Kausalsemantik (\(S_C\))

Patrick Johnson

Vielen lieben dank für die Vorstellung. Ich freue mich, hier vortragen zu dürfen und einen methodisch-priorisierten Einblick in meinem Disputationsvortrag zu geben, den ich am 24.06 an der TU Darmstadt in der Vollversion vortrage.

Ich werde die nächsten 20 Minuten darauf verwenden, ein Framework zur Extraktion und Projektion sprachlicher Kausalattribution – genannt Kausalsemantik – und dessen Anwendung zur Analyse von Verantwortungszuschreibungen im deutschsprachigen Umweltdiskurs vorzustellen.

Auf der Titelfolie sehen wir bereits das Eingangs- und das Ausgangsformat der Kausalsemantik: Wir beginnen mit einer ariablen Anzahl sprachlicher Zeichen und überführen sie ein strukturiertes Format – einen Attributionalen Kausalgraphen –, der sowohl der Häufigkeit als auch der Richtung und Intesität einer beliebigen Menge an Kausalzuschreibungen Rechnung trägt.

Da die Kausalsemantik konzeptionell sprach- und domänenunabhängig ist, möchte ich mit der Erörterung einer inhaltlichen Herausforderung beginnen, die ich als Anwendungsfall zur Demonstration der Kausalsemantik nutze.

---

Landwirtschaft_c und Pestizide_c verursachen_i Bienensterben_e.

Bienensterben_c bedroht_i Landwirtschaft_e.

---

Cause	Effect	Influence
Landwirtschaft	Bienensterben	0,5
Pestizide	Bienensterben	0,5
Bienensterben	Landwirtschaft	-1

UMWELT & VERANTWORTUNG

• Umweltprobleme diskursiv definiert und verhandelt (Hannigan 2014)
• Diskursive Salienz (Häufigkeit) korreliert mit politischer Priorität (Downs 1972)
• Problemwahrnehmung reziprok zu zeitlicher / räumlicher Distanz (Giddens 2009)
  — „slow violence“ (Nixon 2011)
• Kausaltyp \(\to\) Interventionsplausibilität (Fischer 2003)
  • technisch \(\to\) technische Lösung;
  • strukturell \(\to\) Systemtransformation

---

Ursachentyp	Konsequenz
Natürlich/Mechanisch	Entlastet menschliche Verantwortung
Intentional	Forderungen nach Regulierung und Haftung
Polykausal	Verantwortungsdiffusion (Iyengar 1991)

Spezifisch geht es mir um Umwelt und Verantwortung – die Attribution und Aushandlung von Handlungsdruck, der aus Umweltentwicklungen mit negativen Auswirkungen für gegenwärtige und zukünftige Lebewesen abgeleitet wird. Wenn man von ‘Umweltproblemen’ spricht, handelt es sich weniger um eine Bestandsaufnahme als um eine Forderung nach Verbesserung.

Je häufiger von einem Problem gesprochen wird, desto politisch salienter wird es – Downs spricht von einem Aufmerksamkeitszyklus. Giddens ergänzt eine räumliche und zeitliche Komponente: Ferne oder langsame Entwicklungen werden als weniger dringlich wahrgenommen. Nixon bezeichnet das als slow violence – strukturelle Krisen evozieren weniger Handlungsdruck als akute Katastrophen.

Fischer schließt den Bogen zwischen Diskurs und Politik: Welcher Kausaltyp einer Entwicklung zugeschrieben wird, bestimmt, welche Intervention als plausibel gilt. Technische Ursachen motivieren technische Lösungen, strukturelle würden Systemtransformationen erfordern.

Das führt direkt zu Stones Ursachentypologie: Natürliche Ursachen entlasten menschliche Verantwortung. Intentionale Ursachen begründen Regulierungs- und Haftungsansprüche. Der dritte Typ ist für die Kausalsemantik besonders relevant: Polykausale Rahmungen diffundieren Verantwortung auf heterogene Strukturen ohne klare Zuständigkeiten (Iyengar). Das ist der konzeptuelle Grund, warum die Unterscheidung zwischen Mono, Prio und Poly nicht nur linguistisch, sondern politisch relevant ist.

KAUSALINFERENZ

Paradigmenwechsel	Autor(en)	Für \(S_C\)
Ontologisch \(\to\) epistemisch	Aristoteles \(\to\) Hume (1739)	Regularität als Annäherung
Regularität \(\to\) Polykausaliät	Mill (1843) \(\to\) Mackie (1965)	INUS \(\to\) Poly / Prio / Mono
Beobachtung \(\to\) Kontrafaktik	Lewis (1973)	Kausalität als hypothetischer Vergleich
Korrelation \(\to\) Intervention	Pearl (2000)	\(P(Y|X) \neq P(Y|\text{do}(X))\)
Typ-Kausalität \(\to\) Schuld	Halpern (2016)	Grad der Beteiligung \(\to\) \(I \in [-1, 1]\)

---

Priorität
\(A\) zeitlich vor \(B\)

Hinlänglichkeit
\(A\) genügt für \(B\)

Notwendigkeit
kein \(B\) ohne \(A\)

Beitrag
Anteil von \(A\) an \(B\)

Kausalattributionen sind selbst das Ergebnis eines – kollektiven oder individuell mentalen – Aushandlungsprozesses. Mehr als 2000 Jahre westlicher Philosophie zielen darauf ab, das Verhältnis zwischen einer Sache und einer unendlichen Menge möglicher Ursachen zu klären.

