Hybride Collective Intelligence: Collective Mind Leadership: Theorie der Emergenz

Kurzfassung: Ein mathematisches Modell für kausale Emergenz wird auf die Vermessung der Emergenz sozialer Kommunikation, ein Collective Mind, angewendet. Die Gruppendynamik einer TV-Diskussion wird vermessen. Es wird gezeigt, wie die aus dieser Dynamik ermittelte Emergenz Führung, Coaching oder Moderation vorausschauend unterstützt. Mit Hilfe der Hybriden Collective Intelligence aus Mensch und Künstlicher Intelligenz/Maschine Learning wird ein Leadership Dashboard für die Gruppen- und Teamarbeit erstellen. Dieses Dashboard hebt Leadership auf eine neue Ebene der Professionalität.

Dieser Blog-Beitrag wurde in Hybrider Collective Intelligence mit Gemini Pro und Gemini (obiges Bild) erstellt

Der Begriff Emergenz ist einer der schillerndsten Begriffe in der Wissenschaft. Sehr viele Phänomene werden mit dem Begriff Emergenz oder mit emergent verbunden. Hier nur drei Beispiele: Die mikroskopischen Teilchenbewegungen eines Gases erzeugen auf Makro-Ebene Temperatur und Druck, die Neuronen unseres Gehirns erzeugen die emergente Eigenschaft des Bewusstseins, und eine Gruppe von Menschen verhält sich unter bestimmten Bedingungen wie ‚ein emergentes Ganzes‘, ein Collective Mind.

Emergenz entspricht damit der Aussage: ‚Das Ganze (Makro-Ebene) ist mehr als die Summe seiner Teile (Mikro-Ebene).‘ Selbstorganisation ist das Mittel, mit dem dieses Ganze erreicht wird.

Auch wenn es im Einzelnen sehr oft gelungen ist, diesen Übergang von der Mikro-Ebene auf die Makro-Ebene mathematisch zu beschreiben, so fehlte bis vor kurzem ein universeller, berechenbarer Rahmen dafür, was (kausale) Emergenz eigentlich genau ist. Vor kurzem bin ich auf die Arbeit von Rosas et al. [1] aufmerksam geworden. Diesen Autoren ist es gelungen, ein mathematisches Modell vorzulegen, das Emergenz informationstheoretisch schlüssig messbar macht.

Ihre Grundidee ist recht eingängig; die Umsetzung erfordert jedoch eine große Menge an mathematisch-informationswissenschaftlichem Wissen. Ich skizziere hier lediglich die Grundidee und verweise für die technischen Details auf die Anhänge 1 und 2. Meine Umsetzung interpretiert den abstrakten Formalismus aus [1] an diversen Stellen und wendet verschiedene Machine Learning (ML) Algorithmen an, um ihn direkt in den Kontext der Collective Mind Theorie zu überführen.

Zur Grundidee: Ein Computer besteht aus Hardware und Software. Die Hardware verkörpert die Mikro-Ebene und die Software verkörpert die Makro-Ebene. Die Software kann zwar nicht ohne die Hardware existieren, jedoch führen beide ein weitgehend unabhängiges ‚Leben‘. Eine Rechenoperation, wie die Addition zweier Zahlen, wird in der Software (Makro) ausgeführt und nutzt dafür sehr viele, ständig wechselnde Zustände der Hardware (Mikro). Die Zustände der Hardware und die der Software sind in einem gewissen Maße voneinander entkoppelt.

Diese informationelle Unabhängigkeit – man spricht von kausaler Geschlossenheit – kann man mit der Theorie aus [1] exakt vermessen. Dafür nutzt sie zwei theoretische Konstrukte: Eine $\epsilon$ -Maschine bündelt vergangene System-Ebenen-Trajektorien, die exakt dieselbe Zukunftsvorhersage liefern, zu sogenannten „kausalen Zuständen“. Diese $\epsilon$ -Maschine ist die theoretische Abstraktion, die die Berechnungen einer System-Ebene beschreibt. Eine weitere Maschine, die v-Maschine, identifiziert die Zustände in der Vergangenheit der Mikro-Ebene, die einen tatsächlichen Unterschied für die Zukunft der Makro-Ebene machen.

