{"id":23725,"date":"2025-05-26T14:38:01","date_gmt":"2025-05-26T12:38:01","guid":{"rendered":"https:\/\/hub.hslu.ch\/ikm\/?p=23725"},"modified":"2026-02-11T14:53:11","modified_gmt":"2026-02-11T13:53:11","slug":"kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning","status":"publish","type":"post","link":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/","title":{"rendered":"Kausalit\u00e4t statt Korrelation \u2013 Ein Paradigmenwechsel im Machine Learning"},"content":{"rendered":"\n\n\n

K\u00fcnstliche Intelligenz kann vieles: Sie sagt Wahrscheinlichkeiten voraus, schl\u00e4gt uns beim Online-Shopping Produkte vor, von denen wir selbst noch nicht wussten, dass wir sie brauchen oder generiert imponierende Texte und Bilder. Doch so sehr uns diese Systeme auch beeindrucken m\u00f6gen \u2013 sie bleiben oftmals an der Oberfl\u00e4che. Denn w\u00e4hrend sie statistisch elegant Zahlen jonglieren, verstehen sie oft den Wert von Handlungen nicht, sprich warum etwas passiert oder was passieren w\u00fcrde, wenn man anders handelt.<\/p>\n\n\n\n

Dieser Perspektivwechsel stand vom 07. bis 09.Mai im Zentrum der Causal Learning and Reasoning (CLeaR) Konferenz in Lausanne. Forschende aus aller Welt trafen sich, um \u00fcber methodische Fortschritte im Bereich der kausalen Inferenz zu diskutieren \u2013 einem Feld, das versucht, Algorithmen nicht nur beobachten zu lassen, sondern sie zu einem Verst\u00e4ndnis f\u00fcr Handlungen und deren Konsequenzen zu f\u00fchren.<\/p>\n\n\n\n

Was genau ist kausale Inferenz?<\/strong><\/h2>\n\n\n\n

Kausale Inferenz besch\u00e4ftigt sich mit der Frage, ob ein beobachteter Zusammenhang zwischen zwei Ph\u00e4nomenen auf einem kausalen Beziehung beruht \u2013 also das eine das andere verursacht \u2013 oder ob es sich lediglich um eine Korrelation handelt. Dieser Unterschied mag auf den ersten Blick subtil erscheinen, ist aber von fundamentaler Bedeutung.<\/p>\n\n\n\n

Ein oft zitiertes Beispiel veranschaulicht dies: In Zeiten, in denen mehr Glaces gegessen werden, gibt es auch mehr Ertrinkungsunf\u00e4lle. Bedeutet das, dass das Glace Menschen ins Wasser treibt? Nat\u00fcrlich nicht. Die zugrundeliegende gemeinsame Variable ist das Wetter: An heissen Tagen gehen mehr Menschen schwimmen und essen mehr Glace. Eine Korrelation liegt vor \u2013 aber keine Kausalit\u00e4t.<\/p>\n\n\n\n

Nicht immer ist die gemeinsame Ursache so offensichtlich wie das Wetter.<\/p>\n\n\n\n

In einem skurrilen Beispiel korrelierte in bestimmten US-Staaten \u00fcber Jahre hinweg der Pro-Kopf-Konsum von Margarine erstaunlich gut mit der Scheidungsrate. Das heisst aber nat\u00fcrlich nicht, dass zu viel Streichfett die Ehe ruiniert \u2013 w\u00fcrde man die Scheidungsrate reduzieren wollen, so w\u00fcrde es nichts bringen, den Margarinekonsum zu verbieten. Viel logischer ist, dass eine dritte, versteckte Einflussgr\u00f6sse \u2013 ein sogenannter Confounder \u2013 beide Entwicklungen gleichzeitig beeinflusst hat: etwa sozio\u00f6konomische Ver\u00e4nderungen, Lebensstil oder kulturelle Trends \u00fcber die Zeit.<\/p>\n\n\n\n