Aristoteles’ Wirkursache (causa efficiens) steht noch heute im Kern moderner Konzeptionen, bleibt aber ontologisch. Hume ersetzt metaphysische Notwendigkeit durch beobachtete Abfolgen, die Mill wiederum in induktive Schlussregeln überführt: Die Methode der Differenz, in der sich zwei Situationen nur durch die vermutete Ursache unterscheiden – antizipiert das moderne kontrollierte Experiment. Mackie formalisiert das mit dem INUS-Prinzip, indem eine Ursache nicht hinreichend, aber notwendiger Teil einer hinreichenden Konstellation ist.

Lewis versteht Kausalität als einen kontrafaktsiceh Vergleich: ‘Wäre X nicht eingetreten, wäre Y ebenfalls nicht eingetreten.’ Pearl zieht eine Grenze zwischen Manipulation und Beobachtung: Die konditionale Wahrscheinlichkeit von Y im Falle X ist nicht dasselbe wie die konditionale Wahrscheinlichkeit von Y, wenn man X kontrolliert.

Halpern überträgt wendet dieses Prinzip auf polykausale Konstellationen an, indem der Schuld über Pivotalität quantifiziert: wie viele andere Faktoren müssten entfernt werden, damit diese Ursache allein ausreicht?

Die vier Bedingungen unten sind keine sechste Theorie, sondern das gemeinsame Substrat aller fünf: Was sich von Zeile zu Zeile ändert, ist nicht ob diese Bedingungen gelten – sondern wie sie formalisiert, gewichtet und auf Grenzfälle angewendet werden.

KOGNITION & FRAMES

Mentale Repräsentation

• Lakoff / Johnson (1980): Causation is a Force — Intensität × Richtung
• Talmy (1988): Kraftdynamik
  • zwingen (Druck) · verhindern (Blockierung)
  • \(\to\) fördernd / hemmend

Semantische Rollen

• Fillmore (1968): Agens \(\to\) Instrument \(\to\) Patiens
• Zifonun (1997): Verursacher (\(\supsetneq\) Agens) → abstrakte Kausalattributionen
• Polenz (2008): Perspektivierung — Passiv defokussiert Verursacher

Konnektoren & Modalität

• Sweetser (1990)
  • Inhalts- / epistemische / Sprechaktkausalität
  • \(S_C\) → Inhaltskausalität
• König (1991)
  • Konzessiva (obwohl)
  • erwartete Relation bleibt aus

Während die logischen Theorien Kausalität formal definieren, beschreibt die kognitions- und sprachwissenschaftliche Forschung, wie Kausalität mental repräsentiert und sprachlich kodiert wird.

Lakoff und Johnson zeigen, dass Kausalität als körperlich erfahrbare Kraft-Metapher verinnerlicht ist. Talmys Kraftdynamik konkretisiert das in Verbklassen: Druck (zwingen), Blockierung (verhindern), Transfer (beitragen).

Fillmores Subjektivierungshierarchie erklärt, warum ‘Der Klimawandel verursacht X’ grammatisch analog zu ‘Menschen verursachen X’ ist, indem ein AGENS durch das INSTRUMENT oder PATIENS ersetzt wird. Zifonun führt VERURSACHER als Überkategorie ein, das jenseits des AGENS auch abstrakte Entitäten erfasst. Polenz fügt hinzu, dass Passivierung den Verursacher systematisch defokussiert.

Sweetser beschreibt eine Typologie kausaler Konnektoren, in der Inhaltskausalität die Attribution außersprachlicher Ursache-Wirkungs-Verhältnisse bezeichnet. König ergänzt wichtige Grenzfälle: Konzessiva markieren erwartete Kausalrelationen, die nicht eintreten.

EXTRAKTION & PROJEKTION

Rehbein / Ruppenhofer (2017)

• Verb-zu Konstruktion
  • X_C führt zu Y_E
• Transitive-kausative Konstruktion
  • X_C verursacht Y_E
• Präpositionale Konstruktion
  • Durch X_C entsteht Y_E

Dunietz et al. (2017)

• FACILITATE ‘erleichtern’
  • We are in serious economic trouble because of inadequate regulation.
• INHIBIT ‘hemmen’
  • The new regulations should prevent future crises.

Wu et al. (2025)

• (Rain) -[:CAUSES]-> (Wetness)

---

Bestehende Systeme extrahieren monokausale Ursache-Wirkungs-Paare.

