Modul 7 – Nutzung von Daten und digitalen Tools zur Verbesserung der Reaktion auf häusliche Gewalt

Willkommen! Am Ende dieses Moduls werden Sie:
  1. Die Grundlagen des „Predictive Policing“ (vorausschauende Polizeiarbeit) und seine Anwendung in HG-Fällen verstehen.
  2. Sie werden lernen, wie strafrechtliche und institutionsübergreifende Daten die Ermittlungen und die Risikovorhersage in Fällen von Häuslicher Gewalt verbessern können.
  3. Explore Sie erfahren mehr über die aktuellen digitalen Tools und ihr Potenzial zur Verbesserung von HG-Reaktionen.

Vorhersagebasierte Polizeiarbeit & moderne Risikoeinschätzung

Computergestützte vorausschauende Polizeiarbeit

Moderne Risikobewertung in der Strafjustiz

Zentrale Herausforderungen

Verbessern der Risikoeinschätzung für häusliche Gewalt

Zentrale Methoden, Auswirkungen und Herausforderungen

Bedeutung von Daten für HG-Maßnahmen

Beispiele für verschiedene Lösungen

Erfolgreiche Fallstudie aus Spanien: VioGén II-System

Open Source Intelligence (OSINT) für HG-Fälle

Mobile Apps 

Elektronische Armbänder

Von reaktiver zu proaktiver & vorhersagebasierter Polizeiarbeit

Traditionelle reaktive Polizeiarbeit: Fokus auf Reaktionen, bereits geschehene Straftaten.
Proaktive Polizeiarbeit: Nutzt Daten, um Ressourcen zuzuweisen (z.B. verstäkrtes Streifefahren in Risikobereichen) zur Abschreckung und Verbesserung der Reaktionszeiten.

Vorhersagebasierte Polizeiarbeit: Analyse historischer Daten zur Erkennung von Hochrisikozeiten& -orte, Mustern und Umständen.

Wesentliche Vorteile:
  • Optimiert polizeiliche Ressourcen.
  • Verbessert Präventionsstrategien.
  • Ermöglicht effektivere Personaleinsatz.

Beispiele:
Übergriffe nach Lokalschluss oder Einbrüche während der Ferien.

Computergestützte vorhersagebasierte Polizeiarbeit

  • Computer helfen dabei, Muster in Daten der Strafjustiz zu erkennen, welche manuell nicht bemerkbar sind.
  • Algorithmen analysieren Variablen (z.B. Zeit, Ort, Gebietstyp) & bestimmen ihre Bedeutung für die Vorhersage von Straftaten.
  • Mit Daten aus der echten Welt verbessern Algorithmen ihre Genauigkeit & können neue Prädiktoren enthüllen.
Beispiel: Die Vorhersage von Raubüberfällen nahe einer neuen Bar könnte Faktoren wie Schließzeiten, Einkommen in der Nachbarschaft, Wohndichte oder nahegelegene Bars einbeziehen.

Mehr Daten verbessern Vorhersagegenauigkeit, unterstützen bessere polizeiliche Reaktionen.

Moderne Risikoeinschätzung in der Strafjustiz

Zweck:
Prognostiziert die Wahrscheinlichkeit von Straftaten, an denen bestimmte Personen beteiligt sind, um wichtige Entscheidungen zu treffen, einschließlich Verurteilung, Bewährung und Schutzanordnungen.

Warum es wichtig ist:
Verlässlichere Vorhersagen bedeuten effektivere Ressourcenverteilung und verbessertenn Schutz für Opfer und Gemeinden.

Von traditionell zu High-Tech:

  • Traditionelle Methoden verließen sich auf einfache, subjektive Beurteilungsverfahren.
  • Machine learning verbessert die Genauigkeit durch Analyse multipler Variablen und der Aufdeckung versteckter Muste.

Praktische Anwendung:

  • Kategorisiert Risikoniveau (extrem, hoch, mittel, gering) für bessere Entscheidungen.
  • Verbessert Genauigkeit und Fairness in der zum Nutzen von Beamten und öffentlicher Sicherheit.

Quellen: Berk, R. A. (2021). Artificial intelligence, predictive policing, and risk assessment for law enforcement. Annual Review of Criminology, 4(1), 209-237.

Herausforderungen vorhersagebasierter Polizeiarbeit & elektronische Risikoeinschätzung

  • Akkurate Vorhersagen garantieren keine verbesserte Polizeiarbeit – dies hängt davon ab, wie Daten genutzt und mit Prioritäten abgeglichen werden.
  • Mangelhafte Daten (z.B. zu wenige Anzeigen oder falsche Charakterisierung von Straftaten) können Ergebnisse verzerren und damit zu übertriebenen oder mangelnden Reaktionen führen.
  • Datenschutzbedenken als Folge der Behandlung sensibler Daten.
  • Missbrauchsrisiko, wie überaggressive Aktionen oder unterdrückung von Widerspruch – denken Sie an den Sci-Fi Film “Minority Report”.