Gerade diese versteckten Einflussfaktoren stellen das Hauptproblem dar, wenn wir aus Korrelationen vorschnell auf Ursachen schliessen wollen. Hier setzt die kausale Inferenz an und versucht, solche Confounders sichtbar zu machen, ihren Einfluss zu kontrollieren \u2013 und so echte Kausalzusammenh\u00e4nge herauszufiltern.<\/p>\n\n\n\n

\"Grafik
Quelle :  Tyler Vigen, Spurious Correlations<\/figcaption><\/figure>\n\n\n\n

Von Korrelation zu Kausalit\u00e4t: Ein Paradigmenwechsel im ML<\/strong><\/h2>\n\n\n\n

Im traditionellen maschinellen Lernen (ML) liegt der Fokus auf Vorhersagen basierend auf den Korrelationen in den beobachteten Daten. Diese ML-Systeme k\u00f6nnen dabei genau sein, wenn es darum geht zu sagen: «Wenn A auftritt, folgt h\u00e4ufig B» – was h\u00e4ufig dazu verleitet, ML als Entscheidungsgrundlage zu verwenden. Was in solchen Systemen jedoch h\u00e4ufig fehlt, ist das Verst\u00e4ndnis von \u00abEinflussnahme\u00bb, also die Beantwortung der Frage, was mit B passiert, wenn wir aktiv in das System eingreifen und A ver\u00e4ndern. Denn um fundiert entscheiden zu k\u00f6nnen, wieviel beispielsweise in einen Marketing-Kanal investiert werden soll, reicht es nicht, Korrelationen zu sehen – man muss den kausalen Effekt verstehen.<\/p>\n\n\n\n

Um ML dahin zu bringen, bedarf es die Integration und Beantwortung von zwei grundlegenden Fragen: <\/p>\n\n\n\n

    \n
  1. Interventionsfrage<\/strong>: «Wenn wir A herbeif\u00fchren oder \u00e4ndern, was passiert dann kausal mit B?»<\/li>\n\n\n\n
  2. Kontrafaktische Frage<\/strong>: «Was w\u00e4re mit B passiert, h\u00e4tten wir anders gehandelt oder A nicht herbeigef\u00fchrt?»<\/li>\n<\/ol>\n\n\n\n

    Diese Fragen markieren den \u00dcbergang von der reinen Mustererkennung hin zum kausalen Denken \u2013 und genau hier kommt die sogenannte Pearl Ladder of Causation ins Spiel.<\/p>\n\n\n\n

    In f\u00fcnf Schritten auf die oberste Sprosse der Pearl Ladder of Causation<\/strong><\/h2>\n\n\n\n

    In seiner Keynote argumentierte Elias Bareinboim, dass viele der heutigen Probleme in der KI \u2013 von mangelnder Erkl\u00e4rbarkeit bis hin zu unfairen Entscheidungen \u2013 auf ein zentrales Defizit zur\u00fcckgehen: Die meisten Systeme operieren durchgehend auf einem zu niedrigen Niveau des kausalen Denkens in der Pearl Ladder of Causation. Die Pearl Ladder of Causation, geformt durch den Informatiker Judea Pearl, unterscheidet drei Ebenen des Wissens:<\/p>\n\n\n\n

      \n
    1. Assoziationen<\/strong> (Beobachten, was passiert): Die einfachste Form des Lernens, basierend auf statistischen Zusammenh\u00e4ngen und Korrelationen.<\/li>\n\n\n\n
    2. Interventionen<\/strong> (Verstehen, was eine Aktion ausl\u00f6st): Die F\u00e4higkeit zu verstehen, wie Eingriffe in ein System dessen Verhalten ver\u00e4ndern.<\/li>\n\n\n\n
    3. Kontrafaktisches Denken<\/strong> (\u00abWas w\u00e4re passiert, wenn…\u00bb): Die Form des kausalen Verst\u00e4ndnisses, die es erm\u00f6glicht, alternative Szenarien zu bewerten.<\/li>\n<\/ol>\n\n\n\n