\(\to\) Negation & Polykausalität bleiben unerfasst.

Zur automatischen Extraktion von Kausalattributionen spannen Rehbein / Ruppenhofer das weiteste Netz, indem sie sich vor allem auf kompakte Konstruktionen (x verursacht y / x ist die Ursache von y / y durch x usw.) konzentrieren.

Dunietz et al. unterscheiden (wie Talmy) zwischen fördernden und hemmenden Relationen. Schließlich überführen Wu et al. die extrahierten Attributionen in Subjekt-Prädikat-Objekt Tripel, die zu Causal-Knowledge Graphs aggregiert werden.

In der Summe finden sich damit eine große Zahl bestehender Ansätze, die im Folgenden zur Kausalsemantik zusammengeführt und durch Prinzipien der Polykausalität und propositionalen Negation erweitert werden.

INDIKATOREN

\(\small (C = \text{Cause}; E = \text{Effect}; I = [-1, 1])\)

---

Hemmend

Mono (\(\small -1\))

• \(C\) stoppt / verhindert / gegen \(E\)

---

Prio (\(\small -0{,}75\))

• \(C\) ist die größte Bedrohung für \(E\)

---

Poly (\(\small -0{,}5\))

• \(C\) reduziert / mindert \(E\)

Fördernd

Mono (\(\small +1\))

• \(C\) ist der Grund / verantwortlich für \(E\)

---

Prio (\(\small +0{,}75\))

• \(C\) ist der Hauptgrund für \(E\)

---

Poly (\(\small +0{,}5\))

• \(C\) verstärkt / intensiviert \(E\)

---

\(\pm =\) Polarität; \(||I|| =\) Salienz

Der ausdrucksseitige Anker liegt in lexikalisch-definierten Indikatoren (u.a. verursachen, verstärken, reduzieren, stoppen). Indikatoren projizieren kausale Rollen (Cause, Effect) auf syntaktische Nachbarn, wobei CAUSE in drei-viertel der Fälle auf das Subjekt fällt.

Jeder Indikator lässt sich anhand der Dimensionen Polarität (hemmend/fördernd) und Salienz – als Maß der Exklusivität von Mono bis Poly – kategorisieren.

Aus der Kombination beider Dimensionen ergibt sich ein numerischer Wert, in dem Polarität das Vorzeichen – und Salienz (von 0 bis 1) den absoluten Wert darstellt. Diskrete Einheiten (Zeichenketten) werden dabei auf ein Ordinalzahlensystem projiziert, in dem monokausale hemmende Relationen (-1) maximal von monokausal fördernden Relationen (+1) entfernt sind.

KONTEXTMARKER

\(\small (C = \text{Cause}; E = \text{Effect}; I = [-1, 1])\)

---

Prio (\(\small ||I|| = 0{,}75\))

• vor allem \(C\) verursacht \(E\)
• \(C\) ist maßgeblich an \(E\) beteiligt

---

Poly (\(\small ||I|| = 0{,}5\))

• Unter anderem \(C\) verursacht \(E\)
• Nicht nur \(C\) verursacht \(E\)

Negation

Propositional (\(\small I \cdot 0\))

• \(C\) ist nicht der Grund für \(E\)

---

Objektbasiert (\(\small I \cdot\) \(-1\))

• \(C\) verursacht die Vernichtung von \(E\)

---

\(\pm =\) Polarität; \(||I|| =\) Salienz

Hinzu treten eine Reihe an Kontextmarkern: Priorisierungen wie ‘vor allem’, sodann sie sich auf Ursachen beziehen, heben / senken, den absoluten Einfluss auf 0,75. Polykausale Marker wie ‘unter anderem’ setzen den Einfluss auf 0,5.

Negation erscheint in zwei unterschiedliche Formen. Propositional – bspw. ‘nicht’ oder ‘keine’ in ‘keine Schuld’ – neutralisieren sie den Einfluss zu 0. Objektbasierte Negationen ‘Schwund’/‘Verlust/Vernichtung’ invertieren die Richtung.

Daraus folgt ein mehrstufiger Algorithmus, indem sowohl lexikalische (verursachen vs. stoppen), morphologische (Ursache vs. Hauptursache) als auch syntaktische (Kontextmarker) Aspekte den finalen Einflusswert einer Tupel bestimmen.

DATEN

\(\textit{WABI}\)

Form	#	%
Aussterben	3812	35%
— Waldsterben	1837	15%
— Artensterben	1562	13%
Massensterben	692	6%
— Bienensterben	549	4%
— Insektensterben	490	4%
Fischsterben	450	4%
Absterben	373	3%

---

\[ \small | K_U | \approx ~2.2 \cdot 10^7,\quad K_U \subsetneq (\text{FAZ} \cup \text{Spiegel} \cup \text{Bild} \cup \text{taz} \cup \text{ZEIT} \cup \text{SZ} \cup \text{Plenar}_{\text{Bundestag}}) \]

Sowohl die 642 verschiedenen Indikatorformen als auch Kontextmarker-Kategorien wurden anhand eines Annotationskorpus mit rund 4000 Sätzen identifiziert, die mindestens eins der vier Lemmata ‘Waldsterben’, ‘Artensterben’, ‘Bienensterben’ oder ‘Insektensterben’ (im Folgenden ‘WABI’) enthalten.

