روی دلیل مراجعه به مرکز ترک اعتیاد تمرکز کرده و ویژگی‌های مؤثر در این زمینه را شناسایی می‌کنیم. در ادامه با تکیه بر ویژگی‌های مؤثر شناسایی شده، گروه‌های مختلفی در جامعه هدف شناسایی کرده و مشخصه‌های هر گروه را با استخراج قوانین تعیین می‌نماییم. اطمینان قوانین به‌دست آمده حداقل 84 درصد می‌باشد.

نتیجه‌گیری: نتایج این پژوهش بیانگر نقش و اهمیت روش‌های داده‌کاوی در اجرای هرچه بهتر برنامه‌های پیشگیری و درمان می‌باشد. به طور خاص رابطه شرایط خانوادگی و اجتماعی فرد معتاد با دلایل مراجعه به مرکز که در مقاله استخراج شده است، می‌تواند در طرح‌ریزی برنامه پیشگیری از اعتیاد افراد مشابه و اقدام به درمان در افراد معتاد مؤثر واقع شود.

مراجع

2016 World Drug Report. The United Nations Office on Drugs and Crime (UNODC) Web site. http://www.unodc.org/wdr2016/. Accessed December 23, 2017.

Aman Abad I, Salimi AmanAbad M. A Relationship between the Youth Life Style and Attitude to Artificial Drugs Consumption in Shirvan. Sociological Studies Of Youth 2012;3(6):57-70.[Persian].

García EG, Blasco BC, López RJ, Pol AP. Study of the factors associated with substance use in adolescence using Association Rules. Adicciones 2010;22(4):293-9.

Nikkhou MR, Avadis Yans H. The handbook of clinical adult psychology. Tehran:Bikaran;1998.[Persian].

Tavakoli Ghouchani H, Armat MR, Mortazavi H. Factors related to treating addiction in those referring to addiction treatment clinics. Journal of Zanjan University of Medical Sciences 2002;10:32-37.[Persian].

Steensma C, Boivin JF, Blais L, Roy É. Cessation of injecting drug use among street-based youth. J Urban Health 2005;82(4):622-37. doi:10.1093/jurban/jti121

Han J, Pei J, Kamber M. Data mining concepts and techniques. 3rd ed. Morgan Kaufmann;2011.

Mashayekhi H, Nourollah Z. Proposing an educating and notifying targeted framework for improvement of Police services. Police Organizational Development 2016;12(52):109-26.[Persian].

Yun L, Xiang-sheng L. The data mining and knowledge discovery in biomedicine. Proceeding of 5th International Conference on Computer Science and Education (ICCSE);2010 August 24-27;Hefei,China.IEEE;2010.p.1050-52. doi:10.1109/ICCSE.2010.5593411

Harper G, Pickett SD. Methods for mining HTS data. Drug Discovery Today 2006;11(15-16):694-99. doi:10.1016/j.drudis.2006.06.006

Gervilla E, Cajal B, Palmer A. Quantification of the influence of friends and antisocial behaviour in adolescent consumption of cannabis using the ZINB model and data mining. Addict Behav 2011;36(4):368-74. doi:10.1016/j.addbeh.2010.12.007

Sun J, Bi J, Chan G, Oslin D, Farrer L, Gelernter J, Kranzler HR. Improved methods to identify stable, highly heritable subtypes of opioid use and related behaviors. Addictive Behaviors 2012;37(10):1138-44. doi:10.1016/j.addbeh.2012.05.010

Pal S, Chaurasia V. Performance Analysis of Students Consuming Alcohol Using Data Mining Techniques. International Journal of Advance Research in Science and Engineering 2017;6(2):238-50.

Kim SJ, Marsch LA, Hancock JT, Das AK. Scaling up research on drug abuse and addiction through social media big data. J Med Internet Res 2017;19(10):e353. doi:10.2196/jmir.6426

García-Martínez R, Martins S, Bianco S, Navas H. Discovery of psychoactive substance addiction patterns based on information mining engineering. Studies in health technology and informatics 2017;245:1282.

Zahedi F, Zare-Mirakabad MR. Employing data mining to explore association rules in drug addicts. Journal of AI and Data Mining 2014;2(2),135-9. doi:10.22044/JADM.2014.308

Liao SH, Chu PH, Hsiao PY. Data mining techniques and applications–A decade review from 2000 to 2011. Expert Systems with Applications 2012;39(12):11303-11. doi:10.1016/j.eswa.2012.02.063

Hall MA. Correlation-based feature subset selection for machine learning. Hamilton:University of Waikato;1998.

Guyon I, Elisseeff A. An introduction to variable and feature selection. Journal of machine learning research 2003;3:1157-82.

Quinlan R. C4.5: Programs for Machine Learning. San Mateo,California: Morgan Kaufmann; 1993. 74 p.

Agrawal R, Srikant R. Mining sequential patterns. Proceeding of 11th International Conference on Data Engineering;1995 March 06-10;Washington,DC,USA.IEEE;1995.p.3-14. doi:10.1109/ICDE.1995.380415

Ester M, Kriegel HP, Sander J, Xu X. A density-based algorithm for discovering clusters in large spatial databases with noise. Proceeding of 2nd International Conference on Knowledge Discovery and Data Mining;1996 August 2-4;Portland,Oregon,USA.AAAI Press;1996.p.226-31.

Dempster AP, Laird NM, Rubin DB. Maximum likelihood from incomplete data via the EM algorithm. Journal of the royal statistical society 1977;Series B (methodological):1-38.

Hall M, Frank E, Holmes G, Pfahringer B, Reutemann P, Witten IH. The WEKA data mining software: an update. ACM SIGKDD explorations newsletter 2009;11(1):10-18. doi:10.1145/1656274.1656278

Fathtabar S, Asadollahi A, Haji Azizi S, Arabpour A, Havasi A. Study of social and cultural characteristics of drug offenders in ahwaz municipal areas using geographic information system (GIS). Quarterly Journal of Research on Addiction 2016;9(36):125-40.[Persian].

Shahmoradi A, Mohammadifar MA, Fakhri MK. The effect of methadone maintenance treatment on health psyche and having hope in drug addicted persons. Quarterly Journal of Research on Addiction 2011;4(16):73-84.[Persian].

Abdollahpour M, Golzari M. Investigation of the effect of life skill training on attitude towards substance abuse in sirjan city high school students. Quarterly Journal of Research on Addiction 2009;2(8):33-54.[Persian].

Hashemi T, Gasem Baklu Y, Mohammadzadeghan R, Vakili S, Irani M. On the comparison of public health and social support in addicts and non-addicts. Research on Addiction 2014;8(31):119-33.[Persian]

دانلود

چاپ شده

2018-09-12

شماره

نوع مقاله

مقاله پژوهشي

مقالات بیشتر خوانده شده از همین نویسنده

<< < 42 43 44 45 46 47 48 49 50 51 > >>