Kausale Emergenz liegt exakt dann vor, wenn ein makroskopischer Systemzustand eine höhere deterministische Vorhersagekraft über die Zukunft des Systems besitzt als das vollständige Wissen über alle seine mikroskopischen Einzelteile.

Anders ausgedrückt: Das System verhält sich nicht mehr nur als Summe seiner Teile („Bottom-up“), sondern das gewachsene Gesamtgebilde übernimmt die ursächliche Kontrolle über das Verhalten der Einzelteile („Top-down“).

Die Klassifizierung von System-Ebenen mittels Makro-, Meso- und Mikro-Ebene spielt in allen Wissenschaften – die sich mit Emergenz beschäftigen – eine große Rolle. In der Collective Mind Theorie (CMT) ist der Collective Mind ein emergenter Zustand auf Makro-Ebene: Der Collective Mind ist das gemeinsame Bewusstsein und Handeln eines Teams mit ausgeprägtem Wir-Gefühl. Er erzeugt per Selbstorganisation eine synergetische Leistung, die weit über die Leistung der Summe der Einzel-Leistungen der Teammitglieder hinausgeht bzw. hinausgehen kann. Die Teammitglieder selbst bilden die Mikro-Ebene.
Gleichzeitig benutzen wir in der CMT eine sogenannte Ziel-Hierarchie, die ebenfalls eine Dreiteilung aufweist. Diese Ziel-Hierarchie besteht aus den Ebenen Ziel-, Was- und Wie-Ebene und ist ein Operator, um einen Collective Mind herbeizuführen. In [2] haben wir gezeigt, dass diese inhaltlichen Ebenen, die zum Beispiel ein Projekt charakterisieren, zu den drei Team CMT-Ebenen korrespondieren. Der Collective Mind auf Makro-Ebene wird nur erreicht, wenn eine gemeinsame Ziel-Ebene, mit zum Beispiel gemeinsamer Vision und Mission, vorliegt.

Im vorliegenden Blog-Beitrag beschäftige ich mich nicht mit der inhaltlichen Ziel-Hierarchie, sondern ich möchte Algorithmen für eine Hybride Collective Intelligence aus Mensch und Künstlischer Intelligenz/Machine Learning (KI/ML) entwickeln, die auf den bisherigen Erkenntnissen der Attention Collective Mind Blog-Beiträge aufsetzt: Ziel ist es, dass diese Algorithmen aus KI und ML auf der Basis der Kommunikation im Team, Teamentwicklung verlässlich prognostizieren. Hierzu interpretiere ich die Theorie der kausalen Emergenz aus [1] im Kontext der bisherigen CMT.

Der entscheidende Punkt ist nun: Echte, messbare (Team-) Emergenz liegt nicht schon dann vor, wenn man diese Ebenen bilden kann. Kausale Emergenz existiert erst in dem Moment, in dem mathematisch bewiesen wird, dass das übergeordnete Makro-Regime (die Software) die Zukunft des Systems robuster und treffsicherer bestimmt als das exakte Wissen über alle einzelnen Bausteine (die Hardware). Genau dann hat das System kausale Autonomie erreicht und ich spreche von einem Collective Mind.

Ich übersetze die abstrakte Mathematik aus [1] in verfügbare Machine Learning Algorithmen (ML Algorithmen). Ich benutze wieder, wie in den vorherigen Blog-Beiträgen der Attention Collective Mind Reihe die Kommunikation eines Mitschnitts der TV-Sendung Markus Lanz. Die einzelnen Kommunikationsaussagen der Sprecher bezeichnete ich als Turns. Jeder Turn wurde in den Attention Collective Mind Blog-Beiträgen durch einen Valenz- und Disruption-Score gekennzeichnet.