Mit diesem Annotationskorpus, das selbst ein Subset eines aus 22 Millionen Sätzen bestehenden Umweltkorpus (KU) aus Zeitungstexten und Plenarprotokollen des dt. Bundestags darstellt, wird ein Zeitraum von 1990-2020 erfasst.

Die Analyse der WABI zielt dabei darauf ab, sowohl begriffsinterne Dynamiken als auch Gemeinsamkeiten und Divergenzen zwischen den Begriffen mithilfe der Kausalsemantik zu offenbaren.

EXZERPTE I

Fördernd

• Fipronil wird für das Bienensterben mitverantwortlich gemacht.
  [T13_JUL_02539]

\[ (\text{Fipronil}; \text{Bienensterben}; 0,5) \]

---

Hemmend

• Die grüne Landwirtschaftsministerin hat das Waldsterben gestoppt. [T03_JUL_34309]

\[ (\text{Landwirtschaftsministerin}; \text{Waldsterben}; -1) \]

Anhand der Indikatoren (‘mitverantwortlich’ oben, ‘gestoppt’ unten) werden Relationstupeln konstruiert, um Ursachen (hier ‘Fipronil’ und ‘Landwirtschaftsministerin’) und Wirkungen der einzelnen WABI inklusive instanzspezifischer Einflusswerte zu extrahieren.

Während ‘mitverantwortlich’ (polykausal fördernd) einen Einfluss von 0,5 projiziert, wird ‘gestoppt’ als monokausal hemmend (-1) gelesen.

EXZERPTE II

Verkettung

• Gut, dass die EU wegen des Bienensterbens endlich Neonicotinoide verbieten will. [U18_MAI_00199]

\[ (\text{Neonicotinoide}; \text{Bienensterben}; 1), (\text{EU}; \text{Neonicotinoide}; -1) \]

---

Koordination & Objektnegation

• Neben dem Insektensterben leiden diese Arten auch unter einem Mangel an Brutplätzen. [U18_JUL_00207-57]

\[ (\text{Insektensterben}; \text{Arten}; -0{,}5), (\text{Brutplätze}; \text{Arten}; 0{,}5) \]

Dieses ‘Einflussbudget’ gilt pro Indikator. Mehrere Indikatoren mit unterschiedlichen (Cause, Effect) Permutationen innerhalb eines Satzes werden bewusst nicht übergangen, sondern stellen – beispielsweise im Rahmen einer Verkettung (oben) – selbst einen satzinternen attributionalen Kausalgraphen dar.

In die selbe Kerbe schlagen Koordinationen. Im unteren Auszug erscheint ‘Insektensterben’ nicht nur als Ursache, sondern in einem polykausalen Verbund mit einem ‘Mangel an Brutplätzen’. Der indikatorspezifische Einfluss von ‘leiden’ (-1) verteilt sich dabei auf beide Ursachen (jeweils -0.5).

In diesem Fall wird ‘Mangel’ darüber hinaus als objektbasierte Negation gelesen: Das Vorzeichen (Polarität) von ‘Brutplätzen’ wird von -0.5 zu 0.5 invertiert. In der Summe wird ergibt sich ein positives Verhältnis zwischen Brutplätzen und Arten.

Waldsterben (Ursachen)

---

1990-2004

Cause	n	∅ I	% I
Saurer Regen	9	0,87	6,0
Stickoxid	10	0,56	4,1
Luftverschmutzung	5	0,90	3,4
Autos	6	0,69	3,1
Schwefeldioxid	5	0,78	2,9
Ozon	6	0,54	2,5
Verkehr	4	0,75	2,3

2019-2020

Cause	n	∅ I	% I
Klimawandel	8	0,71	27,5
Luftverschmutzung	2	1,00	11,6
Trockenheit	2	1,00	5,8
Hirsch	1	1,00	5,8
Glob. Erwärmung	1	1,00	5,8
Saurer Regen	4	0,25	5,8
Dürre	1	1,00	5,8

---

📄 Johnson, P. (2026). Waldsterben 2.0 – Climate change as an attributed cause of forest diebacks. In: Landscapes in Language, Society and Cognition (Interdisciplinary Linguistics). Berlin/Boston: De Gruyter Mouton. (i. Dr.)

Die Tupeln variabler Konstellationen (hier Ursachen von Waldsterben in zwei Zeiträumen) werden schließlich aggregiert und normalisiert. Daraus ergibt sich neben der absoluten kausalen Okkurrenz (n, zweite Spalte), ein durchschnittlicher Instanzeinfluss (dritte Spalte) und der prozentuale Anteil am Gesamteinfluss (vierte Spalte).

