Den eksplicitte hensyntagen til geografiske variationer gør en væsentlig forskel, når der søges efter at forstå, hvordan stedets egenskaber kan påvirke en anbringelse. De geografiske variationer kan nemlig give indsigt i de differentierede behov og udfordringer, der eksisterer i forskellige geografiske områder. Med nye teknologier, især spatiale prædiktionsmodeller og GIS-værktøjer, gør det ikke kun kortlægningen af sociale problemer mere nøjagtig, men det er samtidig muligt at udnytte den rumlige struktur og afhængighed i dataene for at opnå mere præcise analyser, forudsigelser og beslutninger inden for en rumlig kontekst.

Med udgangspunkt i en ph.d. inden for socialgeografisk prædiktionsmodellering lægges der særlig vægt på betydningen af stedet for forståelsen af det sociale liv. Alting sker et eller andet sted, hvilket betyder, at al handling er indlejret i stedet og kan blive påvirket af dets placering. Dette perspektiv er yderst relevant og understreger betydningen af at forstå og undersøge sociale sammenhænge som værende forankret i specifikke geografiske områder. Af denne grund er det af stor relevans at undersøge netop geografiske variationer inden for det ’anbringelser af børn og unge’, da disse variationer kan give indsigt i de differentierede behov og udfordringer, der eksisterer i forskellige geografiske områder. Socioøkonomiske, demografiske og kulturelle faktorer kan spille en rolle i forekomsten af anbringelser og kan variere betydeligt fra sted til sted. Den geografiske variation af forskellige sociale faktorer har været til stede inden for socialområdet i mange år, hvad enten det drejer sig om abortbehandling, fattigdom i byer, social kapital, collective efficacy, miljømæssig ulighed eller kriminalitet. Nye teknologier, især spatiale prædiktionsmodeller og GIS-værktøjer, gør ikke kun kortlægningen af sociale problemer mere nøjagtig, men det er samtidig muligt at udnytte den rumlige struktur og afhængighed i dataene for at opnå mere præcise analyser, forudsigelser og beslutninger inden for en rumlig kontekst. Ved at kombinere disse teknologier kan der opnås en dybere indsigt i de rumlige faktorer, der påvirker anbringelser og identificerer områder med høj frekvens for anbringelse, hvilket muliggør en mere indsigtsfuld analyse af de varierende årsagsvariable i områderne. // Inden for sociologien, og samfundsvidenskabelig forskning generelt, har den kvantitative forskning været præget af statistiske tests til analyse af korrelationer og kausalitet, men prædiktioner er ikke udpræget i lige så stor grad. Machine learning modeller er baseret på komplekse teknikker, som ofte har en høj præcision i forudsigelsen af ukendte resultater, men det er svært at tolke, hvad der har en udslagsgivende effekt, derfor vil der, udover brugen af traditionelle spatiale prædiktionsmodeller, også blive lagt vægt på social explainable AI (SAI), som har fokus på decentralisering, menneskecentrering og forklarlighed. På den måde bevæger projektet sig væk fra klassisk, centraliseret machine learning, og forsøger at imødekomme de øgede etiske forventninger til gennemsigtighed og troværdighed i dataforudsigelser og -beregninger. De mere traditionelle spatiale prædiktionsmodeller vil i projektet bruges til at kunne identificere en mere nuanceret forståelse af tværterritoriale og tværnationale forskelle og ligheder blandt anbringelserne af børn og unge. Social Explainable AI anvendes derimod til at forklare og identificere, hvilke faktorer der bidrager til variationer, hvilket vil give et mere entydigt billede af, hvorfor anbringelser opstår. For at udforske potentialet bag machine learning ift. undersøgelsen af områders betydning for anbringelse af børn og unge, er det ambitionen at anvende sådanne teknikker i projektet. På denne måde vil projektet bidrage til mere dybtgående indsigt i årsagerne til, hvorfor anbringelser opstår, og vil samtidig muliggøre en mere entydig forklaring af de geografiske variationer.