Quellen:

  • Berk, R. A. (2021). Artificial intelligence, predictive policing, and risk assessment for law enforcement. Annual Review of Criminology, 4(1), 209-237.
  • Grogger, J., Gupta, S., Ivandic, R., & Kirchmaier, T. (2021). Comparing conventional and machine‐learning approaches to risk assessment in domestic abuse cases. Journal of Empirical Legal Studies, 18(1), 90-130.
  • Messing, J. T., & Thaller, J. (2013). The average predictive validity of intimate partner violence risk assessment instruments. Journal of interpersonal violence, 28(7), 1537-1558.

HG Risikoeinschätzung verbessern

Zweck:
Bewerten der Gefahrenstufe zur Steuerung schützender Maßnahmen.

Methoden:

  • Punkteregel: punktebasierte Kategorien klassifizieren Risiko.
  • Strukturiertes Urteil: kombiniert Antworten mit professionellem Urteil.

Auswirkung:
Bessere Werkzeuge gewährleisten die Identifizierung von Hochrisikofällen und ermächtigen Beamte Opfer effektiv zu schützen.

Herausforderung:
  • Subjektive Bewertung & inkonsistente Nutzung reduzieren Genauigkeit.
  • Hochrisikofälle können aufgrund von Verwaltungsfehlern übersehen werden.

Technologische Verbesserungen:

  • Machine Learning verbessert Genauigkeit durch die Analyse der kriminellen Vorgeschichte.
  • Die Kombination von Tools wie DASH mit maschinellem Lernen verstärkt die Genauigkeit der Vorhersage gewalttätiger HG Rückfälle um 20 %.

Quellen:

  • Berk, R. A. (2021). Artificial intelligence, predictive policing, and risk assessment for law enforcement. Annual Review of Criminology, 4(1), 209-237.
  • Grogger, J., Gupta, S., Ivandic, R., & Kirchmaier, T. (2021). Comparing conventional and machine‐learning approaches to risk assessment in domestic abuse cases. Journal of Empirical Legal Studies, 18(1), 90-130.
  • Messing, J. T., & Thaller, J. (2013). The average predictive validity of intimate partner violence risk assessment instruments. Journal of interpersonal violence, 28(7), 1537-1558.

Bedeutung von Daten für Reaktionen auf HG

Häufig geht es um wiederholte, eskalierende Gewalt, so dass der Kontext für wirksame polizeiliche Maßnahmen entscheidend ist (z.B. verdoppelt sich das Risiko beim dritten Anruf, verdreifacht sich beim sechsten und vervierfacht sich beim achten Anruf).
Beamte benötigen umfassende Daten, einschließlich nicht strafrechtlicher Aufzeichnungen, um besser reagieren zu können.
Vernetzte Systeme könnten den Zugang zu Daten der Strafjustiz, des Sozialwesens und des Gesundheitswesens ermöglichen.

Beispiele: Muster von Verletzungen in medizinischen Aufzeichnungen, Berichte von Opferunterstützungseinrichtungen oder Substanzmissbrauch.

Case Study: Spanien

VioGén Police Risk Assessment Protocol

Gegründet in Spanien (2007) zur Koordination polizeilicher Reaktionen auf häusliche Gewalt durch die Internal Security Studies Group.

Umfasst mehrere Interessenvertretungen: Opfer, Aggressoren, Zeugen, Techniker & Ärzte.

Integriert die Policia Nacional, Guardia Civil & Policia Municipal

2025 modernisiertes VioGen II System freigegeben.

Hauptziele des VioGen II Systems

Verbesserte Koordinierung

Verbesserung der Zusammenarbeit zwischen Polizei, Sozialdiensten und Gesundheitswesen, um eine einheitliche Reaktion auf Menschenhandel zu ermöglichen.

Genaue Risikobewertung

Verfeinerung der Risikoinstrumente zur besseren Vorhersage von Gewaltrückfällen und zur Gewährleistung eines angemessenen Opferschutzes.

Personalisierter Schutz

Maßgeschneiderte Reaktionen auf der Grundlage des sich entwickelnden Risikos für jedes Opfer, wobei die Maßnahmen je nach Bedarf angepasst werden.

Befähigung der Opfer

Bereitstellung klarer Informationen und personalisierter Sicherheitspläne, um sicherzustellen, dass die Opfer ihre Risiken und Schutzoptionen verstehen.

Datengestützte Entscheidungen

Einsatz fortschrittlicher Technologien und Algorithmen zur Verbesserung der Entscheidungsfindung in Echtzeit und zur Gewährleistung präziser Schutzmaßnahmen.