Im vorliegenden Fall wird die Verschiebung der attribuierten Ursachen ablesbar, indem ein Fokus auf Verkehr, Emissionen und Sauren Regen der Hervorhebung klimatischer Faktoren weicht. Anthropogene Einflüsse, die insbesondere bei Autos oder Verkehr noch deutlich expliziter ausfallen, rücken trotz ihres etablierten Beitrags zum Klimawandel somit zunehmend in den Hintergrund.

Bienensterben (Wirkungen)

---

Kategorien

Effect	n	∅ I	% I
Landwirtschaft	15	-0,8	-48,4
Politik	2	-1,00	-12,9
Biota	4	-1,00	-12,9
Diskurs	2	+0,75	9,7
Abstrakt	2	+0,75	9,7
Emission	1	+0,50	3,2
Mensch	1	+0,50	3,2

Verbatim (Top-7)

Effect	n	Kategorie
Ernte	2	Landwirtschaft
Bienenkrankheiten	1	Biota
Bundesamt	1	Politik
Erdbeer-Bauern	1	Landwirtschaft
Naturhaushalt	1	Biota
Landwirtschaft	1	Landwirtschaft
Kolonien	1	Biota

---

1990-2013, global: ∅ I = 0,82 über 25 Entitäten (n=27)

Ebenso lassen sich Wirkungen gesondert analysieren, wobei ihre absolute Fallzahlen grundsätzlich geringer und versprengter sind.

Aus Gründen der Vergleichbarkeit wurden verbatime Zeichenketten (bspw. Ernte, Erdbeer-Bauern in der rechten Tabelle) zu insgesamt 12 Kategorien (bspw. Landwirtschaft) aggregiert, von denen sieben in der linken Tabelle zu sehen sind.

Bienensterben (Wirkungen)

---

1990-2013

Effect	n	∅ I	% I
Landwirtschaft	15	-0,8	-48,4
Politik	2	-1,00	-12,9
Biota	4	-1,00	-12,9
Diskurs	2	+0,75	9,7
Abstrakt	2	+0,75	9,7
Emission	1	+0,50	3,2
Mensch	1	+0,50	3,2

2014-2020

Effect	n	∅ I	% I
Biota	8	-1,00	-48,0
Diskurs	2	-1,00	20,0
Landwirtschaft	4	-1,00	-8,0
Mensch	2	+0,75	-8,0
Politik	2	+0,75	-8,0
Abstrakt	1	+0,50	4,0
Emission	1	+0,50	4,0

---

Im Falle Bienensterben wird dabei eine drastische Verschiebung der Wirkungen ersichtlich. Zunächst liegt der (destruktive) Fokus auf bedrohten Imkern und Ernteausfällen durch Bestäubungsverluste (linke Seite).

In der zweiten Phase dominieren dagegen vor allem Spezifikationen mittel oder unmittelbar bedrohter Arten (Biota), indem unter anderem auch Wildbienen verstärkt Aufmerksamkeit erfahren.

Artensterben (Interventionen)

---

1990-2009

Cause	n	∅ I	% I
Politik	29	-0,88	-43,5
Mensch	15	-0,86	-22,2
Abstrakt	9	-0,93	-14,3
Biota	9	-0,56	-8,5
Wirtschaft	3	-1,00	-5,1
Naturschutz	2	-1,00	-3,4
Diskurs	1	-1,00	-1,7

2019-2020

Cause	n	∅ I	% I
Politik	25	-0,92	-35,2
Abstrakt	23	-0,82	-27,6
Naturschutz	6	-1,00	-9,2
Diskurs	6	-0,88	-8,4
Mensch	4	-0,88	-5,4
Wirtschaft	3	-0,88	-5,4
Landwirtschaft	2	-1,00	-4,6

---

Auf der Seite der Interventionen (hemmende Ursachen) liegt eine begriffsübergreifende Tendenz zur Symbolisierung bzw. Abstrahierung vor.

Im Falle Artensterben verschieben sich Interventen von generisch-menschlichen Einheiten zunehmend in Richtung der Kategorie ABSTRAKT – vor allem in Form von Pronomina wie ‘jemand’ oder ‘etwas tun’.

C-BERT

Token	Classification	Confidence
Die	O	0,57
Bundesregierung	ENTITY	0,59
stoppt	INDICATOR	0,54
das	O	0,30
Waldsterben	ENTITY	0,65

🤗 pdjohn/C-EBERT-610m

padjohn/cbert

Indicator	Entity	Relation	Confidence
stoppt	Bundesregierung	MONO_POS_CAUSE	0,99
stoppt	Waldsterben	MONO_NEG_EFFECT	0,88

---

📄 Johnson P. (2026). C-BERT: Factorized Causal Relation Extraction. Doi: 10.26083/tuda-7797. (Preprint)

Jenseits der diachronen Detailanalyse dienen die annotierten WABI-Sätze auch als Daten zum Training eines eigens entwickelten Multi-Task Transformers, der die sprachlichen Muster mittels modifizierter, numerischer Gewichtsmatrizen verinnerlicht.

