🤖 machine learning

SMaRT: Online Reusable Resource Assignment and an Application to Mediation in the Kenyan Judiciary

Motiviert durch die Herausforderung der Zuweisung von Mediatoren zu Fällen in der kenianischen Justiz führt dieses Paper SMaRT ein, einen Online-Algorithmus, der quadratische Programmierung und Multi-Agent-Bandit-Lernen kombiniert, um Ressourcen effizient über einen hochdimensionalen Zustandsraum hinweg zuzuweisen, während gleichzeitig Kapazitätsbeschränkungen und das Lernen der Mediatorqualität ausgewogen werden.

Ursprüngliche Autoren: Shafkat Farabi, Didac Marti Pinto, Wei Lu, Manuel Ramos-Maqueda, Sanmay Das, Antoine Deeb, Anja Sautmann

Veröffentlicht 2026-06-30

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Shafkat Farabi, Didac Marti Pinto, Wei Lu, Manuel Ramos-Maqueda, Sanmay Das, Antoine Deeb, Anja Sautmann

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich das kenianische Gerichtssystem wie eine riesige, geschäftige Notaufnahme eines Krankenhauses vor. Jeden Tag kommen hunderte neuer Patienten (Rechtsfälle) durch die Tür. Um sie zu behandeln, verfügt das Krankenhaus über ein Team von Spezialisten (Mediatoren). Es gibt jedoch drei große Probleme:

Spezialisierung: Nicht jeder Spezialist kann jeden Patienten behandeln. Einige befassen sich nur mit „Familienangelegenheiten“, andere mit „Geschäftskonflikten“, und manche dürfen nur in bestimmten Städten arbeiten.
Unbekannte Fähigkeiten: Das Krankenhaus weiß nicht immer genau, wie gut ein Spezialist darin ist, Patienten zu einer Einigung zu führen. Manche sind Zauberer in der Verhandlung; andere haben Schwierigkeiten. Zudem kommen ständig neue Spezialisten in das Team hinzu.
Die „Kein Warten“-Regel: In dieser Notaufnahme können Sie einem Patienten nicht sagen: „Kommen Sie morgen wieder, wenn ein Spezialist frei ist.“ Er muss sofort einem Spezialisten zugewiesen werden.

Das Papier stellt ein neues „Smartes Triage-System“ namens SMaRT (Selecting Mediators that are Right for the Task – Auswahl der richtigen Mediatoren für die Aufgabe) vor, um dieses Chaos zu lösen.

Der alte Weg: Das „Round-Robin“-Karussell

Früher versuchten menschliche Beamte, Patienten manuell mit Spezialisten abzugleichen. Es war wie ein Spiel mit Stühlen, bei dem sich die Regeln ständig änderten.

Sie ordneten oft demselben „Star“-Spezialisten zu viele Patienten zu, was zu Überlastung führte (Burnout).
Manchmal gaben sie schwierige Fälle an Spezialisten weiter, die nicht besonders gut darin waren, einfach weil dieser Spezialist gerade verfügbar war.
Das Ergebnis? Viele Patienten gingen ohne Lösung nach Hause und mussten zum Hauptgericht zurückkehren, was einen riesigen Rückstau erzeugte.

Das neue System: SMaRT

SMaRT ist ein Algorithmus, der wie ein superintelligenter, unermüdlicher Disponent fungiert. Er nutzt zwei Haupttricks, um bessere Entscheidungen zu treffen:

1. Das „Zeugnis“ (Lernen von Fähigkeiten)

So wie Schulen verfolgen, wie sehr ein Lehrer einem Schüler hilft, sich zu verbessern, verfolgt SMaRT, wie sehr ein Mediator hilft, einen Fall zu lösen.

Das Ratespiel: Wenn ein neuer Mediator hinzukommt, kennt das System dessen Leistungsniveau nicht. Es beginnt mit einer Schätzung.
Die Aktualisierung: Während der Mediator Fälle bearbeitet, aktualisiert das System seine „Überzeugung“ über dessen Geschick. Wenn er ständig Fälle löst, wird das System sich sicherer, dass er ein Star ist. Wenn er Schwierigkeiten hat, senkt das System die Einschätzung.
Die Balance: Das System weiß, dass es neue Mediatoren ausprobieren muss (um zu sehen, ob sie gut sind), aber gleichzeitig diejenigen nutzen muss, von denen es weiß, dass sie gut sind. Es ist wie ein Elternteil, das eine neue Babysitterin ausprobiert, während es gleichzeitig den alten Babysittern vertraut.