Leitlinien des polizeilichen Risikoeinschätzungsprotokolls beinhalten:

Quellen: González Álvarez, López Ossorio, Muñoz Rivas (2018)

Bewertung des Rückfallrisikos für Gewalt (VPR) – Risikokategorien und Risikofaktoren

Die VPR Indikatoren sind in 4 Dimensionen gruppiert:

VPR – Risikohöhe & Schutzmaßnahmen

Die Fälle werden in vier Risikostufen eingeteilt: niedrig (mit oder ohne gerichtlichen Maßnahmen); mittel; hoch und extrem. Auf der Grundlage dieser Einstufung wenden die Beamten verpflichtende und optionale Maßnahmen an, die der zugewiesenen Stufe angemessen sind, wobei zu berücksichtigen ist, dass jede Stufe die Maßnahmen der vorhergehenden Stufe umfasst und eigene hinzufügt. Diese Maßnahmen stellen ein Mindestmaß an Intervention dar, zu dem noch die Maßnahmen hinzukommen, die im individuellen Sicherheitsplan jedes Opfers entsprechend dessen Umständen vorgesehen sind.

Beispiele für Schutzmaßnahmen:

Niedrig

24 Stunden unterstützenden Kontakt anbieten und regelmäßige telefonische Folgemaßnahmen.

Gelegentliche Überwachung und regelmäßige Besuche beim Täter.

Häufige Überwachung und elektronische Kontrolle des Täters.

Ständige Beaufsichtigung(?) des Opfers und intensive Kontrolle des Täters.

Risk Evolution Risk Assessment Form (VPER) 4.0

Das VPER beinhaltet 43 Indikatoren:

34 für Risiko & 9 für Schutz, gruppiert in 5 Dimensionen:
  1. Schwere des Vorfalls
  2. Täterseitige Faktoren
  3. Charakteristika der Opfer
  4. Risikowahrnehmung des Opfers
  5. Status angewandter Schutzmaßnahmen

Ergebnisse:

Positive Entwicklung: Keine neuen Vorfälle.

Negative Entwicklung: Neue Vorfälle, ob gemeldet oder nicht.

VioGén II Systemlücken

Obwohl das VioGen II System einige Verbesserungen gegenüber seinen Vorläufern aufweist, zeigt es immer noch einige Lücken:

Diese Lücken weisen auf Bereiche hin, in denen Verbesserungen möglich sind, z. B. durch mehr Flexibilität, Schulung, Transparenz und Kommunikation innerhalb des Systems.

Das spanische VioGén-System ist zwar innovativ, was die Koordinierung der polizeilichen Maßnahmen und die Risikobewertung von Fällen geschlechtsspezifischer Gewalt anbelangt, weist jedoch erhebliche Lücken auf, die seine Wirksamkeit beeinträchtigen. Erstens werden die Transparenz und Verantwortung des Systems kritisiert. Der Algorithmus von VioGén weist jedem Fall automatisch eine Risikostufe zu, was die polizeilichen Schutzmaßnahmen stark beeinflusst, ohne dass eine klare Verantwortung besteht. Die Polizeibeamten weichen nur selten von den Empfehlungen des Algorithmus ab, was das professionelle Urteilsvermögen einschränken und zu einer übermäßigen Abhängigkeit von der automatischen Bewertung führen kann, was sich möglicherweise auf fallbezogene Reaktionen und die Sicherheit der Opfer auswirkt.

Ein weiteres wichtiges Problem ist der VioGén-Fragebogen selbst, der dazu dient, in emotional aufgeladenen Momenten Informationen zu sammeln. Die Opfer berichten oft unmittelbar nach einem Vorfall über ihre Erlebnisse, was zu Antworten führen kann, die durch Trauma oder Verwirrung getrübt sind. Dies hat zu Bedenken hinsichtlich der Zuverlässigkeit der eingegebenen Daten geführt, da es vielen Frauen schwerfällt, unter Stress genaue Angaben zu machen. Die Konzeption des Systems sieht auch eine begrenzte Schulung der Beamten vor, um den Zweck des Fragebogens effektiv zu vermitteln, was zu Unstimmigkeiten bei der Handhabung und dem Verständnis des Fragebogens durch die Opfer führt.

Darüber hinaus gibt es nur eine minimale Kommunikation mit den Opfern über ihre Risikobewertung, da viele Opfer berichten, dass sie ihre Risikokategorie oder die entsprechenden Schutzpläne nicht kennen. Die Beseitigung dieser Lücken in Bezug auf Transparenz, Kohärenz und Informationsaustausch ist entscheidend für die Verbesserung von VioGén und die bessere Unterstützung der Opfer geschlechtsspezifischer Gewalt.

