Rückfall- und Risikobewertung von Straftätern in der Strafjustiz (Bewährungshilfe, Strafvollzug)

Justizvollzug und Bewährungshilfe müssen entscheiden, wie intensiv beaufsichtigt wird, welche Programme angeboten werden und ob eine Entlassung verantwortbar ist. Seit Jahrzehnten dienen dazu aktuarische und strukturierte Einschätzungsinstrumente; ML bringt Flexibilität, aber selten höhere Genauigkeit. Dieser Anwendungsfall ist rechtlich sensibel: In der EU ist ein Score, der allein auf Profiling oder Persönlichkeitsmerkmalen beruht, verboten (KI-Verordnung (AI Act) Art. 5 Abs. 1 Buchst. d), und Bewertungen, die eine menschliche Entscheidung unterstützen, gelten als Hochrisiko. Zulässig sind nur validierte, transparente, geprüfte und rein beratende Werkzeuge.

Problem & Nutzen

• Heute: Das Personal kombiniert Aktenprüfung, Gespräche und Instrumente wie OASys/OGRS (England & Wales), RISc (Niederlande) oder RisCanvi (Katalonien, Spanien). Ressourcen für Aufsicht und Programme sind knapp und müssen nach Bedarf verteilt werden.
• KI-Nutzen: einheitliche, evidenzbasierte Vorsortierung (Fälle mit geringem Risiko erhalten leichtere Aufsicht), gezieltere Behandlung und eine nachvollziehbare Grundlage für Entscheidungen. Der Nutzen liegt in Zuteilung und Einheitlichkeit, nicht in Prophezeiung.
• Ernüchternde Evidenz: Beim vielfach untersuchten Werkzeug COMPAS fand die Analyse von ProPublica unter mehr als 7.000 im Broward County festgenommenen Personen, dass nur etwa 61 % derjenigen, denen ein Rückfall vorhergesagt wurde, innerhalb von zwei Jahren erneut festgenommen wurden; die Raten falsch positiver Ergebnisse unterschieden sich stark zwischen den Gruppen (44,9 % bei Schwarzen gegenüber 23,5 % bei weißen Angeklagten) [3]. Dressel & Farid stellten fest, dass COMPAS (137 Merkmale) eine Genauigkeit von ca. 65 % erreichte – vergleichbar mit Laien (ca. 62 %) und mit einer logistischen Regression allein auf Alter und frühere Verurteilungen (ca. 66,8 %) [4]. Komplexes ML schlägt einfache Modelle hier nicht verlässlich.

Varianten

• Statische aktuarische Scores (Alter, frühere Straftaten): einfach, transparent, seit langem validiert (nach Art von OGRS).
• Dynamische / bedarfsorientierte Instrumente (strukturierte professionelle Einschätzung): vom Personal bewertete Bedarfe, die sich durch Behandlung verändern können (OASys, RISc, RisCanvi).
• Gewalt- oder sexualdeliktspezifische Instrumente: engere Zielgruppen, höhere Tragweite.
• Vollzugsgestaltung und Unterstützung bei vorzeitiger Entlassung: Einstufung, Entlassungsplanung, Unterlagen für Bewährungsausschüsse.
• Forschung / Evaluation: Kohortenstudien auf Ebene der Einrichtung und Wirkungsevaluation von Programmen (siehe causal-inference) ohne individuelle Bewertung.
• In der EU in typischer Form nicht zulässig: ein reiner ML-Score aus Verhaltens-, Social-Media- oder Persönlichkeitsdaten, der eine Person als wahrscheinlich kriminell einstuft (siehe Risiken).
• Private Nutzung: keine.