2. Die „Zukunftssicherung“-Mathematik (Das quadratische Programm)

Dies ist der cleverste Teil. Ein einfaches System würde sagen: „Gib diesen Fall sofort dem besten verfügbaren Mediator.“ Aber SMaRT denkt voraus.

Die Analogie: Stellen Sie sich vor, Sie haben einen brillanten Schachspieler (Mediator A), der auf zwei verschiedenen Brettern spielen kann (Stadt A und Stadt B), und einen soliden Spieler (Mediator B), der nur auf Brett A spielen kann.

Der gierige Fehler: Wenn ein Spiel auf Brett A reinkommt, gibt ein „gieriges“ System das Spiel sofort dem brillanten Spieler. Aber dann kommt ein Spiel auf Brett B rein. Der brillante Spieler ist zu beschäftigt, und das System ist gezwungen, für Brett B einen schrecklichen Spieler einzusetzen.
Die SMaRT-Strategie: SMaRT könnte sagen: „Lass uns den brillanten Spieler für Brett B zurückhalten, auch wenn das bedeutet, dass wir für Brett A heute einen etwas weniger guten Spieler einsetzen müssen.“ Es akzeptiert eine etwas geringere Gewinnchance heute, um eine viel bessere Chance auf Gewinn morgen zu gewährleisten.

Um dies zu erreichen, nutzt SMaRT eine mathematische Formel (ein quadratisches Programm), die wie ein Strafsystem fungiert.

Es möchte so viele Fälle wie möglich lösen.
Aber es hasst es, einen Spezialisten zu überlasten.
Das System hat einen „Regler“ (einen Parameter namens $\lambda$ ). Wenn man den Regler hochdreht, wird das System sehr streng darin, niemanden zu überlasten, selbst wenn das bedeutet, etwas weniger Fälle zu lösen. Wenn man ihn herunterdreht, treibt es die besten Mediatoren härter an, um mehr Fälle zu lösen, wobei es in Kauf nimmt, dass sie etwas ermüden könnten.

Was passierte, als sie es testeten?

Die Forscher testeten SMaRT mit echten Daten aus der kenianischen Justiz (über 30.000 Fälle und 2.000 Mediatoren).

Bessere Ergebnisse: SMaRT löste mehr Fälle als die alten manuellen Methoden oder einfache „Wähle den besten verfügbaren“-Algorithmen.
Fairere Arbeitsbelastung: Es verhinderte, dass die „Star“-Mediatoren durch zu viel Arbeit erdrückt wurden, und verteilte die Last gleichmäßiger.
Flexibel: Durch das Anpassen des „Reglers“ kann das Gericht entscheiden: „Wollen wir heute die maximale Anzahl an Fällen lösen, oder wollen wir sicherstellen, dass niemand überarbeitet wird?“

Das Fazbeispiel

Das Paper behauptet, dass SMaRT bereit ist, das „Gehirn“ hinter einem neuen digitalen Werkzeug für die kenianischen Gerichte zu sein. Es soll derzeit einem realen Test (einer randomisierten Studie) unterzogen werden, um zu sehen, ob es das alte manuelle System offiziell ersetzen kann. Wenn es in den Simulationen so gut funktioniert wie bisher angenommen, wird es helfen, den Rückstau der Gerichte zu beseitigen und sicherzustellen, dass Fälle von den richtigen Personen zur richtigen Zeit bearbeitet werden, ohne die Mediatoren auszubrennen.

Technisches Resümee: SMaRT – Online-Zuweisung wiederverwendbarer Ressourcen für die kenianische Justiz

Problemdefinition
Die Arbeit befasst sich mit der Herausforderung, Mediatoren den Zivilverfahren innerhalb des kenianischen Systems der gerichtsanhängigen Mediation (Court-Annexed Mediation, CAM) zuzuweisen. Dies ist ein Problem der Online-Ressourcenallokation, das durch drei spezifische Randbedingungen gekennzeichnet ist, welche bestehende Algorithmen (wie Standard-Multi-Armed-Bandits oder Bandits mit Knapsacks) ineffizient oder unanwendbar machen:

Unbekannte und lernabhängige Qualität: Die Effektivität von Mediatoren (Value Added oder VA) ist nicht a priori bekannt und muss im Laufe der Zeit gelernt werden. Neue Mediatoren treten in das System ein, und ihre Leistung muss geschätzt werden, während gleichzeitig ein Gleichgewicht zwischen Exploration und Exploitation gewahrt werden muss.
Weiche, dynamische Kapazitätsbeschränkungen: Im Gegensatz zu Standard-"Bandits with Knapsacks" (BwK), die strikte, nicht regenerierbare Limits voraussetzen, verfügen Mediatoren über eine Kapazität, die sich mit der Lösung von Fällen regeneriert. Das System erfordert jedoch eine sofortige Zuweisung bei Ankunft eines Falls, was eine nicht-verschwindende Wahrscheinlichkeit zur Überschreitung der Kapazität (Überlastung) schafft. Während die Justiz bevorzugt, dass Mediatoren nicht mehr als drei Fälle gleichzeitig bearbeiten, ist das Überschreiten dieser Grenze eine „weiche“ Beschränkung statt eines strikten Verbots.
Hochdimensionaler Zustandsraum und heterogene Akkreditierung: Es gibt über 2.000 Mediatoren mit unterschiedlichen Akkreditierungen über 87 Gerichtsstationen und 12 Falltypen hinweg. Ein Mediator kann nur einem Fall zugewiesen werden, wenn er für dieses spezifische (Station, Falltyp)-Paar akkreditiert ist. Dies erzeugt ein komplexes bipartites Matching-Problem, bei dem die Ressourcen überlappende, aber distinkte zulässige Aufgabenmengen haben.

Das Ziel ist es, die allgemeine Falllösungsrate (Einigungsrate) zu maximieren und gleichzeitig den Kompromiss zwischen der Zuweisung der besten Mediatoren und der Einhaltung von Kapazitätsbeschränkungen zu verwalten, um eine gerechte Arbeitslastverteilung zu gewährleisten.

Methodik
Die Autoren schlagen SMaRT (Selecting Mediators that are Right for the Task) vor, einen Algorithmus, der ökonometrische Schätzung, Bayessches Lernen und quadratische Programmierung integriert.

Schätzung des Mehrwerts (Value Added, VA):
- Die Autoren passen ein Value-Added-Modell (gebräuchlich in der Bildungsforschung) an, um den Beitrag der Mediatoren zu schätzen. Das Modell regrediert die Ergebnisse der Falllösung auf Fallkontrollvariablen (Typ, Station, Zeit) und Mediatoren-Fixeffekte.
- Um Unsicherheit zu handhaben und Online-Lernen zu ermöglichen, führt das System eine Gaußsche Glaubensverteilung (Belief Distribution) über den VA jedes Mediators.
- Aktualisierung: Nach der Beobachtung eines Fallausgangs wird die Posterior-Verteilung mittels Momentenabgleich aktualisiert. Um ein Abdriften von expliziten Schätzungen zu verhindern, kalibriert das System diese Posteriori-Verteilungen wöchentlich mithilfe des vollständigen VA-Schätzverfahrens auf Basis historischer Daten neu.
Quadratische Programmierung (QP) Formulierung:
- Die Zuweisungsentscheidung wird als QP über einen kurzen Zeithorizont ( $T=10$ ) modelliert.
- Ziel: Maximierung der erwarteten Summe der Lösungswahrscheinlichkeiten (Mediator-VA + Basis-Fallwahrscheinlichkeit) abzüglich eines quadratischen Strafterms für Kapazitätsüberschreitungen.
- Beschränkungen:
  - Alle tatsächlich eintreffenden Fälle müssen zugewiesen werden (harte Beschränkung).
  - „Schattenfälle“ (aus einer Verteilung gezogene zukünftige Fälle) können unzugewiesen bleiben, um die zukünftige Nachfrage zu simulieren.
  - Weiche Kapazität: Die Beschränkung erlaubt es Mediatoren, die Kapazität zu überschreiten, jedoch werden Verstöße durch eine Slack-Variable $\xi_u$ erfasst. Die Zielfunktion bestraft $\xi_u^2$ , wodurch ein Trade-off-Parameter $\lambda$ entsteht, der die Schwere der Überlastungsstrafe steuert.
- Diese Formulierung ermöglicht es dem Algorithmus, leistungsstarke Mediatoren für zukünftige, hochwertige Fälle „zurückzuhalten“ (Opportunitätskosten), anstatt sie gierig (greedy) dem aktuellen Fall zuzuweisen, was zu einer Überlastung führen könnte.
Zuweisungsalgorithmus:
- Bei Ankunft eines Falls konstruiert das System einen Zustandsgraphen, der den aktuellen Fall, Schattenfälle und berechtigte Mediatoren enthält.
- Das QP wird gelöst, um fraktionale Zuweisungen zu erhalten.
- Der Algorithmus weist den eintreffenden Fall dem Mediator zu, der die höchste fraktionale Allokation in der QP-Lösung aufweist.
- Varianten: Das Paper testet zwei Lernvarianten:
  - SMaRT(E): Verwendet den Mittelwert der VA-Glaubensverteilung (fokussiert auf Exploitation).
  - SMaRT(S): Zieht VA aus der Glaubensverteilung (Thompson-Sampling-ähnliche Exploration).

