利用机器学习有效预防虐待儿童:对家庭访问服务评估的案例研究
Eunhye Ahn1, Ruopeng An1, Melissa Jonson-Reid1
1Brown School, Washington University in St. Louis, 1 Brookings Dr, St. Louis, MO 63130, United States of America.
Child abuse & neglect
|March 1, 2024
概括
预测风险建模 (PRM) 显著改善了对需要支持的儿童的早期识别,优于传统方法. 这种机器学习方法通过准确预测虐待风险来增强儿童福利服务.
科学领域:
- 儿童福利研究儿童福利研究
- 公共卫生信息学 公共卫生信息学
- 机器学习应用程序 机器学习应用程序
背景情况:
- 早期识别有风险的儿童和家庭对于预防虐待儿童至关重要.
- 预测风险建模 (PRM) 提供了与当前风险评估技术相比的潜在改进.
研究的目的:
- 评估PRM工具的有效性与现有的方法相比,用于识别需要家庭访问服务的家庭.
- 评估PRM能够预测有根据的虐待指控的能力.
主要方法:
- 使用机器学习开发了一个PRM工具,集成出生和儿童保护系统记录.
- 预测特征仅限于现有的基线评估工具所使用的特征.
- 在孩子生命的前三年内,根据有证据的虐待指控来衡量对服务的需求.
主要成果:
- 2.7%的儿童在三岁时经历了有根据的虐待.
- 在高风险组中,PRM准确地识别了75.3%-84.1%的儿童有证实的虐待.
- PRM显著超过了基线模型的46.2%的识别率.
结论:
- PRM显示出显著的潜力,以加强儿童福利预防计划的风险评估工具.
- 机器学习算法可以生成准确的预测,以告知有针对性的预防服务.
- 调查结果为儿童福利机构的数据驱动PRM开发提供了实际见解.