So funktioniert es

1. case file + structured assessment (trained assessor interview)
2. feature construction (criminal history, age, needs items) — no protected-attribute proxies without legal basis
3. validated model (logistic regression / gradient boosting, calibrated)
4. risk band + factor explanation + uncertainty
5. human assessor / probation officer / board decides, may override with documented reasons
6. monitoring: calibration, group fairness, override rates, outcome follow-up

• Modelle: regularisierte logistische Regression und gradientenverstärkte Bäume (tabular-ml) mit monotonen Nebenbedingungen und Kalibrierung; transparente Scorecards werden von Aufsichtsbehörden und Gerichten bevorzugt.
• LLMs (llm-general) eignen sich nur für Nebenaufgaben wie die Zusammenfassung von Akten für die Beurteilenden, niemals zur Erzeugung des Scores; Halluzinations- und Verzerrungsrisiken sind in diesem Umfeld nicht hinnehmbar.
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Score ist beratend; die entscheidende Person muss ihn verstehen, hinterfragen und übersteuern können, und die betroffene Person muss ihn anfechten können.

Datenaufbereitung

Die Datenmenge ist klein, aber rechtlich heikel. Typische Quellen: das Fallbearbeitungssystem, Strafregister, Straf- und Haftakten (oft mehrere Systeme je Bundesland), Interviewbögen der Beurteilenden (teils Papier oder PDF-Scans) und spätere Daten zu erneuten Verurteilungen aus einem separaten Register.

Typische Lücken: uneinheitliche Kennungen über Systeme hinweg, Freitext-Bedarfsbeurteilungen, im Zeitverlauf uneinheitliche Kodierung von Delikten, fehlende oder verspätete Ergebnisdaten, historische Verzerrungen in den Akten, unklare Zugriffsrechte und Zweckbindung.

Schritte der Aufbereitung: 1. Quellen und Verantwortliche erfassen, dann Felder den Items des Instruments zuordnen (PREP-002, PREP-004). 2. Datensätze über einen pseudonymisierten Schlüssel verknüpfen und Rechtsgrundlage sowie Zweck festlegen (PREP-022, PREP-025). 3. Papierbögen digitalisieren und Deliktkategorien einheitlich neu kodieren (PREP-006, PREP-019). 4. Ergebnislabels (erneute Verurteilung, Rückkehr in Haft) mit festem Nachbeobachtungszeitraum gewinnen (PREP-020). 5. Mit forensischen Fachleuten einen zeitlich und nach Untergruppen getrennten Testdatensatz aufbauen (PREP-018).

Aufwand: Datenverknüpfung, Bereinigung und Aufbau der Validierung machen typischerweise weit mehr als die Hälfte des Projekts aus (Bewertung: hoch). Siehe auch GUIDE-003 für einen Bereitschaftscheck.

Umsetzungswege

Welcher Weg für wen

• Öffentliche Hand (Bewährungshilfe, Justizvollzug, Justizministerien): Weg C — Straftäterdaten sind hochsensibel und müssen in der gesicherten Umgebung des Ministeriums bleiben; eine transparente Scorecard oder ein Boosted-Tree-Modell auf HW1 genügt und lässt sich vor Ort validieren.
• Unternehmen (private Träger, forensische Dienste und Rehabilitationsdienste): Weg C — es gilt dieselbe Sensibilität, und die lokale Validierung an der tatsächlichen Population ist der Kern der Arbeit; ein zugekauftes ausländisches Werkzeug passt daher selten.
• Entwickler: Weg C — scikit-learn, Fairlearn und MLflow decken Modellierung, Fairness-Prüfungen und Prüfpfade ab, ohne Daten an Dritte zu senden.

Weg A — Kaufen (Standardsoftware)

• Öffentliche Stellen nutzen überwiegend staatseigene oder hausinterne Instrumente (OASys/OGRS in England & Wales, RISc in den Niederlanden, RisCanvi in Katalonien). Kommerzielle Werkzeuge wie COMPAS (Equivant) oder die Static-99R/LS/CMI-Familie sind in den USA/Kanada weit verbreitet; ihr Einsatz in der EU erfordert eine vollständige Konformitätsbewertung nach der KI-Verordnung (AI Act) und eine Validierung durch das Justizministerium an lokalen Daten. Einen EU-Marktführer gibt es nicht; die Beschaffung läuft über den Staat. Wählen Sie A nur, wenn für Ihre Rechtsordnung und Ihre Population ein validiertes Werkzeug existiert.