Ich verwende folgende ML-Algorithmen (zur grundlegenden Mathematik siehe Anhang 1 und zu den CMT Ergebnissen siehe Anhang 2) :

Die $\epsilon$ -Maschine wird zum Decision Tree Regressor: Auf der Basis der 100 turns und der ermittelten Valenz und Disruption wird ein Entscheidungsbaum gebildet: Dieser durchsucht für jeden Turn die (acht ) vorausgehenden Turns nach den Turns, die jenen Turn voraussagen lassen. Die vorausgehenden Turns stellen die Features des Decision Tree Regressors dar: Valenz und Disruption die jeweilige Ausprägung. Aus den 100 turns werden mittels der so definierten epsilon-Maschine 19 kausale Zustände erzeugt. Diese 19 Zustände bilden die kausalen Zustände der Meso-Ebene: Aus den 100 turns der Mikro-Ebene ergeben sich auf Meso-Ebene lediglich 19 unterschiedliche kausal relevante Zustände.
Die $\upsilon$ -Maschine wird zum K-Means Clustering: Die im Decision Tree isolierten 19 Mikro-Zustände sind noch recht kleinteilig. Deshalb nutze ich im zweiten Schritt ein unüberwachtes K-Means Clustering. Ich gebe drei Makro-Zustände vor. Die Zahl drei für die Makro-Zustände ergibt sich als Ansatz aus den vorherigen Attention Collective Mind Analysen. Ich konnte beispielsweise den toxischen Identitätskampf (V0), die Sachdebatte (sachliche Kohärenz (V1)) und das Agenda-Setting (disruptive Neuausrichtung (V2)) in den Gesprächen erkennen. Die Benennung der Makro-Zustände ist nicht entscheidend, sondern lediglich, dass Valenz und Disruption eine klare Bedeutung für die drei Makro-Zustände haben (siehe Anhang 1 und 2).
Der Emergenz-Beweis durch Mutual Information: Um die kausale Autonomie schlussendlich zu beweisen, nutzen wir einen informationstheoretischen Schätzer, den KSG-Algorithmus für die Messung der sogenannten ‚Kausalen Kraft‘. Erst wenn diese Mathematik zeigt, dass die gefundenen Makro-Regime die Zukunft des Gesprächs robuster vorhersagen als das genaue Wissen über die einzelnen Sprecher (Turns), haben wir einen emergenten Systemübergang: Der Collective Mind steuert dann die Kommunikation.

Welche Informationen stecken in der Meso-Ebene, dem Decison Tree?

Anhang 2 enthält eine Abbildung des Decision Tree und eine Liste der 19 relevanten Meso-Zustände der TV-Kommunikation

Der Baum verrät Kommunikationsstrukturen, also Kausalitäten, die dem menschlichen Auge in Echtzeit meist entgehen:

Die exakten Kipppunkte (Tipping Points): Der Baum enthält konkrete Schwellenwerte für Valenz und Disruption Score (D-Score). Er sagt nicht nur „es wurde lauter“, sondern er zeigt: Wenn der kombinierte Score aus Valenz und D-Score einen exakten Wert von z.B. -0.15 unterschreitet, bricht das System in 90% der Fälle im nächsten Turn zusammen.
Das Timing von Eskalationen: Da der Baum bis zu 8 Turns in die Vergangenheit schaut, offenbart er Latenzzeiten. Er zeigt, ob ein Streit sofort eskaliert (Split bei t-1), oder ob eine schwelende toxische Bemerkung von vor 4 Runden (t-4) das System zeitverzögert vergiftet.
Die Isolierung von Katalysatoren: Der Baum entlarvt objektiv Störer. Wenn die stärksten informationellen Lecks (Absturz zum Beispiel in den Identitätskampf) fast immer dann auftreten, wenn bestimmte Akteure – wie etwa Sprecher 4 – mit einer hohen Disruption ins Feld gehen, erlaubt dies die Identifikation von ’schwierigen Personen‘, unabhängig vom inhaltlichen Thema.
Die Erfolgsformel der Moderation: Der Baum zeigt exakt, welche Bedingungen erfüllt sein mussten, damit ein rettender Eingriff, z.B. die schöpferische Disruption, die Sachdebatte erfolgreich wiederhergestellt hat.

Wie wird daraus ein Coaching-Instrument?

Im agilen Management oder bei der Team-Mediation leidet Feedback oft unter Subjektivität („Ich fand, Du warst heute sehr dominant“). Der CMT-Decision-Tree objektiviert das Coaching völlig.

