CausalMosaic: Erkennung kausaler Strukturen unter Berücksichtigung von Unsicherheiten

Name des Teilnehmers: Jonas Gottal

Projekttitel: CausalMosaic: Erkennung kausaler Strukturen unter Berücksichtigung von Unsicherheiten

Beschreibung des IT-Forschungsprojektes:

Moderne KI-Systeme zeichnen sich zwar durch eine hervorragende Mustererkennung aus, versagen jedoch beim Verständnis kausaler Zusammenhänge, die den Kern rationaler Entscheidungsfindung bilden. Gleichzeitig existiert bereits ein enormer Bestand an kausalem Wissen, der jedoch in Millionen von wissenschaftlichen Publikationen, klinischen Studien und Expertenberichten verstreut ist. CausalMosaic schließt diese Lücke, indem es diese fragmentierten Evidenzen systematisch zu einheitlichen, mathematisch validen kausalen Bayes’schen Netzwerken (CBN) zusammenfasst. Diese können zur evidenzbasierten Entscheidungsunterstützung genutzt werden.

Das Framework kombiniert die LLM-basierte Informationsextraktion mit klassischen Algorithmen zur Erkennung kausaler Strukturen (CSD). LLMs werden ausschließlich für die strukturierte Extraktion kausaler und assoziativer Beziehungen aus unstrukturierten wissenschaftlichen Texten verwendet – nicht für das kausale Schlussfolgern selbst. Die daraus resultierenden Beobachtungen werden anschließend von deterministischen Algorithmen verarbeitet, die ein probabilistisches graphisches Modell zur Erkennung kausaler Zusammenhänge erstellen. Eine zentrale Innovation ist die systematische Weitergabe von Unsicherheiten des Ausgangsmaterials selbst – über die gelernte Graphstruktur und die Kantengewichte – bis hin zu den endgültigen Wahrscheinlichkeitsverteilungen. Diese werden für die Inferenz und die Modellierung von Interventionen verwendet.

Das System ist von Grund auf auf Vertrauenswürdigkeit ausgelegt. Jede kausale Aussage lässt sich auf die zugrunde liegenden, von Fachkolleg*innen begutachteten Studien zurückverfolgen. Zusammenhänge werden nach methodischer Qualität gewichtet (in Anlehnung an das GRADE-Framework) und widersprüchliche Erkenntnisse werden durch bayessche Belief-Aggregation statt durch subjektive Beurteilung aufgelöst. Nutzer*innen können interventionelle „Was-wäre-wenn“-Fragen stellen (z. B. „Wenn dieser Patient seine Ernährung verbessert, um wie viel sinkt dann das Risiko für Herzerkrankungen?“) und erhalten Wahrscheinlichkeitsverteilungen mit Konfidenzintervallen, vollständige Erklärungen der kausalen Zusammenhänge sowie Quellenangaben statt undurchsichtiger Punktschätzwerte.

Ein primärer Anwendungsfall ist die personalisierte Medizin: Fachexpert*innen wie Ärzt*innen, Forscher*innen und politische Entscheidungsträger*innen definieren die für sie relevanten Variablen. CausalMosaic ermittelt daraufhin automatisch die kausale Struktur aus der Fachliteratur, sodass die Expert*innen gezielte Maßnahmen planen können. Das System richtet sich an Fachexpert*innen, die mit Daten arbeiten, aber keine Datenwissenschaftler*innen sind. CausalMosaic wird als Open-Source-Framework mit einem neuartigen, von Expert*innen annotierten Benchmark-Datensatz veröffentlicht und trägt so zur Demokratisierung kausaler KI-Methoden bei.

Software Campus Partner: TU München und Holtzbrinck

Umsetzungszeitraum: 01.01.2026 – 31.12.2027