      Die meisten aktuellen ML-Systeme operieren haupts\u00e4chlich auf der ersten Ebene. Um jedoch robuste und vertrauensw\u00fcrdige Systeme zu entwickeln, die komplexe Entscheidungen unterst\u00fctzen k\u00f6nnen, braucht es die Entwicklung von Methoden, die auch die h\u00f6heren Ebenen der kausalen Hierarchie erfassen. Gem\u00e4ss Bareinboim kann dies \u00fcber eine Roadmap von f\u00fcnf Schritten<\/a> erreicht werden:<\/p>\n\n\n\n

        \n
      1. Kausales Verst\u00e4ndnis<\/strong>: Kausale Strukturen in Daten erkennen \u2013 etwa durch Analyse von Abh\u00e4ngigkeiten, Beziehungen und Verteilungen.<\/li>\n\n\n\n
      2. Effizientes Entscheiden<\/strong>: Es braucht Verfahren, die aktiv Entscheidungen austesten, eigene Lernwege entdecken und sich nicht an bestehenden Mustern orientieren \u2013 etwa durch die Integration von Methoden wie Reinforcement Learning.<\/li>\n\n\n\n
      3. Robuste Generalisierung<\/strong>: Erkenntnisse m\u00fcssen auf neue Umgebungen \u00fcbertragbar gemacht werden \u2013 etwa durch Transportierbarkeit, Domain Adaptation oder die Generalisierung kontrafaktischer Aussagen.<\/li>\n\n\n\n
      4. Kausales Generieren<\/strong>: Es gilt, generative Modelle mit kausalen Repr\u00e4sentationen, kontrafaktischen Bildverteilungen und abstrakten Strukturkonzepten auszustatten \u2013 f\u00fcr kontrollierbares und erkl\u00e4rbares Generieren.<\/li>\n\n\n\n
      5. Lernen kausaler Strukturen<\/strong>: Um Ursache-Wirkungs-Strukturen zuverl\u00e4ssig zu erfassen, braucht es Fortschritte im strukturellen Lernen (Kombination von Beobachtungs- und RCT-Studien), im multi-dom\u00e4nenbasierten Strukturlernen (f\u00fcr \u00fcbergreifende Invarianzen), und im kausalen Repr\u00e4sentationslernen.<\/li>\n<\/ol>\n\n\n\n

        Sounds fancy \u2013 but does it work in practice?<\/strong><\/h2>\n\n\n\n

        Auch wenn das Feld der kausalen Inferenz noch stark forschungsgetrieben ist, zeigen erste Entwicklungen bereits, wie sich diese Prinzipien praktisch umsetzen lassen. Auf der Konferenz wurden mehrere spannende Ans\u00e4tze vorgestellt, die zeigen, dass Kausalit\u00e4t nicht nur Subjekt f\u00fcr philosophische Diskussionen, sondern ein gangbarer Weg in der Welt der Algorithmen ist.<\/p>\n\n\n\n

        Eine der Pr\u00e4sentationen befasste sich mit einem neuartigen Ansatz zur kontrafaktischen Analyse von Large Language Models (LLMs)<\/a>. <\/a>Das vorgestellte Verfahren erm\u00f6glicht die Evaluation, wie ein LLM auf einen leicht ver\u00e4nderten Prompt reagiert h\u00e4tte. Das ist bedeutsam, weil LLMs zwar Kontext aus einem vorherigen Prompt ber\u00fccksichtigen k\u00f6nnen, aber kein echtes Ged\u00e4chtnis oder Verst\u00e4ndnis f\u00fcr ihren eigenen Entscheidungsprozess besitzen. Sie k\u00f6nnen nicht erkl\u00e4ren, warum sie eine bestimmte Antwort gew\u00e4hlt haben, wie sie diese replizieren k\u00f6nnten \u2013 und schon gar nicht, was passiert w\u00e4re, wenn der Input leicht anders gewesen w\u00e4re. Mit dem vorgestellten Analyseverfahren l\u00e4sst sich dies approximieren und er\u00f6ffnet somit neue Wege f\u00fcr Erkl\u00e4rbarkeit und bessere Kontrolle solcher Modelle.<\/p>\n\n\n\n