In einem zweistufigen Verfahren klassifiziert C-BERT sowohl Spannen (Token, oben) als auch Relationen (unten). Letztere werden als Ergebnis maschineller ‘Annotation’ ebenso in (Cause, Effect, Influence) Tupeln – in diesem Fall (Bundesregierung, Waldsterben, -1) – überführt.

ATTRIBUTIONAL CAUSAL GRAPH

• 360.000 Entitäten
• 1,6 Mio. Relationen

Cypher Query (Neo4j)

// Wirkungen von Klimawandel (max 2 Sprünge) 
(Klimawandel)-[*..2]->(e)

Auf die 22 Millionen Sätze des Umweltkorpus angewandt, ergibt sich ein Attributionaler Kausalgraph (ACG) bestehend aus 360.000 Entitäten und 1.6 Millionen Relationen, von denen hier 212 Entitäten und 690 Relationen zu sehen sind.

Neben der Visualisierung lässt sich der ACG – beispielsweise eingebettet in die Graphdatenbank Neo4j – nach Beliebenm abfragen, um unter anderem unmittelbare und einfach nachgelagerte Wirkungen von Klimawandel ausgeben.

METRIKEN

Agency (\(\to\))

• Absolute Summe ausgehender Einflüsse
• Mensch (\(\small 16.149\)) \(>\) Klimawandel (\(\small 10.418\)) \(>\) Waldsterben (\(\small 164\)) \(>\) Insektensterben (\(\small 41\))

Sensitivity (\(\leftarrow\))

• Absolute Summe eingehender Einflüsse
• Mensch (\(\small 22.060\)) \(>\) Strom (\(\small 10.758\)) \(>\) Artensterben (\(\small 421\)) \(>\) Insektensterben (\(\small 129\))

Discourse Balance (\(\overset{\pm}{\leftarrow}\))

• Verhältnis zwischen fördernden und hemmenden eingehenden Einflüssen
• Strom (\(\small 6.565\)) \(>\) Waldsterben (\(\small 142\)) \(>\) Insektensterben (\(\small 22\)) \(>\) Klimawandel (\(\small -3.026\))

Zur Makroanalyse wurden eine Reihe an Metriken entwickelt, die beispielsweise den absoluten ausgehenden oder eingehenden Einfluss einer Entität messen.

Dabei zeigt sich, das die WABI zwar saliente Einheiten des Umweltdiskurses darstellen, jedoch weitaus weniger aktiv sind als ‘Mensch’, ‘Klimawandel’ oder ‘Strom’.

Discourse Balance, die das Verhältnis zwischen fördernden und hemmenden eingehenden Einflüssen beschreibt, charakterisiert die WABI weiter: Der Fokus liegt bei allen vier Begriffen auf fördernden Ursachen, wobei Insektensterben noch die höchste Rate an hemmenden gegenüber fördernden Ursachen aufweist.

KAUSALVEKTOREN

---

\[\small \overrightarrow{v}_{\text{Mensch}_C} = [\text{Mensch}, \text{Klimawandel}, \text{Artensterben}, ... ] = [0; 343{,}75; 30{,}75; ... ]\] \[\small \overrightarrow{v}_{\text{Mensch}_E} = [\text{Mensch}, \text{Klimawandel}, \text{Artensterben}, ... ] = [0; -34{,}5; -2; ...]\]

\[\small \overrightarrow{v}_{\text{Mensch}} = \overrightarrow{v}_{\text{Mensch}_C} \oplus \overrightarrow{v}_{\text{Mensch}_E}\]

Schließlich lässt sich der ACG auch in Form einer Matrix repräsentieren. In dem vorliegenden Diagramm ist der fördernde Einfluss von Mensch zu Klimawandel in Reihe 1, Spalte 2 mit rund 343,75 verzeichnet.Reihe 2, Spalte 1 zeigt einen negativen Rückkopplungseffekt (Klimawandel zu Mensch, -34,5).

Zusammengenommen lässt sich aus den Einflusswerten aller Ursachen und Wirkungen einer Entität (bspw. Mensch, unten) ein Vektor konstruieren, der – ähnlich zu Word- oder Sentence-Embeddings – mittels etablierter Distanzmetriken die Ähnlichkeit zwischen Entitäten anhand ihrer attribuierten kausalen Interaktionen misst.

KAUSALE NACHBARSCHAFT

---

Insektensterben

Rang	Nachbar	\(\cos(\theta)\)
1	Artenschwund	0,64
2	Kulturlandschaft	0,43
3	Nitrate	0,41
4	Artensterben	0,40
5	Welternährung	0,40

Artensterben

Rang	Nachbar	\(\cos(\theta)\)
1	Klimaänderung	0,60
2	Erwärmung	0,57
3	Klimawandel	0,47
4	Treibhauseffekt	0,46
5	Erderwärmung	0,43

Dabei fällt zum einen auf, dass Artensterben und Insektensterben näher an aktiveren Entitäten des Umweltkorpus (allen voran Klimawandel, globale Erwärmung) liegen als Waldsterben oder Bienensterben. Ebenso interessant ist das Verhältnis der WABI zueinander: Waldsterben liegt fernab, während Insektensterben näher an Arten- als an Bienensterben liegt.

