Kindesschutzfachpersonen sehen sich mit der Herausforderung konfrontiert, unter hoher Unsicherheit über geeignete Interventionen nach festgestellter Kindeswohlgefährdung zu entscheiden. Zwar werden prädiktive Risikomodelle (PRM) bereits zur Risikoabschätzung eingesetzt, es fehlen jedoch evidenzbasierte Instrumente zur Auswahl wirksamer Interventionen. Ziel dieses Projekts ist es deshalb, maschinelles Lernen und Anwendungen der künstlichen Intelligenz zur Entwicklung von Entscheidungsunterstützungssystemen im Kindesschutz einzusetzen. Damit sollen die Wirksamkeit von Interventionen vorhergesagt, algorithmische Fairness sichergestellt und die Akzeptanz solcher Systeme bei Fachpersonen untersucht werden.

Das Projekt gliedert sich in drei Phasen:

1. Modellentwicklung: Aufbau prädiktiver Modelle zur Schätzung des Interventionserfolgs auf Basis administrativer und unstrukturierter Falldaten. Hierbei werden klassische Regressionsverfahren und nichtlineare Klassifikationsmodelle systematisch verglichen.
2. Fairnessanalyse: Entwicklung und Anwendung statistischer Metriken zur Bewertung algorithmischer Fairness, um Verzerrungen in den Modellen zu identifizieren und zu minimieren.
3. Anwenderakzeptanzanalyse: Evaluation von drei Prototypen zur Entscheidungsunterstützung – von einfachen Wahrscheinlichkeitsdarstellungen bis hin zu durch LLMs generierten Berichten mit Visualisierungen mittels Wissensgraphen – im Rahmen von A/B-Tests mit Fachpersonen.

Das Projekt basiert auf der Kooperation mit dem Amt für Jugend und Berufsberatung des Kantons Zürich und nutzt modernste KI-Technologien wie Large Language Models (LLMs) und Retrieval-Augmented Generation (RAG). Es leistet einen Beitrag zur digitalen Transformation in der Sozialarbeit, indem es praxisnahe, faire und verständliche Werkzeuge für den Kindesschutz entwickelt.