Weg B — Auf Cloud-KI-Diensten aufbauen

Für die Bewertung nicht sinnvoll: Straftäterdaten an Cloud-APIs Dritter zu senden, wirft Probleme bei Datenschutz, Sicherheit und Rechtsgrundlage auf, und universelle LLMs bringen keine validierte Genauigkeit. Cloud-AutoML für Tabellendaten in einer staatlich kontrollierten EU-Region ist das Äußerste, was vertretbar ist. LLM-APIs dürfen nur bei nicht entscheidungsrelevanten Dokumentzusammenfassungen und unter strengem Auftragsverarbeitungsvertrag (AVV) helfen.

Weg C — Selbst betreiben (Open Source)

• Stack: scikit-learn, XGBoost/LightGBM, statsmodels; Werkzeuge für Kalibrierung und Fairness wie Fairlearn, AIF360, SHAP/InterpretML für Erklärungen; MLflow für Versionierung und Prüfpfad.
• Hardware: HW1 (CPU-Server); die Daten sind klein, tabellarisch und sensibel, daher ist der Betrieb On-Premises in der gesicherten Umgebung des Ministeriums die Regel.
• Aufwand: ein Data-Science-Team sowie forensische Psychologen und Rechtsberatung; der laufende Betrieb ist überschaubar.

Weg D — Eigenes Training

Dies ist der Kern des Anwendungsfalls: Modelle müssen lokal trainiert und validiert werden, und zwar an den Rückfalldaten der tatsächlichen Population (zeitliche Validierung, externe Validierung, Kalibrierung je Untergruppe). Benötigt werden Tausende Fälle mit mehrjähriger Nachbeobachtung. Skandinavische registerbasierte Werkzeuge wie OxRec (aus Schweden abgeleitet, in mehreren Ländern validiert) zeigen den Weg über die Registerverknüpfung; prüfen Sie vor dem Zitieren von Zahlen in den Veröffentlichungen den aktuellen Validierungsstand.

Stand der Technik (2026)

• Genauigkeitsplateau: Die Trennschärfe gut gebauter Instrumente ist mäßig; zusätzliche ML-Komplexität oder Hunderte Merkmale bringen gegenüber wenigen Faktoren kaum etwas [4].
• Fairness ist ein Zielkonflikt, kein Fehler, den man behebt: Bei unterschiedlichen Basisraten zwischen Gruppen lassen sich Kalibrierung und gleiche Fehlerraten nicht gleichzeitig erfüllen [5]. Die Wahl muss getroffen, dokumentiert und politisch legitimiert werden; sie darf nicht dem Anbieter überlassen werden.
• Evidenz zur Anwendung: Die Debatte hat sich von „Kann es vorhersagen?“ zu „Verändert es Entscheidungen fair und verringert es Schaden?“ verschoben, mit externen Prüfungen (z. B. von RisCanvi) und Forderungen nach Transparenz und Anfechtbarkeit.
• Regulatorische Wende: Die KI-Verordnung (AI Act) macht Bias-Tests, Protokollierung, menschliche Aufsicht und Dokumentation für Hochrisiko-Systeme verpflichtend; Art. 5 Abs. 1 Buchst. d verbietet Kriminalitätsvorhersage, die allein auf Profiling beruht [1][2].
• Grenzen: Basisrateneffekte, Label-Verzerrung (erneute Verurteilung misst Polizeiarbeit, nicht Straffälligkeit), Rückkopplungsschleifen, Verschiebung der Daten nach Politikänderungen, Automatisierungsverzerrung bei den Beurteilenden und geringe Sicherheit auf Einzelebene.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Bausteine: tabular-ml, Werkzeuge für Kalibrierung/Fairness, causal-inference und guardrails, alle auf HW1-CPU-Servern; MLflow und die Prüfinfrastruktur sind wiederverwendbar.
• Verwandt: PRED-029 (Profiling bei Sozialleistungen/Arbeitsuchenden: gleiche Methodenfamilie, gleiche Verzerrungs- und Art.-6-Probleme), PRED-039 (ortsbezogene Hotspot-Prognose: andere Daten, ebenso sensibel), PRED-028 (risikobasierte Fallauswahl), PRED-038 (Rechtsanalytik), SEC-022 (KI-Governance, FRIA, KI-Inventar).
• Lässt sich gut kombinieren mit: Wirkungsevaluation von Programmen (causal-inference), um zu entscheiden, welche Maßnahmen wirken, sowie Aktenzusammenfassung für die Beurteilenden.

