Portal de Eventos CoPICT - UFSCar, XXVII CIC e XII CIDTI

Tamanho da fonte: 
Estudo de pessoas desaparecidas através de técnicas de aprendizado de máquina
Mateus Borges Comito, Rafael Izbicki

Última alteração: 2021-02-25

Resumo


Este artigo estuda as causas de desaparecimento no estado de São Paulo por idade e sexo dos desaparecidos.  Para tanto, usou o PLID, um banco de dados com os boletins de ocorrência dos desaparecimentos de 2013 e 2014. A metodologia consiste no uso de aprendizado de máquina para rotular automaticamente a causa de desaparecimento nos boletins, assim como métodos de quantificação para mensurar as proporções relativas de causa de desaparecimento estratificadas por idade e sexo. Os resultados indicam que grande parte dos boletins de ocorrência não possuem informações suficientes para inferir a causa do desaparecimento.  Dentre os boletins com causa de desaparecimento clara, foi possível obter algumas classes de motivos mais frequentes para desaparecimento. A causa de desaparecimento mais frequente é a voluntária, sendo mais comum entre mulheres e homens menores de 18 anos. Também, cerca de 20% dos desaparecimentos ocorrem por usuários de drogas ou álcool, sendo mais comum entre menores de 50 anos. A partir de 50 anos, essa categoria torna-se menos frequente, sendo substituída pelo desaparecimento não intencional. Também observou-se que menos de 5% dos indivíduos foram vítimas de crimes. Essas conclusões podem auxiliar na elaboração de políticas públicas mais assertivas.

Referências


BELLA, A. et al. Quantification via probability estimators. 2010 IEEE International Conference on Data Mining. p. 737-742, 2010.

BIEHAL, N.; et al. Lost from view: Missing persons in the UK. Policy Press, 2003.

CHOLLET, F. Deep Learning mit Python und Keras: Das Praxis-Handbuch vom Entwickler der Keras-Bibliothek. MITP-Verlags GmbH & Co. KG, 2018.


FÓRUM BRASILEIRO DE SEGURANÇA PÚBLICA– FBSP. Anuário Brasileiro de Segurança Pública 2019. · São Paulo, 2019.


FÓRUM BRASILEIRO DE SEGURANÇA PÚBLICA– FBSP. Anuário Brasileiro de Segurança Pública 2018. · São Paulo, 2018.

FÓRUM BRASILEIRO DE SEGURANÇA PÚBLICA– FBSP. Anuário Brasileiro de Segurança Pública 2017. · São Paulo, 2017.

COMITÊ INTERNACIONAL DA CRUZ VERMELHA. Relatório da Avaliação das Necessidades dos Familiares de Pessoas Desaparecidas durante o Regime Militar no Brasil: “Caso Vala de Perus”, 2017.


FINKELHOR D.; SEDLAK A.; HOTALING G.T.. Missing, abducted, runaway, and thrownaway children in America: First report, numbers and characteristics national incidence studies: Executive summary. DIANE Publishing; 1990.


FORMAN, G. et al.  Quantifying counts and costs via classification. Data  Mining  and  KnowledgeDiscovery, v. 17, n. 2, p. 164–206, 2008.


FRIEDMAN, J.; HASTIE, T.; TIBSHIRANI, R.. The elements of statistical learning. New York: Springer series in statistics, 2001.


HENDERSON, M.; HENDERSON, P. Missing people: Issues for the Australian community. Canberra: Australian Bureau of Criminal Intelligence, 1998.


IZBICKI, R.; SANTOS, T. M. Aprendizado de máquina: uma abordagem estatística. 2020.


IZBICKI, Rafael et al.  Converting high-dimensional regression to high-dimensional conditional density estimation. Electronic Journal of Statistics, v. 11, n. 2, p. 2800-2831, 2017.


JAMES, G. et al. An introduction to statistical learning. New York: springer, 2013.


JAMES, M.P.; ANDERSON J.; PUTT J.; Australian Institute of Criminology. Missing persons in Australia. Canberra: Australian Institute of Criminology, 2008.


MINISTÉRIO PÙBLICO DO ESTADO DO RIO DE JANEIRO. O desaparecimento nas burocracias do estado, 2018.


OECHSLER, D. M. Crianças desaparecidas: análise dos registros de ocorrências no Estado de Santa Catarina. 2018. Dissertação (Mestrado em Criminologia) - Faculdade de Ciências Sociais e Humanas, Universidade Fernando Pessoa. Porto, 2018.


PEDREGOSA, Fabian et al. Scikit-learn: Machine learning in Python. the Journal of machine Learning research, v. 12, p. 2825-2830, 2011.


POLIANO, F. et al. Perfil de pessoas desaparecidas no Estado de São Paulo, 2016.


POSNER M. The runaway risk reduction project assessment report. Newton, MA: Education Development Center; 1992.


RIBEIRO, M. et al. Model-agnostic interpretability of machine learning. arXiv preprint arXiv:1606.05386, 2016.

SAERENS, M. et al. Adjusting the outputs of a classifier to new a priori probabilities: a simple procedure. Neural computation, v. 14, n. 1, p. 21-41, 2002.

SALTON, G. et al. A vector space model for automatic indexing. Communications of the ACM, v. 18, n. 11, p. 613-620, 1975.


SRIVASTAVA, A. N.; SAHAMI, M. Text mining: Classification, clustering, and applications. CRC Press, 2009.


STEVENSON, O., et. al. Geographies of Missing People: Processes, Experiences, Responses, Online, 2013.

VAZ, A. et al. Quantification Under Prior Probability Shift: the Ratio Estimator and its Extensions. J. Mach. Learn. Res., v. 20, p. 79:1-79:33, 2019.