A. Das Frühwarnsystem (Predictive Coaching)

Ein Coach, der die Struktur dieses Baumes kennt, kann in einem Meeting Muster erkennen, bevor das System kollabiert. Wenn das Team gerade in einen Mikro-Zustand abgleitet, der im Baum zwingend zum „Regime 0“ (toxische Blockade: Identitätskampf) führt, kann der Coach die Reißleine ziehen und zum Beispiel ein disruptives Agenda-Setting eingeben.

B. Systemische Interventionen lehren

Führungskräften oder Moderatoren können anhand des Baumes lernen, wie sie „Kausale Kraft“ ( $C$ ) aufbauen. Man kann ihnen zeigen: „Schau hier auf den Datensatz. Wenn das System in Mikro-Zustand 7 feststeckt, nützt es nichts, inhaltlich zu argumentieren. Das System braucht jetzt einen V2-Agenda-Setting, um einen Reset auszulösen, der uns in Regime 1 (V1) bringt.“ Man coacht nicht mehr Inhalte, sondern System-Steuerung.

C. Objektive Spiegelung (Das Debriefing)

Nach einem gescheiterten oder eskalierten Meeting kann das Transkript (oder die Videoanalyse) einer hier vorgestellten Hybriden Collective Intelligence unterzogen werden. Dem Team wird nicht gesagt „Ihr habt euch gestritten“, sondern man zeigt auf den Graphen: „Hier, bei Minute 45, ist unsere gemeinsame ‚Makro-Software‘ abgestürzt. Wir sind vom Erkenntnis-Modus (V1) in den reinen Identitäts-Verteidigungs-Modus (V0) gewechselt, weil die Valenz unter den Schwellenwert x fiel. Wie verhindern wir das beim nächsten Team-Meeting?“

Welche Informationen stecken in der Makro-Ebene und seinen drei Regimen V0, V1, V2

Anhang 2 listet die drei Regime 0, 1, 2 mit deren durch die upsilon-Maschine zugeordneten Meso-Zuständen und gibt genau an, unter welchen Bedingungen (Valenz und Disruption) diese das System steuern.

Wenn der Decision Tree (Mikro/Meso) uns schon die exakten Auslöser (z. B. „Valenz fällt unter -0.15“) liefert, wozu brauchen wir dann noch die Makro-Regime (V0, V1, V2)?

Die Antwort liegt im Kontext. Ein isolierter Mikro-Trigger bedeutet nie für sich allein dasselbe; seine Wirkung hängt komplett davon ab, in welchem Makro-Regime sich das System gerade befindet.

Der Decision Tree (Die Karte): Zeigt die mechanischen Schwellenwerte und die exakten Wenn-Dann-Pfade der Interaktion. Er ist extrem detailliert, aber blind für den Sinn des Ganzen.
Die Makro-Ebene (Der Kompass): Zeigt das übergeordnete „Betriebssystem“ oder die kulturelle Atmosphäre. Sie gibt den Mikro/Meso-Triggern ihre Bedeutung.

Ein praktisches Beispiel für diese Verbindung:

Man stelle sich vor, dass ein IT-Entwickler abrupt eine völlig neue IT-Architektur-Idee in den Raum wirft (hohe Disruption im Mikro-Zustand).

Befindet sich das Team gerade im Makro-Regime 1 (V1-Sachdebatte), wird diese Disruption vom System absorbiert und als konstruktiver Input verarbeitet.
Befindet sich das Team jedoch im Makro-Regime 0 (V0-Identitätskampf), wird exakt dieselbe Disruption vom System als feindlicher Angriff gewertet und führt zur totalen Eskalation.

Die Makro-Ebene sagt dem Coach also, welche strategische Phase gerade aktiv ist, während der Decision Tree dem Coach sagt, welche taktischen Schwellenwerte er bewachen muss, um diese Phase zu erhalten oder zu verlassen.

Die Ad-Hoc Nutzung (Das Live-Frühwarnsystem)

Wie kann man dies anwenden, wenn das Meeting gerade erst 10 Minuten läuft und noch keine 100 Turns vorliegen, um den Baum zu berechnen?

Das Geheimnis ist: Man berechnet den Baum nicht live im Meeting. Ein Live-Einsatz (Ad-Hoc) funktioniert immer in zwei getrennten Phasen:

Phase A: Das Basis-Modell (Die Offline-Vorbereitung)

Ein Team ist ein System – es hat eine konstante Struktur, die es unter Stress zeigt.

