Fachpersonen des Kindesschutzes haben im Kern zwei grosse Aufgaben zu lösen: Die eine besteht darin, Kinder zu erkennen, die vor Kindesmissbrauch und Vernachlässigung geschützt werden müssen, die andere darin, die vielversprechendste Massnahme auszuwählen, sobald ein Fall von Kindesmisshandlung erkannt wurde. In den letzten Jahren wurden neue Ansätze zur statistischen Vorhersage, die die Vorteile des maschinellen Lernens nutzen, auf die erste Aufgabe, die Identifizierung von Risiken, angewendet. In einer vorangegangenen Studie, die vom Spark-Programm des Schweizerischen Nationalfonds finanziert wurde, setzten David Lätsch und sein Team maschinelles Lernen für die zweite Aufgabe ein, die Auswahl von Interventionen. In dem aktuellen Projekt, das durch ein an David Lätsch vergebenes DIZH-Fellowship finanziert wird, soll diese Arbeit fortgesetzt werden, indem verschiedene Ansätze zur Vorhersage des Verlaufs von Kinderschutzinterventionen entwickelt, getestet und verglichen werden. Im zweiten Teil wird das Team konzeptuelle Klärungen und entsprechende statistische Metriken für verschiedene Kriterien der algorithmischen Fairness (wie Kalibrierung, Vorhersageparität und Fehlerratenbalance) ausarbeiten. Die im vorangegangenen Teil der Studie entwickelten prädiktiven Ansätze werden anschliessend daraufhin untersucht, wie gut sie die Fairnesskriterien erfüllen. Im letzten Teil der Studie wird das Team die Implikationen seiner Ergebnisse in mehreren Workshops mit Fachpersonen unseres Praxispartners sowie mit Forschenden zur Diskussion stellen.