Wesentliche Beiträge

Neuartiger algorithmischer Rahmen: SMaRT ist das erste Framework, das das Online-Lernen der Agentenqualität mit weichen, regenerierbaren Kapazitätsbeschränkungen in einem hochdimensionalen, heterogenen Akkreditierungsszenario kombiniert. Es geht über die Annahmen „harter Beschränkungen“ von BwK und die Annahmen „verzögerter Zuweisung“ anderer wiederverwendbarer Ressourcenalgorithmen (wie OM-RR-PA) hinaus.
Abstimmbare Kompromisse: Der quadratische Strafterm $\lambda$ ermöglicht es Administratoren, das Verhalten des Systems explizit zu steuern, indem sie die Strenge der Kapazitätsbeschränkungen gegen die allgemeine Falllösungsrate abwägen.
Interpretierbarkeit der Schattenpreise: Die Dualvariablen des QP liefern „Schattenpreise“ für Mediatoren, was eine interpretierbare Metrik ihres Grenzwerts in verschiedenen Kontexten bietet und den Mechanismus des „Zurückhaltens“ verdeutlicht.

Ergebnisse
Die Autoren validieren SMaRT sowohl durch stilisierte Simulationen als auch durch Realdaten der kenianischen Justiz (2016–2025, ~30.600 Fälle).

Stilisierte Szenarien: SMaRT übertrifft die Baselines (Least Load, Greedy, Thompson Sampling) konsistent. In Szenarien, in denen ein leistungsstarker Mediator über mehrere Zellen geteilt wird, vermeidet SMaRT erfolgreich die „Greedy-Falle“ der Überlastung dieses Mediators und verteilt stattdessen Fälle, um Kapazität für zukünftige hochwertige Gelegenheiten zu bewahren.
Realdaten-Simulationen (Bekannter VA): Wenn die Mediatoren-VAs bekannt sind, erreicht SMaRT mit einem niedrigen $\lambda$ eine Einigungsrate nahe an der theoretischen „Obergrenze“ (Zuweisung des absolut besten Mediators zu jedem Fall), jedoch mit signifikant geringerer Überlastung (OCDM) und besserer Gerechtigkeit (niedrigerer Gini-Index) im Vergleich zu einem rein gierigen Ansatz.
Realdaten-Simulationen (Lernender VA):
- Initialisierung mit leerem Blatt (Blank Slate): Wenn keine Vorabkenntnis vorhanden ist, induzieren Kapazitätsbeschränkungen naturgemäß eine ausreichende Exploration, wodurch SMaRT(E) (mittelwertbasiert) gut gegenüber Greedy-Baselines abschneidet.
- Warmstart-Initialisierung: Wenn das System mit historischen Daten initialisiert wurde, übertrifft SMaRT(S) (samplingbasiert) die Greedy- und TS*-Baselines signifikant. Es identifiziert erfolgreich leistungsstarke, aber weniger erfahrene Mediatoren, die Greedy-Ansätze übersehen würden, und erzielt so höhere Einigungsraten bei gleichzeitig geringerer Überlastung.
Abstimmbarkeit: Eine Erhöhung von $\lambda$ reduziert die Überlastung und verbessert die Gerechtigkeit (niedrigerer Gini-Index) auf Kosten einer leichten Verringerung der Einigungsraten, was die Flexibilität des Systems demonstriert.

Bedeutung und Ansprüche
Das Paper behauptet, dass SMaRT eine handhabbare und effektive Lösung für ein komplexes, reales Ressourcenallokationsproblem bietet, das die bestehende Literatur aufgrund der spezifischen Kombination aus weichen Beschränkungen, sofortigen Zuweisungsanforderungen und Lernbedürfnissen nicht direkt adressieren konnte.

Die Autoren geben an, dass sie planen, SM-aRT als Backend für die Funktion „Smart Assignment“ der digitalen Plattform der Justiz (Cadaster) einzusetzen. Eine randomisierte kontrollierte Studie (RCT) wurde genehmigt, um das System in der Praxis zu testen. Die Bedeutung liegt nicht nur im algorithmischen Beitrag, sondern auch in seinem Potenzial, den Justizrückstau zu reduzieren, Kosten zu senken und die gerechte Verteilung der Arbeit unter den Mediatoren in einem öffentlichen Sektor zu verbessern. Das Paper betont, dass das Design durch eine enge Zusammenarbeit mit der kenianischen Justiz getrieben wurde, um sicherzustellen, dass der Algorithmus für den realen Einsatz in der Praxis geeignet ist.