FORESAIT - Spark
Das Projekt FORESAIT nutzt verknüpfte Registerdaten und fortschrittliche maschinelle Lernmethoden, um präzise, faire und praktikable Modelle zur Vorhersage von Verläufen in der Sozialhilfe zu entwickeln.
Steckbrief
- Beteiligte Departemente Soziale Arbeit
- Institut(e) Institut Organisation und Sozialmanagement
- Förderorganisation SNF
- Laufzeit (geplant) 01.04.2025 - 31.03.2026
- Projektleitung Prof. Dr. Dorian Kessler
-
Projektmitarbeitende
Andrea Susanne Vogel-Kissling
Catherine Ikae
Dr. Alexandre Riemann Puttick
Ausgangslage
Längerer Bezug von Sozialhilfe hängt mit schlechter psychischer Gesundheit und dem Verlust beruflicher Fähigkeiten zusammen und verursacht hohe öffentliche Ausgaben. Sozialarbeitende stehen vor der Herausforderung, gefährdete Personen frühzeitig zu erkennen, um mit gezielten Massnahmen wie Unterstützung bei der Stellensuche, Weiterbildung und Vermittlung weiterer Unterstützungsleistungen, wie gesundheitsbezogener Leistungen, frühzeitig eingreifen zu können.
Vorgehen
FORESAIT entwickelt Modelle zur Vorhersage der Dauer des Bezugs von Sozialhilfe und der Gründe für einen Austritt. Dabei werden verknüpfte und anonymisierte Daten aus Sozialhilfe-, Bevölkerungs-, Sozialversicherungs- und Gesundheitsregistern genutzt. Mit neuen Ansätzen des maschinellen Lernens, darunter das innovative „life2vec“-Modell zur Modellierung von Lebensverläufen, wird untersucht, wie präzise diese Vorhersagen sind und wie sich sozio-demografische Verzerrungen minimieren lassen. Ein besonderer Fokus liegt darauf, Modelle zu schaffen, die ohne zusätzlichen Datenerhebungsaufwand in bestehende Beratungsprozesse integriert werden können.
Ausblick
Das Projekt leistet Pionierarbeit in der Schweizer Sozialhilfe, indem es einen evidenzbasierten Ansatz zur Entscheidungsunterstützung entwickelt und testet. Ziel ist es, die Ressourcen von Fachpersonen in der persönlichen Sozialhilfe effizienter einzusetzen, um den Sozialhilfebezug zu verkürzen, öffentliche Ausgaben zu senken und die Lebensqualität der Betroffenen zu verbessern.