ZUSAMMENFASSUNG

Kausalsemantik

• Indikatoren

  • verursachen, beitragen, reduzieren, stoppen

• Kontextmarker

  • maßgeblich, auch, nicht, Schwund

• \((C\textit{ause}, E\textit{ffect}, I\textit{nfluence})\)

  • \(I = \pm, ||\text{Salienz}||\)

• ACG

  • Agency, Sensitivity, Balance
  • Kausalprofile

Verantwortung & Umwelt

• Naturalisierung (Ursachen)

  • Luftverschmutzung zu Klimawandel

• Abstrahierung (Interventionen)

  • Lebensraum zu jemand, etwas

• Vektoren

  • Waldsterben isoliert; Artensterben näher an Insektensterben als Bienensterben
• \(K_U\) dominiert durch Mensch, Klimawandel, Emission

Zusammengefasst ist mit der Kausalsemantik ein Framework zur Extraktion und Projektion entstanden, dass mithilfe lexikalisch definierter Indikatoren kausale Rollen (Cause, Effect) inklusive numerischer Richtung (Polarität) und Gewichtung (Salienz) im Zusammenspiel mit Kontextmarkern ausweist.

Unter Nutzung eines Annotationskorpus wurden 4300 Sätze annotiert, um vier Begriffe (Wald-, Arten-, Bienen- und Insektensterben) anhand ihrer attribuierten kausalen Interaktionen diachron zu evaluieren. Kausalattributionen werden dabei als Verantwortungszuschreibungen gelesen, die sich unter anderem naturalisieren (Luftverschmutzung/Verkehr zu Klimawandel), aber auch – vor allem auf der Seite der Interventionen – zunehmend abstrahieren bzw. pronominalisieren.

Mithilfe des C-BERT Transformers lässt sich die manuelle Annotation in groben Zügen replizieren. Auf das übergeordnete Umweltkorpus angewandt, konnten die WABI sowohl durch zentrale Entitäten des Umweltdiskurses (Klimawandel, Energieträger, Emissionen) – als auch mittels ihrer individuellen nächsten Kausalnachbarn kontextualisiert werden, und – im Dickicht von mehreren hundert Millionen verschiedenen Zeichenketten – auf Basis ihrer attribuierten Kausalinteraktionen, zu charakterisieren.

Damit schließe ich, bedanke mich vielmals für die Aufmerksamkeit – und freue mich auf die Diskussion.

QUESTIONS

Salience

• X ist eine Ursache von Y
• \((X, Y, 0.5)\)?

---

Uncertainty

• wahrscheinlich / könnte
  • \(P(X) < 1\)
• Default
  • \(P(X) = 1\)?

Provenance

• könne / verantwortlich gemacht (\(\phi\))
• laut \(X\) (\(\phi_X\))
• Graph?

---

Attributes

• Autos verursachen dreckige Luft
• \((\textit{Autos}, \textit{Luft}, 1)\)?

BS & IS

---

Bienensterben

2007-2013

• \(\textit{BS} \to \neg\textit{Honigbiene}\)
• \((\textit{Pestizide} \succ \textit{Monokultur} \succ \textit{Milbe})\)
  \(\to \textit{BS}\)
• \(\phi_{\textit{Imker}}(\textit{Pestizide} \to \textit{BS})\)

---

2014-2020

• \(\textit{BS} (\neg \textit{Honigbiene} \succ \neg\textit{Wildbiene})\)
• \((\textit{Pestizide} \succ \textit{Monokultur}) \to \textit{BS}\)

Insektensterben

• \(\textit{IS} \to \neg(\textit{Bestäuber} \cup \textit{Bienen})\)
• \(\textit{Monokultur} \succ \textit{Pestizide}\) \(\succ \textit{Lebensraum} \succ \textit{Lichtverschmutzung}\)
  \(\to IS\)
• \(\textit{Politik} \to \neg\textit{IS}\)

DEPENDENZ

\(\textit{nk}_\pm\) = Ursache von | Kampf gegen \(\textit{WABI}_i\)

\(\textit{oa}_\pm\) = verursacht | stoppt \(\textit{WABI}_i\)

---

PROPOSITIONAL

Uncertainty

• Das rätselhafte Bienensterben_w, über das seit einem Jahr aus den Vereinigten Staaten berichtet wird, ist möglicherweise auf ein eingeschlepptes Virus_u zurückzuführen_i.
  [FAZ_200709_282283] \[ \diamond(\textit{Virus} \to \textit{Bienensterben}) \]

