Esse resumo foi apresentado na Reunião Anual da Sociedade de Pesquisa de Prevenção de 2018, realizada de 29 de maio a 1º de junho de 2018 em Washington, DC, EUA.

Universidade Kristen R Johnson de Minnesota-Cidades Gêmeas

Este primeiro artigo definirá análises preditivas e ilustrará a importância de critérios claros de avaliação com exemplos recentes de esforços preditivos de desenvolvimento analítico em programas de prevenção, agências de proteção à criança e agências de justiça juvenil. Esses exemplos ajudarão a ilustrar a necessidade de desenvolvimento e avaliação teoricamente informados da Predictive Analytics, então como um quadro de Ciência de Prevenção suporta essas necessidades, bem como os esforços de mudança do sistema muitas vezes necessários para garantir previsivos As análises podem ajudar de forma eficaz e equitativa a melhorar a prestação de serviços para crianças, jovens e famílias.

Jerry Milner, Comissário Associado do Bureau da Criançae Comissário Interino da Administração daCriança, Juventude e Famílias,pretende reformar o atual sistema deproteção à criança para promover a resiliência familiar e mudar o foco para a prevenção primária de maus tratos infantis. Assim, a maioria dos exemplos se concentrará no desenvolvimento da Predictive Analytics para ajudar a prevenir danos a crianças e jovens. As possibilidades incluem estudos longitudinal referentes ao serviço social disponível e informações de saúde para estimar a probabilidade de danos à criança, o uso de avaliação de risco atuarial da agência de proteção infantil dentro de uma abordagem estruturada para decisões e monitoramento de serviços, pesquisa exploratória por órgãos de proteção a adultos por razões semelhantes e frameworks da Agência de Justiça Juvenil que incorporam dados de risco e ofensa atuarial por evitar envolvimento do sistema entre jovens com probabilidades moderadas ou menores de futuro comportamento criminoso, e reduzir a colocação de jovens fora de casa. A revisão dos exemplos começará com o tipo de questão prática sendo abordada, o papel percebido da Predictive Analytics na tomada de decisões do praticante e/ou do sistema, e métodos e resultados usados para testar cada abordagem de Análise Preditiva. Finalmente, o quadro de Ciência de Prevenção será usado para criticar cada abordagem, a adequação desta questão e identificar como esse quadro teórico pode afetar esforços futuros e semelhantes. Será considerada a aplicação potencial de cada modelo, para gerar discussão sobre as trocas entre precisão e equidade, e o equilíbrio de benefícios cliente e sistema com potencial para consequências não intencionais. 

O artigo e a apresentação serão concluídos revendo como o quadro de Ciência de Prevenção pode ajudar a garantir que a Predictive Analytics e outros esforços de desenvolvimento de critérios de triagem sejam eficazes e equitativos. O quadro teórico ajuda a orientar esses esforços muitas vezes empíricos examinando se a questão que está sendo explorada é apropriada para uma abordagem de Análise Preditiva, a melhor maneira de julgar a exatidão e a equidade dos resultados dada a questão e o ponto de decisão sendo informado e como aplicar com sucesso uma ferramenta precisa e equitativa usando uma abordagem organizacional e informada de sistemas para a implementação.