Aufwand, Kosten & Kennzahlen

• Weg A: Monate für Beschaffung und lokale Validierung; Lizenzkosten je nach Vertrag unterschiedlich.
• Weg C/D: 12–24 Monate einschließlich Datenverknüpfung, Validierungsstudie, rechtlicher Prüfung und Schulung des Personals; die Hauptkosten sind Personal, nicht Rechenleistung.
• Kennzahlen: Trennschärfe (AUC) und Kalibrierung auf lokalen Daten, nach Untergruppen; Raten falsch positiver/negativer Ergebnisse je Gruppe; Übersteuerungsquote und Gründe; Anteil angefochtener Fälle; Ergebnisse zu erneuten Verurteilungen je Aufsichtsstufe; Schulungsabdeckung der Beurteilenden; Vollständigkeit der Dokumentation.

Menschen & Veränderung

Beziehen Sie zuerst die Geschäftsleitung bzw. die Leitung des Ministeriums oder der Behörde ein, dann die Datenverantwortlichen und Recht/Compliance, bevor Daten verknüpft werden. Der oder die Datenschutzbeauftragte muss von Anfang an dabei sein: Es handelt sich um eine systematische Bewertung von Personen mit Daten, die besonderen Kategorien nahekommen; daher ist eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) erforderlich, und eine Rechtsgrundlage muss bestehen (GUIDE-005). Beurteilende und Bewährungshelfer (Anwender) gestalten das Instrument und den Übersteuerungsprozess mit.

Betriebs-/Personalrat: ja. In öffentlichen Stellen ist der Personalrat (BPersVG/Landesgesetze) beteiligt; bei privaten Trägern gilt der Betriebsrat nach §87 Abs. 1 Nr. 6 BetrVG, weil Übersteuerungsquoten und das Verhalten der Beurteilenden protokolliert werden können, und §90 Abs. 1 Nr. 3 verlangt die frühzeitige Unterrichtung über KI-gestützte Arbeitsprozesse. §80 Abs. 3 erlaubt die Hinzuziehung eines KI-Sachverständigen (GUIDE-004).

KI-Kompetenz: Unterstützen Sie die Beurteilenden mit Schulungen dazu, was der Score bedeutet, zu Kalibrierung, Verzerrung und zur Frage, wann zu übersteuern ist; Art. 4 der KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der Kompetenz, kein garantiertes Niveau (GUIDE-006).