Aufzeichnungen oder Transkripte der letzten Meetings eines spezifischen Teams sind die Ausgangsbasis.
Diese historischen Daten werden mit den hier beschriebenen KI/ML Programmen analysiert.
Es wird ein Team spezifischer Decision Tree erzeugt und typischer Weise 3 Makro-Regime gebildet.
Dieses Modell wird ‚eingefroren‘. Es ist die Collective Mind DNA dieses Teams.

Phase B: Das Live-Dashboard (Der Ad-Hoc Einsatz im Meeting)

In den nachfolgenden Meetings wird der Führungskraft ein Dashboard zur Verfügung gestellt, das auf dem in den vorherigen 1-3 Meetings erzeugten Basis-Modell beruht. Im aktuellen Meeting läuft ein Sliding Window der letzten 8 Turns mit:

Die Live-Messung: Das Meeting läuft. Die KI-Tool ordnet jedem der Redebeiträge schnell einen D-Score und eine Valenz zu.
Der Daten-Feed: Sobald Turn 8 gesprochen wurde, schiebt sich das Sliding Window live in den eingefrorenen Decision Tree aus Phase A.
Der Sofort-Abgleich: Der Baum fragt seine Pfade ab: „Ah, Turn t-1 war negativ, t-4 war hoch disruptiv…“ und sortiert das Live-Fenster sofort in eines seiner zum Beispiel 19 Blätter (Mikro/Meso-Zustände) ein.
Die Prädiktion (Der Blick in die Zukunft): Das Modell gibt ad-hoc eine Warnung aus: „Basierend auf der historischen DNA dieses Teams bedeutet diese exakte Kombination der letzten 8 turns, dass wir im nächsten turn mit 85%iger Wahrscheinlichkeit in das Makro-Regime 0 (V0-Identitätskampf) abstürzen.“

In dem Moment, in dem das aktuelle Live-Gespräch in einen Mikro-Zustand wandert, der historisch gesehen zu einem toxischen Makro-Regime gehört, hat die Führungskraft (oder der Moderator oder der Coach) einen Zeitvorsprung.

Die Führungs-Intervention erfolgt nicht erst, wenn Leute sich anschreien (Makro-Ebene), sondern bevor die Wahrscheinlichkeit kippt (Mikro-Ebene): Es besteht die Möglichkeit das Gespräch rechtzeitig umzulenken: Der Team Stress-Score kann zum Beispiel durch eine beruhigende Zusammenfassung, eine Pause oder durch eine Disruption abgefangen werden und das Team wird damit auf einen anderen Pfad im Decision Tree umgeleitet.

Zu den berechneten Ergebnissen

Die detaillierten berechneten Ergebnisse sind im Anhang 2 enthalten. Ich zeige hier lediglich die Abbildung zur kausalen Kraft, die als Maß der Emergenz verwendet wird. Diese Abbildung könnte Bestandteile eines Leadership Dashboards der Hybriden Collective Intelligence aus Mensch und Maschine sein:

Abbildung 1: Abbildung 1 zeigt drei Teile. Die ersten beiden Teile stammen als Ergebnis aus dem Blog Attention Collective Mind III. Der dritte Teil, mit der violetten Kurve, zeigt die kausale Kraft. Ist die kausale Kraft positiv, liegt Emergenz vor: Dann steuert die Makro-Ebene des Systems ‚Markus Lanz vom 30. Mai 2024‘ das Verhalten der Teilnehmer.
Es werden zusätzlich die drei Makro-Regime V0, V1, V2 hervorgehoben. Wie man sieht, kann Emergenz auch ein dysfunktionales Regime wie V0 enthalten. Ich spreche hingegen nur dann von einem Collective Mind, wenn eines der Makro-Regime V1 oder V2 vorliegt. Die Makro-Regime V0, V1 und V2 können auch dann vorliegen, wenn die kausale Kraft nicht größer null ist, also keine Emergenz vorliegt. In diesem Fall ist die Makro-Ebene nicht kausal geschlossen: Das Verhalten der einzelnen Teilnehmer der TV-Runde bestimmt weiterhin in einem gewissen Maße die Kommunikation. Wenn die Kurve unter Null fällt, regiert die ‚Hardware‘ (die Akteure agieren unkoordiniert). Steigt sie über Null, übernimmt die ‚Software‘ (das kollektive System) die Führung.

