Erklärbare Künstliche Intelligenz für die Soziale Arbeit

Künstliche Intelligenz (KI) verspricht durch eine automatisierte Entscheidungsunterstützung, präzise Vorhersagemodelle und personalisierte Interventionsangebote Effizienzsteigerungen und eine verbesserte Versorgung von Klient:innen im Kontext der Sozialen Arbeit. Gleichzeitig gilt es, die möglichen Herausforderungen und Risiken adäquat zu berücksichtigen. Bisherige Beiträge zur KI in der Sozialen Arbeit weisen dabei stellenweise ein wenig differenziertes Verständnis von KI-Systemen sowie deren statistischen Grundlagen auf. So bspw. in Form von nicht trennscharfen Definitionen, die für eine versierte Anwendung von KI-Systemen sowie für eine kritische Auswahl unter bestehenden KI-Systemen und zur Entwicklung zielgruppenspezifischer KI-Systeme essenziell wären. Im bisherigen wissenschaftlichen Diskurs zu KI in der Sozialen Arbeit wird allerdings bereits explizit auf die Erfordernis statistischer Grundlagen verwiesen, um eine erklärbare KI in der Sozialen Arbeit etablieren zu können, ohne diese jedoch im Detail zu explizieren. Daran anknüpfend erfolgt in diesem Beitrag eine Ausdifferenzierung des maschinellen Lernens in die statistischen Grundlagen, bestehend aus den Regressions-, Klassifikations-, Clustering- sowie Dimensionsreduktionsverfahren sowie Einblicke in die Funktionsweise von neuronalen Netzwerken für das sogenannte Deep Learning mit einem einschlägigen Anwendungsbeispiel zu erklärbarer KI. Dabei wird die zentrale Rolle von Algorithmen sowie der Weights und Biases geklärt, welche gemeinsam mit der Transformer-Architektur als Grundlage von Large Language Models, wie bspw. ChatGPT zu verstehen sind. Insbesondere die statistischen Grundlagen erweisen sich dabei als essenziell für einen gleichberechtigten Dialog von Sozialarbeiter:innen mit Stakeholdern der Digitalisierung und KI und können zur Entwicklung zielgruppenspezifischer KI-Systeme für die Ausbildung und Praxis der Sozialen Arbeit beitragen.