Open Source Intelligence (OSINT) für HG Fälle

  • OSINT umfasst das Sammeln von Informationen aus öffentlich zugänglichen Quellen wie sozialen Medien, Nachrichtenartikeln, Websites und öffentlichen Aufzeichnungen.
  • In HG-Fällen kann OSINT helfen, Muster aufzudecken, Verhalten zu verfolgen, & zusätzliche Erkenntnisse zur Unterstützung von Ermittlungen zu gewinnen.
  • Es ermöglicht den Strafverfolgungsbehörden den Zugriff auf kritische Informationen, ohne dass besondere Genehmigungen erforderlich sind. Es ist jedoch wichtig, OSINT verantwortungsvoll zu nutzen und die Datenschutz- und Ethikrichtlinien zu beachten.

Mobile Apps for Geolokalisierung & telematische Meldeverfahren in Fällen häuslicher Gewalt

Mobile Anwendungen befähigen Opfer zur diskreten Meldung von häuslicher Gewalt & versorgen Behörden mit Echtzeitinformationen für schnelle Reaktionen. Typische beinhaltete Funktionen:

Alarmierung im Notfall

Opfer können SOS inclusive Geolokalisation zur Strafverfolgung senden.

Schnelle Meldung

Apps vereinfachen die Mmeldung vergangener oder anhaltender Gewalt.

Resourcen

Viele Apps bieten offer aufklärendes Material oder Kontakte zu Opferschutzeinrichtungen.

Nutzen für die Polizei:

  • Schnellerer Notfallschutz.
  • Verbessertes Situationsbewusstsein durch Geolokalisierung.
  • Verbesserte Opfersicherheit mit diskreten Meldemeethoden.

Beispiele aus ganz Europa

Spanien – AlertCops: Sendet geografisch verortete Warnmeldungen direkt an die Polizei zur sofortigen Unterstützung. Serbien – SOS App: Mehrsprachige Berichterstattung für Notfälle, angepasst für sehbehinderte Nutzer. Montenegro – Be Safe App: Diskrete Warnungen für die Sicherheit der Opfer. Griechenland – Panic Button App: Notfallalarm mit Geolokalisierung an die Polizei. Armenien – Safe YOU App: Versendet geografisch verortete Warnmeldungen und verbindet die Opfer mit Ressourcen.

Elektronische Fesseln: Verbesserung der Reaktion auf HG

Nutzen

  1. Erhöht Sicherheit der Opfer: Alarmiert Opfer & Polizei, wenn Auflagen verletzt werden.
  2. Abschreckung: Reduziert das Risiko erneuter Straffälligkeit dadurch, dass Täter zur Verantwortung gezogen werden.
  3. Effiziente Überwachung: Ressourcenschonend durch Fernverfolgung.
  4. Echtzeitreaktion: Unmittelbare Alarmierung ermöglichen rasche polizeiliche Reaktion.

Zweck

  • Verfolgt Täter zur Durchsetzung von Unterlassungsverfügungen & schützt Opfer.
  • Nutzt GPS oder Funktechnologie für Echtzeitüberwachung.

Beispiele

  • Spanien: Verfolgt die Einhaltung von einstweiligen Verfügungen.
  • Frankreich & Schweden: Nutzung in Hochrisikofällen zur Vermeidung von Gewalt.

Herausforderungen

  • Falsche Alarme oder Gerätemanipulation.
  • Benötigt verlässliche GPS Infrastruktur.
  • Datenschutz und rechtliche Erwägungen.

Datennutzung und IT-Lösungen in der Polizeiarbeit - Kernaussagen

  • IT-gestützte Lösungen helfen, die Subjektivität zu verringern und die Genauigkeit zu verbessern.
  • Durch den Einsatz datengestützter Risikobewertungsinstrumente können wir Rückfällen besser vorbeugen und den Opferschutz an die sich verändernde Situation anpassen.
  • Datenanalyse und IT-Lösungen ermöglichen einen schnelleren Informationsaustausch und unterstützen die Entscheidungsfindung.
  • Einheitliche Datensysteme und die konsequente Anwendung von Protokollen bieten eine solide Grundlage für die Zusammenarbeit und koordinierte Reaktionen zwischen verschiedenen Behörden.
  • Die Datennutzung muss sicher, transparent und zielgerichtet sein, um die Privatsphäre der Opfer und Zeugen zu schützen.
  • Durch die Einhaltung von Richtlinien und Vorschriften wird sichergestellt, dass die Datenverarbeitung ethisch und rechtlich einwandfrei erfolgt.
  • Technologische Lösungen und Instrumente zur Risikobewertung entwickeln sich ständig weiter; daher ist es wichtig, dass das Polizeipersonal fortlaufend geschult und bei der Umsetzung neuer Lösungen unterstützt wird.
  • Möglichkeiten zur Verbesserung der Fähigkeiten im Bereich der Datenanalyse und des Einsatzes digitaler Werkzeuge verbessern die Effizienz der gesamten Organisation und erhöhen den Opferschutz.

Selbstbeurteilung