کشف فساد

ازجمله راهکارهای جلوگیری از فساد در سازمان و اقدام پیشگیرانه مفاسد اداری، سوت زنی است؛ اما کنشگران سوت زن همواره با فشارها و تهدیدهایی مواجه هستند و حمایت های سازمانی و قانونی از آنان، ضروری است. هدف ما در این مقاله بررسی و تبیین مبانی فقهی و حقوقی کنشگران سوت زن با مقایسه ای بر حقوق کشور ایسلند می باشد.روش تحقیق این مقاله تحلیلی- توصیفی است. نتایج نشان داد علاوه براینکه افشاگری به شکل کنشگری سوت زن وظیفه ای ضروری و همگانی می باشد؛ حتی براساس مبانی فقهی ایجابی همچون قواعد امر به معروف و نهی از منکر، مصلحت، احترام مال مردم و مبانی سلبی مانند قاعده حرمت اشاعه فحشا از منظر فقهی و با انطباق با حقوق موضوعه ایران، می تواند ضمن مشروعیت بخشی به این کار، نقش تنظیم گرایانه ای در زمینه رفتارکنشگری سوت زنان داشته باشد. با وجود همه ضرورت های بیان شده در اصل کنشگری و حمایت از آنان، روش این کنشگری به ویژه در مقوله حرمت هتک مومن و مسائل مرتبط با فسادهای اقتصادی و مالی که جنبه عمومی و کلان برایش متصور است، بی حد و مرز نیست و لازم است اصول آن نیز مراعات شود در غیر این صورت ممکن است کنشگر، ضمن آلوده شدن به گناه، مفاسد بزرگتری همچون اختلال در نظام و پایمال کردن مصلحت مهم تر را به وجود آورد. همچنین مطابق قوانین کشور ایسلند، کنشگران در مرحله نخست باید در درون سازمان افشاگری نموده و سپس با شرایطی همچون عدم نتیجه و منفعت عمومی و براساس اصل حسن نیت می تواند افشاگری خارجی در مدل برون سازمانی از طریق رسانه های جمعی و فضای مجازی را آغاز نمایند.

زمینه و هدف: در دنیای امروز، فساد و ریسک های مرتبط با آن به چالش های جدی در نظام های اقتصادی و اجتماعی تبدیل شده اند. با افزایش پیچیدگی و حجم داده ها، روش های سنتی بازرسی و کشف فساد به تنهایی نمی توانند پاسخگوی نیازهای موجود باشند. هدف این پژوهش، توسعه و ارزیابی یک مدل هوش مصنوعی پیشگوی بازرسی است که قادر به کشف فساد و ارزیابی ریسک های مرتبط با دقت و کارایی بالاست.روش شناسی: این پژوهش از یک روش ترکیبی بهره می برد که شامل تحلیل داده های بزرگ، یادگیری ماشین و مدل سازی پیش بینی است. ابتدا داده های مربوط به فعالیت های اقتصادی و گزارش های مالی از مجموعه دادگان علمی مختلف جمع آوری شده و پس از پیش پردازش، از الگوریتم های مختلف یادگیری ماشین برای شناسایی الگوهای فساد و پیش بینی ریسک استفاده شده است. به منظور افزایش دقت و کاهش خطا، مدل های مختلف با یکدیگر مقایسه و بهینه سازی شده اند.یافته ها: نتایج اولیه نشان می دهند که مدل پیشنهادی یادگیری عمیق و شبکه عصبی مصنوعی با دقت بالایی قادر به شناسایی موارد فساد و پیش بینی ریسک های مرتبط است. مدل های بهینه سازی شده توانستند با استفاده از داده های تاریخی، نشانه های اولیه فساد را با دقت بیش از 93 درصد شناسایی کنند. علاوه بر این، مدل ها توانستند نواحی با ریسک بالا را شناسایی و اولویت بندی کنند، که این امر به طور قابل توجهی بهره وری و اثربخشی فرآیندهای بازرسی را افزایش داد.نتیجه گیری: پژوهش حاضر نشان می دهد که استفاده از هوش مصنوعی و یادگیری ماشین در فرآیندهای بازرسی و کشف فساد، می تواند انقلابی در این حوزه ایجاد کند. مدل پیشنهادی نه تنها دقت بالایی در شناسایی فساد دارد، بلکه می تواند به عنوان یک ابزار پیشگوی ریسک، سازمان ها را در مدیریت بهتر منابع و کاهش ریسک ها یاری دهد. این پژوهش می تواند پایه گذار تحقیقات کاربردی بیشتر در زمینه های مختلف بازرسی و مدیریت ریسک باشد.