В этой статье обсуждается реальный вариант использования (фиктивный пример) байесовского моделирования путем прогнозирования обоснованности обвинений в сексуальных домогательствах с использованием байесовского моделирования.

При оценке обвинений в сексуальных домогательствах и хищничестве фоновая информация часто упускается из виду. Таким образом, результаты могут быть получены в результате личных предубеждений и предпочтений. В этой статье мы представляем подробную байесовскую сеть, в которой события (узлы) и их соответствующие условные и предельные вероятности сформулированы таким образом, что при анализе сети мы учитываем каждую возможность возникновения события и его влияние на общие результаты сети. .

Введение

Байесовская сеть, байесовская сеть, сеть убеждений, байесовская (ианская) модель или вероятностная направленная ациклическая графическая модель — это вероятностная графическая модель (тип статистической модели), которая представляет набор переменных и их условных зависимостей посредством направленного ациклического графа (DAG). ). 1 В нашей модели мы используем силу байесовских сетей, чтобы предсказать, действительно ли обвиняемый является домогателем или нет. Мы используем байесовские сети для выполнения вероятностного и статистического анализа заданных свидетельств на основе априорных, предельных и апостериорных вероятностей. Мы пытаемся разработать упрощенную, но эффективную модель, которая предсказывает правильные результаты и сводит к минимуму вероятность возможных предубеждений, влияющих на верные решения.

Описание

В этом разделе мы подробно опишем сценарий. Мы изучаем сценарий и выявляем возможные причинно-следственные связи, которые приводят к решающей ситуации. Сексуальные домогательства являются деликатной темой и требуют тщательного построения модели. При изучении мы заметили некоторые факторы, взаимосвязь которых друг с другом может привести к решающей ситуации. Ниже приведены некоторые из неопределенностей/событий, перечисленных относительно сценарий. Причинно-следственная связь между неопределенностями будет подробно обсуждаться далее в этом разделе.

  1. плохая профессия:это событие собирает информацию с точки зрения вероятности того, является ли профессия, к которой относится человек, плохой или нет.
  2. хороший внешний вид. Эта переменная определяет, насколько человек хорош с точки зрения красоты/привлекательности.
  3. принимает наркотики.Эта переменная показывает, насколько человек зависим от наркотиков.
  4. хорошее финансовое положение: эта переменная количественно определяет финансовое положение обвиняемого. Чем больше значение этой переменной, тем лучше финансовое положение человека.
  5. Записи о плохом поведении в прошлом. Эта переменная отражает записи о плохом поведении в прошлом в жизни человека.
  6. gender: в этих переменных хранится информация о том, является ли пол человека мужским или женским.
  7. не в отношениях: эта переменная показывает, состоит ли обвиняемый в отношениях или нет.
  8. Честность. Эта переменная определяет, насколько человек честен в повседневной жизни.
  9. плохое семейное положение. Эта переменная количественно определяет плохое семейное положение с точки зрения деловых, моральных и социальных ценностей.
  10. плохое прошлое образование: эта переменная хранит информацию о том, учился ли обвиняемый в учреждениях с низким социальным и моральным статусом.
  11. плохие общественные места. Эта переменная определяет, посещает ли человек плохие общественные места или нет.
  12. грубое поведение. Эта переменная отражает грубый характер и поведение человека.
  13. плохие слухи. Эта переменная количественно определяет, насколько плохие слухи о человеке распространяются в обществе.
  14. угрожающая личность: эта переменная фиксирует угрожающую личность обвиняемого.
  15. плохой круг общения: эта переменная собирает информацию о том, есть ли у человека плохая социальная компания или нет.
  16. меньше времени, проводимого с семьей и на работе. Эта переменная является одной из самых важных переменных, поскольку она отражает необычный сценарий. Если человек не проводит больше времени с семьей и работой, то есть вероятность, что он занимается необычной деятельностью. Переменная количественно определяет эту информацию.
  17. кокетливый характер. Эта переменная определяет, насколько человек флиртует с противоположным полом.

Выше упомянуты некоторые из наиболее вероятных событий и неопределенностей, которые имеют прямое отношение к решению обвинять кого-либо в сексуальных домогательствах или нет.

Теперь мы создаем возможные причинно-следственные связи, используя приведенные выше неопределенности, чтобы смоделировать сценарий, чтобы получить точные результаты.

