Zur Anwendung neuronaler Netze in den Sozialwissenschaften

In der Studie „Zur Anwendung Neuronaler Netze in den Sozialwissenschaften“ wird das Mehrschichtige Perzeptronennetz, ein Verfahren aus der Familie der überwachten Neuronalen Netze, im Vergleich zu den Entscheidungsbäumen, der Diskriminanzanalyse und der Logistischen Regression in ihrem Potential untersucht und somit versucht, eine in den Sozialwissenschaften zu analysierende Zielgröße zu erklären und anhand von Datensplits vorherzusagen. Die überwachten Neuronalen Netze können im Gegensatz zu den Entscheidungsbäumen, der Diskriminanzanalyse und der Logistischen Regression mit geringeren Voraussetzung die erhobenen Daten auswerten und sind darüber hinaus in der Lage, sämtliche mögliche Wechselwirkungen bereits in den Modellansatz einzubeziehen. Bei den Neuronalen Netzen handelt es sich um ein numerisches Verfahren, welches eine hinsichtlich der Anzahl an Fehlzuordnungen optimale Zuordnung ermitteln soll. Die in der Studie untersuchte Zielgröße ist die Rückfälligkeit in Form erneuter Straffälligkeit ehemals jugendlicher Inhaftierter vier Jahre nach Entlassung aus dem Jugendstrafvollzug von Rheinland-Pfalz zwischen 1996 und 2000 (n=400). Die Erhebung der zur Erklärung herangezogenen Variablen wie familiäre Situation, Wechsel von Heim zu Heim, Schul- und Berufsabschluss, erfolgte Maßnahmen innerhalb der Anstalt etc. erfolgte während der Inhaftierung bei Haftantritt, der ersten und der letzten Erziehungskonferenz im Jugendstrafvollzug. Die Ermittlung und Einschätzung der Rückfälligkeit jugendlicher Straftäter anhand der im Vollzug erhobenen Variablen bildet zum einen die Gefährlichkeit in Form von erneut zu erwartenden Straftaten ab und zum anderen die Möglichkeit im Strafvollzug erzieherisch beim jugendlichen Straftäter hinsichtlich seiner Resozialisierung tätig zu werden. Im Vergleich der Verfahren am konkreten Beispiel zeigt sich eine Überlegenheit Neuronaler Netze im Potential, Rückfälligkeit zu erklären. Diese Überlegenheit der Neuronalen Netze relativiert sich bereits in der Prognose. Die vom Neuronalen Netz gefundene Zuordnung ist relativ stark abhängig von den Anfangseinstellungen des Netzes. Die aus der Zuordnung gewonnenen sozialwissenschaftlichen Aussagen über die Relevanz einzelner Variablen für die Rückfälligkeit ist daher nur bedingt verwendbar. Aufgrund der von den Anfangseinstellungen des Netzes abhängigen Aussagen ist festzustellen, dass Neuronale Netze eher für den explorativen Ansatz geeignet sind. Sie bieten zumindest die Möglichkeit, alle Wechselwirkungen gleichzeitig zu beachten und zu bewerten. Mit der Beachtung der Wechselwirkungen werden Aussagen über spezifische Ausgangssituationen jugendlicher Straftäter und die je nach Ausgangslage unterschiedliche Bewertung weiterer Variablen zur Erklärung von Rückfälligkeit möglich. Das hohe Potential Neuronaler Netze, Rückfälligkeit zu erklären, ist hinsichtlich der Übertragbarkeit auf unbekannte Daten für die Prognose mangels statistischer Tests dabei stets konkret zu prüfen.