Pilot und Bedenken: Beginnen Sie mit einer Region oder Einheit im Parallelbetrieb, ohne Einfluss auf Entscheidungen. Das Personal fürchtet Deskilling und Schuldzuweisung; begegnen Sie dem, indem Sie dokumentieren, dass der Score beratend ist und die Entscheidung stets bei einem Menschen bleibt, der mit Begründung übersteuern kann. Die betroffene Person muss anfechten können (GUIDE-008, GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act) (Einstufung: kommt darauf an):
• Verboten (Art. 5 Abs. 1 Buchst. d): Risikobewertungen natürlicher Personen zur Vorhersage von Straftaten, die allein auf Profiling oder auf der Bewertung von Persönlichkeitsmerkmalen beruhen. Das Verbot gilt nicht für Systeme, die eine menschliche Bewertung unterstützen, welche bereits auf objektiven und überprüfbaren Tatsachen beruht, die in unmittelbarem Zusammenhang mit einer Straftat stehen [1].
• Hochrisiko (Anhang III, Nr. 6): Systeme zur Bewertung des Risikos, dass eine Person straffällig oder rückfällig wird, nicht allein auf Profiling gestützt, oder zur Bewertung von Persönlichkeitsmerkmalen oder früherem Straftatverhalten [2]. Anbieter und Betreiber müssen die Art. 9–15 und 26 erfüllen (Risikomanagement, Daten-Governance, Protokollierung, menschliche Aufsicht, Genauigkeit), sich registrieren und – für öffentliche Stellen – eine Grundrechte-Folgenabschätzung (Art. 27) durchführen. Die Pflichten für Anhang-III-Systeme gelten ab dem 2. Dezember 2027 (verschoben vom August 2026 durch das Digital Omnibus on AI, Verordnung (EU) 2026/1744).
• Typische zulässige Gestaltungen: validierte Instrumente auf Basis von Vorstrafen und festgestellten Bedarfen, ausschließlich beratend. Reine Verhaltens- oder Persönlichkeitsmerkmals-Scores (z. B. aus Sozialdaten) lassen sich in der EU nicht umsetzen.
• DSGVO / Richtlinie für Justiz und Inneres (Richtlinie (EU) 2016/680): Daten über Straftaten sind besonders geschützt; automatisierte Einzelentscheidungen mit nachteiliger Rechtswirkung sind eingeschränkt; erforderlich sind Rechtsgrundlage, DSFA, Zweckbindung und Transparenz. Das nationale Strafvollzugsrecht (z. B. StVollzG und Landesgesetze, Regeln der Bewährungshilfe) setzt weitere Grenzen.
• Diskriminierung: Geschützte Merkmale und enge Stellvertretermerkmale (Postleitzahl, Staatsangehörigkeit) erfordern rechtliche und statistische Prüfung; Gruppenfairness-Prüfungen sind in der Praxis zwingend.
• Gegenmaßnahmen: ausschließlich beratende Nutzung, dokumentierte Übersteuerung, Anfechtungsweg, unabhängige Prüfung, öffentliche Modelldokumentation, regelmäßige Revalidierung, Verbot, den Score als alleinigen Grund heranzuziehen.

Erste Schritte

1. Klären Sie mit dem Justizministerium und der Datenschutzbehörde die Rechtsgrundlage; führen Sie zuerst die Einstufung nach der KI-Verordnung (AI Act) sowie eine DSFA/FRIA durch (SEC-022).
2. Erfassen Sie die bereits genutzten Instrumente und prüfen Sie ihre lokale Gültigkeit anhand von Rückfalldaten.
3. Bauen Sie eine transparente Basislinie (logistische Scorecard auf Alter und Vorstrafen) und vergleichen Sie jedes ML-Modell damit, nach Untergruppen und im Zeitverlauf.
4. Schulen Sie die Beurteilenden in Interpretation und Übersteuerung; richten Sie Protokollierung und einen Beschwerdeweg ein.
5. Planen Sie jährliche Kalibrierungs- und Fairness-Prüfungen mit externen Gutachtern.

Quellen

1. AI Act, Article 5 (prohibited practices, 5(1)(d)) — https://artificialintelligenceact.eu/article/5/
2. AI Act, Annex III (high-risk systems, point 6 law enforcement) — https://artificialintelligenceact.eu/annex/3/
3. ProPublica — Machine Bias: risk assessments in criminal sentencing — https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing
4. Dressel & Farid — The accuracy, fairness, and limits of predicting recidivism (Science Advances, 2018) — https://pmc.ncbi.nlm.nih.gov/articles/PMC5777393/
5. Kleinberg, Mullainathan, Raghavan — Inherent Trade-Offs in the Fair Determination of Risk Scores — https://arxiv.org/abs/1609.05807