        Der Beitrag von David Blei stellte Hierarchical Causal Models<\/a> vor \u2013 eine Erweiterung klassischer Kausalgraphen, die mit verschachtelten Daten umgehen kann, z.\u202fB. Sch\u00fcler:innen in Schulen oder Zellen in Patienten.<\/p>\n\n\n\n

        Statt nur auf Aggregatwerte wie den Durchschnitt zu schauen, modelliert dieser Ansatz Beziehungen innerhalb und zwischen Gruppen. Damit lassen sich kausale Effekte identifizieren, die in klassisch zusammengefassten Daten verborgen bleiben \u2013 etwa, wie eine Schulpolitik individuell auf Sch\u00fcler:innen wirkt.<\/a><\/p>\n\n\n\n

        Von der Vorhersage zur Verantwortung: Warum KI kausales Denken lernen muss<\/strong><\/h2>\n\n\n\n

        Maschinelles Lernen hat uns beeindruckende Werkzeuge in die Hand gegeben \u2013 doch um wirklich fundierte, faire und erkl\u00e4rbare Entscheidungen zu erm\u00f6glichen, reicht das blosse Erkennen von Mustern nicht aus. Die CLeaR-Konferenz hat deutlich gemacht: Die Zukunft der KI liegt im kausalen Verstehen. Nur wenn Systeme lernen, zwischen Ursache und Korrelation zu unterscheiden, Interventionen zu beurteilen und kontrafaktische Alternativen zu analysieren, k\u00f6nnen sie zu echten Entscheidungspartnern werden. Die vorgestellten Methoden und Modelle zeigen: Der Weg dorthin ist komplex, aber m\u00f6glich \u2013 mit vielversprechenden Ans\u00e4tzen und einer klaren Roadmap. K\u00fcnstliche Intelligenz muss nicht nur lernen, was ist \u2013 sondern auch begreifen, was sein k\u00f6nnte.<\/p>\n\n\n\n

        <\/a><\/p>\n\n\n

        \n\t
        \n\t\t
        \n\t\t\t

        Das Marketing steht vor komplexen Entscheidungen, in denen Interventionen und Ursache-Wirkung eine zentrale Rolle spielen: Welchen Kunden soll man mit welcher Botschaft ansprechen \u2013 wen lass ich besser in Ruhe? Und wieviel Geld soll man in welchen Online-Channel eigentlich investieren, so dass das investierte Geld ein Maximum an Kundschaft erreicht?<\/p>\n

        Finden Sie sich in solchen oder \u00e4hnlichen Fragestellungen wieder? Wir forschen daran. Lassen Sie uns wissen, wie wir Sie unterst\u00fctzen k\u00f6nnen – melden Sie sich bei uns.<\/a><\/p>\n\t\t<\/div>\n\t<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