Вообще, существует мнение, что мужчины более склонны к домогательствам. Если мы отобразим этот случай в нашей модели, мы увидим, что переменная gender имеет высокую вероятность быть пойманной как хищник. Если ранее существовали плохие слухи о человеке, их также можно было бы сопоставить как причинно-следственную связь, чтобы определить характер решения. флиртующий характер и плохие слухи могут быть непосредственно отображены как причинно-следственная связь. Как правило, наша модель работает на основе того, что чем хуже значения переменных, тем больше вероятность того, что обвиняемый будет обвиняемым. плохой семейный фон и меньше времени, проведенного с семьей и на работе, имеют прямую причинно-следственную связь в сценарии реального мира. Точно так же наркотики и угрожающая личность могут иметь прямую причинно-следственную связь и так далее. В следующем разделе мы определяем структуру нашей модели и назначаем априорные вероятности на основе сетевого анализа, опросов и вторичных исследований.

Модель

В этом разделе мы определяем параметры нашей модели. В первой половине этого раздела мы проектируем базовую структуру сети, а во второй половине мы назначаем априорные вероятности и вычисляем предельные вероятности каждого узла/события.

Структура

Чтобы сформулировать структуру, мы внимательно проанализируем причинно-следственные связи, выявленные нами в предыдущем разделе. Мы отмечаем, что плохая профессия напрямую связана с плохим кругом друзей, угрожающей личностью, грубым поведением, плохим прошлым поведением и домогательствами. Изменение вероятности плохой профессии изменяет вероятности всех этих событий. Один основной кластер формируется событиями хорошей внешности, хорошего финансового положения, кокетливого характера и отсутствия отношений. Все эти объекты напрямую влияют на вероятность домогательства. Поскольку существует мнение, что мужчины больше подвержены домогательствам, вероятность пола напрямую влияет на вероятность домогательства. Отметим также, что употребление наркотиков напрямую влияет на честность и домогательства. Эти и другие причинно-следственные связи были изучены и на их основе построена сеть. Сеть выглядит следующим образом.

Вероятности

Мы рассчитываем условные и предельные вероятности, используя реальный смысл. Изучая опросы и проводя вторичные исследования, мы разрабатываем априорные вероятности сети. В автоматизированных байесовских сетях эти априорные вероятности фактически изучаются самой сетью, учитывая, что модели предоставляются некоторые ранее существовавшие помеченные данные.

Использование сети

Чтобы обозначить вопросы, для которых можно использовать эту модель, мы определяем семь основных вопросов или семь основных типов выводов по выборке, которые мы можем сделать, используя эту байесовскую модель.

  1. Имея данные о том, что у человека X плохая профессия, предскажите, является ли X домогателем или нет.
  2. Имея данные о том, что человек X принимает наркотики, предскажите, является ли X домогателем или нет.
  3. Учитывая доказательства того, что человек X не имеет плохой профессии и плохого семейного прошлого, но имеет плохое поведение в прошлом, плохой круг общения и плохое прошлое, предскажите, является ли X домогателем или нет.
  4. Учитывая доказательства того, что человек X честен, посещает плохие общественные места, принимает наркотики, имеет хорошую внешность , имеет кокетливый характер и не находится в отношениях, предскажите, является ли X домогателем или нет.
  5. Имея данные о том, что человек X мужчина и имеет хорошее финансовое положение, предскажите, является ли X домогателем или нет.
  6. Имея данные о том, что человек X является домогателем и не имеет кокетливого характера, предскажите, принимает ли X наркотики или нет.
  7. Учитывая, что человек X проводит меньше времени с семьей и на работе, не в отношениях, не честно, а посещает плохие общественные места предсказать, является ли X мужчиной или нет.

Вывод

Обвинение кого-либо в сексуальном хищничестве является критической задачей. На результаты часто влияют личные предубеждения и предпочтения. Мы предлагаем альтернативное решение для прогнозирования, является ли человек преследователем или нет. Для этого мы использовали байесовские сети для разработки архитектуры на основе сети и выявили некоторые неопределенности в сценарии. Мы назначили вероятности в каждом узле, используя опросы и вторичные исследования. Мы использовали GeNIe для моделирования нашей сети и выполнения анализа.

использованная литература

  1. Структура сети (как показано на изображении выше) основана на Байесовском инструменте поддержки принятия решений для оценки и расследования сексуального насилия над детьми.