摘要：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. روش: با ارائه یک چارچوب تلاش می‌شود تا علاوه بر شناسایی بهتر ویژگی‌ها، گروه‌های متفاوتی با مشخصه‌های خاص از جامعه هدف استخراج گردد. به این طریق می‌توان برنامه‌های هدفمندی را در هر گروه اجرا نمود. اطلاعات معتادان مراجعه کننده به برخی مراکز ترک اعتیاد شاهرود با استفاده از ترکیبی از روش‌های داده‌کاوی در قالب چارچوب ارائه شده، تحلیل می‌شوند. به طور خاص برای تحلیل هر ویژگی هدف، ابتدا گام انتخاب ویژگی (با استفاده از ترکیبی از روش های تحلیل همبستگی، درخت تصمیم و استخراج قوانین) برای تعیین ویژگیهای موثر در تحلیل هدف مد نظر صورت می گیرد. سپس داده‌ها با عنایت به ویژگیهای انتخاب شده، خوشه بندی می شوند. سپس از روش های کشف قوانین انجمنی و رده بندی درخت تصمیم برای تحلیل داده‌های هر خوشه استفاده می شود. یافته‌ها: نتایج، نشان‌دهنده موثر بودن چارچوب پیشنهادی در تحلیل و گروه‌بندی جامعه هدف است. به طور خاص با اعمال چارچوب پیشنهادی، قوانین متعددی برای دلایل مراجعه به مرکز استخراج می‌کنیم. هم‌چنین در ادامه با اعمال ترکیبی روش‌های خوشه‌بندی و رده‌بندی، گروه‌های متفاوت با ویژگیهای متمایز در مجموعه داده را استخراج می‌نماییم. 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، می تواند در طرح ریزی برنامه پیشگیری از اعتیاد افراد مشابه و اقدام به درمان در افراد معتاد موثر واقع شود.
其他摘要：Introduction: Refinement and targeting of addiction prevention and rehabilitation programs, will increase the efficiency of executing such programs. However, the role of learning and data mining methods are rarely studied in this area. The aim of this paper is to assess the performance of data mining methods in analysis, refinement and grouping of the community for targeting the programs.Methods: In this paper, first an analysis framework is introduced. The goal of this framework is indicating the features influencing behavior of the target community, and also deriving different groups from the target community along with specific characteristics of each group. This way, targeted programs can be executed in each group. The information of addicts referring to a number of Methadone maintenance treatment (MMT) centers in Shahrood, Iran are analyzed with a range of data mining techniques as guided by the proposed framework. To indicate the influential features, first the feature selection step (using a hybrid of correlation analysis, association rule mining and decision tree analysis) is performed. Next, the data is clustered considering the selected features. The result of clustering is extraction of different groups from the target community. Finally, a hybrid of association rule mining and decision tree algorithms are used to analyze data in each cluster and determine their characteristics.Results: The results show the effectiveness of the proposed approach in analysing and grouping the community. Specifically, we focus on the reason of referring to a MMT center and indicate influential features in this context. Next, leveraging the extracted features, we derived various groups from the target community and determine their characteristics by deriving rules. The confidence of the extracted rules is at least 84%.Conclusion: The results of this research insist on the significant role of the data mining techniques in improved execution of prevention and rehabilitation programs. Specifically, the relation of the addicts’ family and social conditions with the reason of referring to MMT centers, which are explored in the paper, can be effective in the treatment programs of drug addicts and prevention of similar people becoming a consumer.
关键词：تحلیل ویژگیهای معتادین؛ مراکز ترک اعتیاد؛ یادگیری ترکیبی؛ پیشگیری و درمان اعتیاد
其他关键词：Analysis of drug addicts charasteristics; Hybrid learning; Clustering; Classification; Correlation analysis; Addiction prevention and rehabilitation.