Es lassen sich folgende Turn-Bereiche unterscheiden:

1. Das Rauschen und die Aufwärmphase (Turns 0 – 40)

Das Gespräch pendelt flach um die Nulllinie. Kurze Ausschläge ins Negative zeigen, dass die Akteure hier noch stark als isolierte Individuen argumentieren. Es gibt noch kein bindendes, übergeordnetes Feld. Die $\upsilon$ -Maschine identifiziert keine signifikante kausale Übernahme durch ein Makro-Regime.

2. Der erste Absturz ins Chaos (Turns 40 – 44)

Die kausale Kraft stürzt rapide auf $\mathcal{C} \approx -0.38$ ab. Das System fragmentiert. Jede makroskopische Ordnung löst sich auf; die Vorhersagekraft liegt in dieser Phase extrem stark auf der Mikro-Ebene. Das bedeutet, das Verhalten der nächsten Runden wird rein durch die flüchtigen Reaktionen einzelner Personen diktiert, nicht durch eine Gruppendynamik.

3. Die toxische Emergenz (Turns 45 – 55)

Direkt aus diesem Chaos heraus schnellt das System drastisch nach oben und erreicht bei Turn 50 einen ersten massiven Peak der Emergenz ( $\mathcal{C} \approx +0.19$ ). Exakt an diesem Punkt setzt Sprecher 4 den primären, disruptiven Impuls. Dieser Beitrag ist so stark krümmend, dass er die chaotische Mikro-Dynamik beendet und das System in einen geschlossenen Makro-Attraktor zwingt. Das System richtet sich vollständig an diesem Impuls von Sprecher 4 aus – der dysfunktionale Collective Mind erwacht, da es sich hierbei um das toxische Makro-Regime V0 des Identitätskampfes handelt.

4. Der absolute Kontrollverlust (Turns 60 – 68)

Nach einer kurzen Beruhigung kollabiert die Emergenz vollständig. Bei Turn 67 erreicht die Kausale Kraft den absoluten Tiefpunkt des gesamten Gesprächs ( $\mathcal{C} \approx -0.45$ ). Der zuvor durch Sprecher 4 etablierte Makro-Zustand wird zerschossen. Das System befindet sich im Zustand maximaler Entropie: Ein tiefes Tal, in dem die Akteure komplett aneinander vorbeireden und keine Resonanz existiert.

5. Die systemische Übernahme (Turns 70 – 75)

Das System erholt sich von dem Absturz durch eine beispiellose kausale Synchronisation. Die Kurve schießt auf den Maximalwert von $\mathcal{C} > +0.20$ . In diesen fünf Runden ist die Vorhersagekraft des Makro-Regimes sehr hoch. Die isolierten Akteure sind kausal nahezu unbedeutend geworden; das Meeting wird in dieser Phase komplett durch die Makro-Ebene gesteuert.

Interessant ist hier das Flackern des Hintergrunds zwischen Rosa (Identitätskampf) und Gelb (Sachdebatte). Das System ist in einer extrem hochfrequenten, verschränkten Aushandlung gefangen. Die Argumente (gelb) werden als unmittelbare Waffen im Identitätskampf (rosa) genutzt. Das Kollektiv ist hier absolut starr und deterministisch verschweißt – ein Entkommen ohne massiven Tabubruch von außen ist unmöglich.

6. Das Ausklingen (Turns 80 – 100)

Das Gespräch zerfällt wieder in eine unruhige Mikro-Dominanz mit einigen schwächeren Versuchen, ein neues Makro-Regime zu etablieren (kleinere Peaks bei 82 und 87). Bei Turn 93 durchläuft die Gruppe nochmals einen starken Abfall ins Chaos und läuft am Ende flach aus.

Die Abbildung weist folgende besondere Turns auf:

1. Das informationelle Vakuum der Sachdebatte (Turn 41 & Turn 66)

Schaut man sich die beiden extremsten Abstürze der Kausalen Kraft an ( $\mathcal{C} < -0.35$ ), fallen diese in oder an die Ränder der gelben Zonen (Makro-Regime V1: Sachdebatte).

