أدت معدلات الجريمة المتزايدة والتحديات المتطورة في إنفاذ القانون إلى الحاجة لحلول مبتكرة، مما أدى إلى بروز شرطة ذكية. يتضمن هذا التحول نموذجًا دمج الذكاء الاصطناعي مع تركيز خاص على تعلّم الآلة كأداة محورية لتحليل البيانات، والتعرّف على الأنماط، والتنبؤ الجرمي الاستباقي. تم استخدام نماذج اللغة الكبيرة (LLMs) كفرع من الذكاء الاصطناعي التوليدي في مجالات مختلفة مثل المالية، والطب، والقانون، والزراعة. إلا أن قدرات وإمكانات اعتماد نماذج اللغة الكبيرة لتطبيقات الشرطة الذكية مثل تصنيف الجرائم لا تزال غير مستكشفة. تستعرض هذه الورقة الإمكانات التحولية لكل من BART، وGPT-3، وGPT-4، وهي ثلاث نماذج لغة كبيرة متطورة، في مجال تحليل الجرائم والشرطة التنبؤية. باستخدام أساليب متنوعة مثل التحفيز بدون أمثلة، والتحفيز ببضع أمثلة، والتعديل الدقيق، تقيم هذه الورقة أداء هذه النماذج على مجموعات بيانات متطورة من مدينتين رئيسيتين: سان فرانسيسكو ولوس أنجلوس. الهدف هو إظهار قدرة نماذج اللغة الكبيرة على التكيف واستغلالها لإحداث ثورة في ممارسات تحليل الجرائم التقليدية. كما توفر الورقة تحليلًا مقارنًا بين الأساليب المذكورة سابقًا على نماذج سلسلة GPT وBART بالإضافة إلى تقنيات تعلّم الآلة، موضحة أن نماذج GPT أكثر ملاءمة لتصنيف الجرائم في معظم سيناريوهاتنا التجريبية.
درس Sarzaeim وآخرون (Mon,) هذا السؤال.