        K\u00fcnstliche Intelligenz wirkt oft so, als w\u00fcsste sie genau, was zu tun ist. In Wahrheit basiert ihr aktuelles K\u00f6nnen weitgehend auf dem Erkennen und Ausnutzen von Korrelationen in Mustern \u2013 und das ziemlich gut. Doch Korrelationen sind keine Kausalit\u00e4ten und geben kein echtes Verst\u00e4ndnis f\u00fcr die Konsequenzen oder den potentiellen Wert von Aktionen. Ohne echtes Verst\u00e4ndnis f\u00fcr Ursache und Wirkung und ohne die F\u00e4higkeit, den Wert von Handlungen zu antizipieren, bleibt auch die kl\u00fcgste Maschine oder die beste \u00abAgentic AI\u00bb ein stochastischer Papagei. Doch wie bringt man diese Aspekte Algorithmen bei? Dies wurde vorletzte Woche an der CLeaR-Konferenz in Lausanne diskutiert.<\/p>\n","protected":false},"author":185,"featured_media":23730,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"_relevanssi_hide_post":"","_relevanssi_hide_content":"","_relevanssi_pin_for_all":"","_relevanssi_pin_keywords":"","_relevanssi_unpin_keywords":"","_relevanssi_related_keywords":"","_relevanssi_related_include_ids":"","_relevanssi_related_exclude_ids":"","_relevanssi_related_no_append":"","_relevanssi_related_not_related":"","_relevanssi_related_posts":"20512,13746,13578,23210,11083,10454","_relevanssi_noindex_reason":"","footnotes":"","_links_to":"","_links_to_target":""},"categories":[86544,86672,113],"tags":[86737,86365,86736,86739,86738,86322,86740],"class_list":["post-23725","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-forschung","category-ki-in-kommunikation-und-marketing","category-news","tag-confounders","tag-data-science","tag-kausale-inferenz","tag-kausalitaet","tag-korrelation","tag-machine-learning","tag-pearl-ladder-of-causation"],"acf":[],"yoast_head":"\nKausalit\u00e4t statt Korrelation: Ein Paradigmenwechsel im ML<\/title>\n<meta name=\"description\" content=\"Korrelationen sind keine Kausalit\u00e4ten und geben kein echtes Verst\u00e4ndnis f\u00fcr die Konsequenzen ab. Deshalb steht ein Paradigmenwechsel an.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Kausalit\u00e4t statt Korrelation: Ein Paradigmenwechsel im ML\" \/>\n<meta property=\"og:description\" content=\"Korrelationen sind keine Kausalit\u00e4ten und geben kein echtes Verst\u00e4ndnis f\u00fcr die Konsequenzen ab. Deshalb steht ein Paradigmenwechsel an.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/\" \/>\n<meta property=\"og:site_name\" content=\"IKM-Blog\" \/>\n<meta property=\"article:published_time\" content=\"2025-05-26T12:38:01+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-02-11T13:53:11+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/hub.hslu.ch\/ikm\/wp-content\/blogs.dir\/489\/files\/sites\/8\/Beitragsbild-wopt.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1920\" \/>\n\t<meta property=\"og:image:height\" content=\"1100\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"claudialimacher\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Geschrieben von\" \/>\n\t<meta name=\"twitter:data1\" content=\"claudialimacher\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"8\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/\"},\"author\":{\"name\":\"claudialimacher\",\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/#\\\/schema\\\/person\\\/428a2ce9d7de4c86483ded4ff2a5659d\"},\"headline\":\"Kausalit\u00e4t statt Korrelation \u2013 Ein Paradigmenwechsel im Machine Learning\",\"datePublished\":\"2025-05-26T12:38:01+00:00\",\"dateModified\":\"2026-02-11T13:53:11+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/\"},\"wordCount\":1279,\"commentCount\":3,\"image\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/wp-content\\\/blogs.dir\\\/489\\\/files\\\/sites\\\/8\\\/Beitragsbild-wopt.jpg\",\"keywords\":[\"Confounders\",\"Data Science\",\"Kausale Inferenz\",\"Kausalit\u00e4t\",\"Korrelation\",\"Machine Learning\",\"Pearl Ladder of Causation\"],\"articleSection\":[\"Forschung\",\"KI in Kommunikation und