Dies widerlegt eine klassische Illusion vieler Moderatoren. Nur weil Menschen sachlich (gelb) argumentieren, bedeutet das nicht, dass sie sich verstehen. Bei Turn 66 herrscht das absolute informationelle Chaos. Die Akteure feuern ihre Fakten isoliert ab, ohne jegliche Resonanz beim Gegenüber zu erzeugen. Das System zersplittert in reine Mikro-Hardware. Es gibt keine gemeinsame Wellenlänge.

2. Das Scheitern der konstruktiven Führung (Die grünen Zonen)

Das Makro-Regime V2 (Agenda-Setting, grün) zeigt in diesem Plot eine dramatische Schwäche. Es taucht immer wieder als kurzer Versuch auf (z. B. Turns 31, 53, 58, 80, 89).

Die violette Kurve in diesen grünen Bändern liegt fast ausnahmslos unter oder exakt auf der Nulllinie. Das bedeutet: Jedes Mal, wenn jemand versucht, konstruktiv die Agenda zu setzen, verweigert das System die Gefolgschaft. Das Agenda-Setting wird nie zu einem emergenten Collective Mind. Die Vorhersagekraft bleibt bei den unkoordinierten Individuen. Der Raum akzeptiert diese Führung schlichtweg nicht.

Das Emergenz-Modell zeigt visuell: Die spezifische Kultur des TV-Meetings besitzt tiefe Attraktoren für Identitätskämpfe (rosa), die sofort das gesamte System kausal bestimmen. Versuche der Meta-Steuerung (grün) sind wirkungslos, da sie keine kausale Kraft ( $\mathcal{C} > 0$ ) aufbauen können.

Zusammenfassung:

Das Modell der kausalen Emergenz, ursprünglich entwickelt für mathematisch-naturwissenschaftliche Fragestellungen, zeigt eine erstaunliche Vorhersagekraft für soziale Interaktionen. Zusammen mit den beiden Modellen zum Stresslevel und der Disruption, die beide ebenfalls aus einem mathematisch-naturwissenschaftlichen Kontext stammen, ergibt sich eine enorme Analyse- und Steuerungskraft für die Führung von Gruppen oder Teams. Der von mir gewählte Ansatz der hybriden Collective Intelligence hat sich damit bewiesen.

Anhang 1

Formeln und Erläuterungen

Dieser Anhang beschreibt die drei verwendeten Modelle und Algorithmen für die Ermittlung der kausalen Emergenz:

Die epsilon-Maschine, die die kausalen Zustände innerhalb einer Hierarchie-Ebene erzeugt, implementiert durch einen Decision Tree Regessor Algorithmus
Die upsilon-Maschine, die die kausalen Zustände von einer Ebene zur nächsten Ebene erzeugt, implementiert durch einen K-Means Algorithmus
Die Berechnung der Mutual Information, des Information Leackage und des Kausalen Delta (der Kausalen Kraft). Diese drei Größen vermessen die Stärke der Emergenz.

Um die Algorithmen zu beschreiben werden folgende Notationen aus der Wahrscheinlichkeits- Informationstheorie verwendet:

Ein Komma $P(X, Y)$ steht für die gemeinsame Wahrscheinlichkeit (beides passiert gleichzeitig).
Ein senkrechter Strich $P(X | Y)$ steht für die bedingte Wahrscheinlichkeit (X passiert, unter der Bedingung, dass Y schon passiert ist).
Das Semikolon $I(X; Y)$ drückt eine Schnittmenge an Information aus. Man liest es als: „Die Menge an Information, die zwischen der Variablen X und der Variablen Y geteilt wird.“ Mathematisch berechnet sich das so:

$I(X; Y) = H(X) - H(X|Y)$

In Worten: Das $I$ steht für die Transinformation (auf Englisch Mutual Information). Das Semikolon ist hier extrem wichtig, um es von anderen Wahrscheinlichkeitsnotationen abzugrenzen. Die Transinformation ist die Entropie (Unsicherheit) von X, minus der verbleibenden Unsicherheit von X, wenn ich Y kenne. Das Semikolon zeigt also an, dass wir zwei Informationsquellen gegenüberstellen und fragen: Wie viel weiß ich durch die eine Quelle über die andere?