---

Provenance

• Nach Untersuchungen des Julius-Kühn-Instituts in Braunschweig stehen diese Wirkstoffe_u als Verursacher_i des Bienensterbens_w eindeutig fest.
  [T08_JUN_04088]

\[ \phi_{JKI}(\textit{Wirkstoffe} \to \textit{Bienensterben}) \]

BASIS

sterben_V

Aufhören, zu leben
aussterben | absterben

\[ \huge o_i, \neg o_i \]

---

Sterben_N

Sterbeprozess
Lebensende | Ableben | Abberufung | Exitus

KOMPOSITA

Massensterben

Großes Sterben

\[ \large O_K, \scriptsize O_K \]

---

Artensterben

das Aussterben bzw. Verschwinden von Tier- und Pflanzenarten (als natürlicher oder von Menschen verursachter bzw. beschleunigter Prozess)

\[ \large O_A, \normalsize O_A, \small O_A, \tiny O_A, \]

MODERN

Premises

• Probabilistic
  • Wet streets are more likely if it rains.
  • \(P(E | C) > P(E | \neg C)\)
• Structural
  • The street will be wet if we make it rain.
  • \(P(E|do(C))\)

Konzepte

Autor	Konzept
Lewis (1973)	Counterfactuality
Suppes (1984)	Probabilistics
Pearl (2000)	Causal Graphs
Halpern (2016)	Actual Causality

---

RESULTS

---

Waldsterben

• \(\textit{WS} \to \neg\textit{Bäume}\)

---

1990-2018

• \(\textit{Verkehr} \to \textit{Luftverschmutzung}\) \(\to \textit{Saurer Regen} \to \textit{WS}\)
  
• \(\neg \textit{WS} \land (\textit{WS} \in \textit{Diskurs})\)
• \(\textit{WS} \land (\textit{Diskurs} \to \neg\textit{WS})\)

---

2019-2020 (Waldsterben 2.0)

• \((\textit{Klimawandel} \succ \textit{Borkenkäfer})\)
  \(\to \textit{WS}\)

Artensterben

• globales Artensterben

---

1990-2020

• \(\textit{AS} \to \neg\textit{Arten}\)
• \((\textit{Klimawandel} \cup \textit{Überbevölkerung}\) \(\cup \; \textit{Konsum}) \to \textit{AS}\)
• \(\to (\textit{AS} \cup \textit{Klimawandel} \; \cup \;...)\)
• \(\neg(\textit{Politik} \to \neg\textit{AS})\)

C-BERT V1

Aspirin ist der Grund für Armut.

---

Token	Classification	Confidence
As	B-ENTITY	0.55
pir	I-ENTITY	0.93
in	I-ENTITY	0.96
ist	O	0.56
der	O	0.98
Grund	B-INDICATOR	1.00
für	O	0.9375
Ar	B-ENTITY	0.9961
mut	I-ENTITY	0.9961

Indicator	Entity	Relation	Confidence
Grund	Aspirin	CAUSE	0.9492
Grund	Armut	EFFECT	0.9922

---

🤗 pdjohn/C-EBERT-210m

padjohn/cbert

---

ANNOTATION

JSON

  {
    "subfolder": "Waldsterben_sb",
    "global_sentence_id": 19507294,
    "text_id": "pp_13_158_00017",
    "sentence": "Das Waldsterben löst Ängste aus.",
    "relations": [
      {
        "indicator": "löst",
        "entities": [
          {
            "entity": "Waldsterben",
            "relation": "Cause"
          },
          {
            "entity": "Ängste",
            "relation": "Effect"
          }
        ]
      }
    ]
  }

---

\(\tiny |K_A| \approx 4.300; \quad K_A \subsetneq K_U(\textit{Artensterben} \cup \textit{Bienensterben} \cup \textit{Insektensterben} \cup \textit{Waldsterben})\)

KOGNITION & ARGUMENTATION

Pearl (2000)

Assoziation (Sehen)

• Beobachtung von Korrelationen
• 26. B. Wenn ich X sehe, wie wahrscheinlich ist Y?

Intervention (Tun)

• Reflexion intendierter Handlungen
• 26. B. Was, wenn ich X herbeiführe / verhindere?

Kontrafaktische Aussagen (Vorstellen):

• Simulation hypothetischer Szenarien
• 26. B. Was, wenn ich X (nicht) getan hätte?
• Kognitive Prozesse, simulierte Modelle, Experimentaldesigns (RCT)

Zifonun (1997)

• Differenzierung kausaler Rollen innerhalb von Sachverhaltskonfigurationen, in dem zwischen einem Verursacher'' (als breitere Kategorie über dem AGENS) und demBewirkten’’ unterschieden wird.

Lakoff / Johnson (1980)

• “source-path-goal-Schemata”
• komplexere kausale Ketten mit Zwischenschritten

Fillmore (1968)

• Subjektivierung
• Steht kein Agens zur Verfügung, rückt das Instrument oder das Patiens in die Subjektposition.