Marketing\",\"News\"],\"inLanguage\":\"de-CH\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/\",\"url\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/\",\"name\":\"Kausalit\u00e4t statt Korrelation: Ein Paradigmenwechsel im ML\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/wp-content\\\/blogs.dir\\\/489\\\/files\\\/sites\\\/8\\\/Beitragsbild-wopt.jpg\",\"datePublished\":\"2025-05-26T12:38:01+00:00\",\"dateModified\":\"2026-02-11T13:53:11+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/#\\\/schema\\\/person\\\/428a2ce9d7de4c86483ded4ff2a5659d\"},\"description\":\"Korrelationen sind keine Kausalit\u00e4ten und geben kein echtes Verst\u00e4ndnis f\u00fcr die Konsequenzen ab. Deshalb steht ein Paradigmenwechsel an.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/#breadcrumb\"},\"inLanguage\":\"de-CH\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de-CH\",\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/#primaryimage\",\"url\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/wp-content\\\/blogs.dir\\\/489\\\/files\\\/sites\\\/8\\\/Beitragsbild-wopt.jpg\",\"contentUrl\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/wp-content\\\/blogs.dir\\\/489\\\/files\\\/sites\\\/8\\\/Beitragsbild-wopt.jpg\",\"width\":1920,\"height\":1100,\"caption\":\"Stock image of a beautiful young woman studying a see through computer screen & contemplating.\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/2025\\\/05\\\/26\\\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Kausalit\u00e4t statt Korrelation \u2013 Ein Paradigmenwechsel im Machine Learning\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/#website\",\"url\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/\",\"name\":\"IKM-Blog\",\"description\":\"Kommunikation und Marketing an der Hochschule Luzern \u2013 Wirtschaft\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de-CH\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/hub.hslu.ch\\\/ikm\\\/#\\\/schema\\\/person\\\/428a2ce9d7de4c86483ded4ff2a5659d\",\"name\":\"claudialimacher\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Kausalit\u00e4t statt Korrelation: Ein Paradigmenwechsel im ML","description":"Korrelationen sind keine Kausalit\u00e4ten und geben kein echtes Verst\u00e4ndnis f\u00fcr die Konsequenzen ab. Deshalb steht ein Paradigmenwechsel an.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/","og_locale":"de_DE","og_type":"article","og_title":"Kausalit\u00e4t statt Korrelation: Ein Paradigmenwechsel im ML","og_description":"Korrelationen sind keine Kausalit\u00e4ten und geben kein echtes Verst\u00e4ndnis f\u00fcr die Konsequenzen ab. Deshalb steht ein Paradigmenwechsel an.","og_url":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/","og_site_name":"IKM-Blog","article_published_time":"2025-05-26T12:38:01+00:00","article_modified_time":"2026-02-11T13:53:11+00:00","og_image":[{"width":1920,"height":1100,"url":"https:\/\/hub.hslu.ch\/ikm\/wp-content\/blogs.dir\/489\/files\/sites\/8\/Beitragsbild-wopt.jpg","type":"image\/jpeg"}],"author":"claudialimacher","twitter_card":"summary_large_image","twitter_misc":{"Geschrieben von":"claudialimacher","Gesch\u00e4tzte Lesezeit":"8\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/#article","isPartOf":{"@id":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/"},"author":{"name":"claudialimacher","@id":"https:\/\/hub.hslu.ch\/ikm\/#\/schema\/person\/428a2ce9d7de4c86483ded4ff2a5659d"},"headline":"Kausalit\u00e4t statt Korrelation \u2013 Ein Paradigmenwechsel im Machine Learning","datePublished":"2025-05-26T12:38:01+00:00","dateModified":"2026-02-11T13:53:11+00:00","mainEntityOfPage":{"@id":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/"},"wordCount":1279,"commentCount":3,"image":{"@id":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/#primaryimage"},"thumbnailUrl":"https:\/\/hub.hslu.ch\/ikm\/wp-content\/blogs.dir\/489\/files\/sites\/8\/Beitragsbild-wopt.jpg","keywords":["Confounders","Data Science","Kausale Inferenz","Kausalit\u00e4t","Korrelation","Machine Learning","Pearl