Angesichts von Tausenden neuer Fragen, die täglich auf beliebten Q&A-Plattformen veröffentlicht werden, besteht ein dringender Bedarf an automatisierten und präzisen Softwarelösungen, um die manuelle Moderation zu ersetzen. In diesem Paper behandeln wir die kritischen Nachteile der Crowdsourcing-basierten Moderationsmaßnahmen in Q&A-Communities und zeigen auf, wie Moderation mithilfe modernster maschineller Lernmodelle automatisiert werden kann. Aus technischer Sicht stellen wir einen Multi-View-Ansatz vor, der drei unterschiedliche Merkmalsgruppen generiert, die eine Frage aus drei verschiedenen Perspektiven analysieren: 1) fragebezogene Merkmale, die mittels eines BERT-basierten Regressionsmodells extrahiert werden; 2) kontextbezogene Merkmale, die mit einem Named-Entity-Recognition-Modell gewonnen werden; und 3) allgemeine lexikalische Merkmale, die durch statistische und analytische Methoden abgeleitet werden. Als letzter Schritt trainieren wir einen Gradient-Boosting-Klassifikator, um eine Moderationsmaßnahme vorherzusagen. Zur Evaluierung haben wir eine neue Datensammlung erstellt, die aus 60.000 Stack-Overflow-Fragen besteht, die in drei Kategorien von Moderationsmaßnahmen eingeteilt wurden. Auf Basis einer Kreuzvalidierung auf der neu erstellten Datensammlung erreicht unser Ansatz bei der Mehrklassen-Klassifikation eine Genauigkeit von 95,6 % und übertrifft damit alle state-of-the-art-Modelle sowie bisher veröffentlichten Ansätze. Unsere Ergebnisse zeigen eindeutig den starken Einfluss unserer Merkmalsgenerierungskomponenten auf den Gesamterfolg des Klassifikators.