利用机器学习支持儿童福利决策的的概念框架

人类服务系统做出影响社会中个体的关键决策。美国儿童福利系统即做出此类决策，从筛查热线报告的疑似虐待或忽视以进行儿童保护调查，到将儿童安置于寄养照料，再到将儿童送回永久家庭环境。这些关于儿童生活的复杂且影响重大的决策依赖于儿童福利决策者的判断。儿童福利机构一直在探索用经验性的、数据驱动的方法（包括机器学习（ML））来支持这些决策。本文描述了一个用机器学习支持儿童福利决策的概念框架。该 ML 框架指导儿童福利机构如何概念化一个 ML 可解决的目标问题；审查可用的行政数据以构建 ML；制定并开发反映机构正在实施的相关人群与干预措施的 ML 规范；在儿童福利背景、政策和实践随时间变化时部署、评估和监控 ML。伦理考量、利益相关者参与以及避免常见陷阱支撑着该框架的影响与成功。从抽象到具体，我们描述了该框架在支持一项儿童福利决策中的应用。该 ML 框架虽聚焦于儿童福利，但可推广至解决其他公共政策问题。