Ladder of Causation"],"articleSection":["Forschung","KI in Kommunikation und Marketing","News"],"inLanguage":"de-CH","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/","url":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/","name":"Kausalit\u00e4t statt Korrelation: Ein Paradigmenwechsel im ML","isPartOf":{"@id":"https:\/\/hub.hslu.ch\/ikm\/#website"},"primaryImageOfPage":{"@id":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/#primaryimage"},"image":{"@id":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/#primaryimage"},"thumbnailUrl":"https:\/\/hub.hslu.ch\/ikm\/wp-content\/blogs.dir\/489\/files\/sites\/8\/Beitragsbild-wopt.jpg","datePublished":"2025-05-26T12:38:01+00:00","dateModified":"2026-02-11T13:53:11+00:00","author":{"@id":"https:\/\/hub.hslu.ch\/ikm\/#\/schema\/person\/428a2ce9d7de4c86483ded4ff2a5659d"},"description":"Korrelationen sind keine Kausalit\u00e4ten und geben kein echtes Verst\u00e4ndnis f\u00fcr die Konsequenzen ab. Deshalb steht ein Paradigmenwechsel an.","breadcrumb":{"@id":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/#breadcrumb"},"inLanguage":"de-CH","potentialAction":[{"@type":"ReadAction","target":["https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/"]}]},{"@type":"ImageObject","inLanguage":"de-CH","@id":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/#primaryimage","url":"https:\/\/hub.hslu.ch\/ikm\/wp-content\/blogs.dir\/489\/files\/sites\/8\/Beitragsbild-wopt.jpg","contentUrl":"https:\/\/hub.hslu.ch\/ikm\/wp-content\/blogs.dir\/489\/files\/sites\/8\/Beitragsbild-wopt.jpg","width":1920,"height":1100,"caption":"Stock image of a beautiful young woman studying a see through computer screen & contemplating."},{"@type":"BreadcrumbList","@id":"https:\/\/hub.hslu.ch\/ikm\/2025\/05\/26\/kausalitaet-statt-korrelation-ein-paradigmenwechsel-im-machine-learning\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/hub.hslu.ch\/ikm\/"},{"@type":"ListItem","position":2,"name":"Kausalit\u00e4t statt Korrelation \u2013 Ein Paradigmenwechsel im Machine Learning"}]},{"@type":"WebSite","@id":"https:\/\/hub.hslu.ch\/ikm\/#website","url":"https:\/\/hub.hslu.ch\/ikm\/","name":"IKM-Blog","description":"Kommunikation und Marketing an der Hochschule Luzern \u2013 Wirtschaft","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/hub.hslu.ch\/ikm\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de-CH"},{"@type":"Person","@id":"https:\/\/hub.hslu.ch\/ikm\/#\/schema\/person\/428a2ce9d7de4c86483ded4ff2a5659d","name":"claudialimacher"}]}},"featured_image_src":"https:\/\/hub.hslu.ch\/ikm\/wp-content\/blogs.dir\/489\/files\/sites\/8\/Beitragsbild-wopt.jpg","featured_image_src_square":"https:\/\/hub.hslu.ch\/ikm\/wp-content\/blogs.dir\/489\/files\/sites\/8\/Beitragsbild-wopt.jpg","author_info":{"display_name":"claudialimacher","author_link":"https:\/\/hub.hslu.ch\/ikm\/author\/claudialimacher\/"},"_links":{"self":[{"href":"https:\/\/hub.hslu.ch\/ikm\/wp-json\/wp\/v2\/posts\/23725","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/hub.hslu.ch\/ikm\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/hub.hslu.ch\/ikm\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/hub.hslu.ch\/ikm\/wp-json\/wp\/v2\/users\/185"}],"replies":[{"embeddable":true,"href":"https:\/\/hub.hslu.ch\/ikm\/wp-json\/wp\/v2\/comments?post=23725"}],"version-history":[{"count":14,"href":"https:\/\/hub.hslu.ch\/ikm\/wp-json\/wp\/v2\/posts\/23725\/revisions"}],"predecessor-version":[{"id":24622,"href":"https:\/\/hub.hslu.ch\/ikm\/wp-json\/wp\/v2\/posts\/23725\/revisions\/24622"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/hub.hslu.ch\/ikm\/wp-json\/wp\/v2\/media\/23730"}],"wp:attachment":[{"href":"https:\/\/hub.hslu.ch\/ikm\/wp-json\/wp\/v2\/media?parent=23725"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/hub.hslu.ch\/ikm\/wp-json\/wp\/v2\/categories?post=23725"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/hub.hslu.ch\/ikm\/wp-json\/wp\/v2\/tags?post=23725"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}