Wenn wir nun das Informationsleck (Leakage) als $L = I(X_t ; Z_{t+1} | Z_t)$ betrachten, lesen wir das mit dem Wissen über das Semikolon so:

„Wie viel Information teilen die Mikro-Vergangenheit $X_t$ und die Makro-Zukunft $Z_{t+1}$ noch miteinander, wenn wir den Einfluss der Makro-Vergangenheit $Z_t$ herausrechnen (bedingende Variable hinter dem Strich)?“

I. Die $\epsilon$ -Maschine, der Decision Tree Regressor Algorithmus

Der Sprung von einer linearen Liste mit 100 Textzeilen (Turns) zu einem multidimensionalen Baumalgorithmus ist die größte Hürde in der Zeitreihenanalyse. Um die Datenverarbeitung komplett transparent zu machen, zeichne ich den Weg der Daten vom rohen Transkript bis zur fertigen $\epsilon$ -Maschine nach.

Schritt 1: Die Datenpräparation (Das Sliding Window)

Ich starte mit einer eindimensionalen Kette von 100 Turns. Jeder Turn hat einen berechneten Mikro-Wert (z. B. den Durchschnitt aus Disruption und Valenz). Nennen wir diesen Wert für den Moment einfach $X$ . Das führt also zur Sequenz: $X_1, X_2, X_3, \dots, X_{100}$ .

Ein rekursiver Partitionierungs-Algorithmus kann mit einer solchen Kette nichts anfangen. Er braucht klare „Wenn-Dann“-Tabellen. Deshalb zerschneiden wir die 100 Turns mit einem gleitenden Fenster (Window-Größe = 8) in eine Matrix.

Wir sagen dem System: „Nutze die letzten 8 Turns (die Vergangenheit), um den 9. Turn (die Zukunft) vorherzusagen.“ Das Fenster rutscht dann immer einen Turn weiter.

Die neue Daten-Matrix sieht so aus:

Datenpunkt (Zeile)	t−8	t−7	t−6	t−5	t−4	t−3	t−2	t−1	Ziel (Zukunft t)
Zeile 1	Turn 1	Turn 2	Turn 3	Turn 4	Turn 5	Turn 6	Turn 7	Turn 8	Turn 9
Zeile 2	Turn 2	Turn 3	Turn 4	Turn 5	Turn 6	Turn 7	Turn 8	Turn 9	Turn 10
Zeile 3	Turn 3	Turn 4	Turn 5	Turn 6	Turn 7	Turn 8	Turn 9	Turn 10	Turn 11
…	…	…	…	…	…	…	…	…	…
Zeile 92	Turn 92	Turn 93	Turn 94	Turn 95	Turn 96	Turn 97	Turn 98	Turn 99	Turn 100

Da die ersten 8 Turns für die allererste Vorhersage „verbraucht“ werden, hat man am Ende exakt 92 Zeilen (Datenpunkte), die in den Algorithmus eingespeist werden.

Schritt 2: Der erste Split (Die Wurzel des Baumes)

Jetzt startet der eigentliche Algorithmus. Der Baum betrachtet alle 92 Zeilen gleichzeitig und stellt sich eine einzige Frage: Welche Spalte aus der Vergangenheit und welcher exakte Schwellenwert trennt die Zukünfte am besten voneinander?

Der Algorithmus testet intern Tausende von Kombinationen durch. Er nimmt sich z. B. die Spalte $t-1$ (den unmittelbar vorherigen Turn) und testet den angenommen Schwellenwert $-0.15$ . Er teilt die 92 Zeilen probeweise in zwei Gruppen:

Gruppe Links: Alle Zeilen, bei denen $t-1 \le -0.15$ war.
Gruppe Rechts: Alle Zeilen, bei denen $t-1 > -0.15$ war.

Dann berechnet er für beide Gruppen, wie sehr die tatsächlichen Ziel-Werte (die Zukunft $t$ ) innerhalb der Gruppe streuen. Das macht er mit dem mittleren quadratischen Fehler ( $MSE$ ):

$\begin{equation*} MSE = \frac{1}{m} \sum_{i=1}^{m} (y_i - \hat{y})^2 \end{equation*}$

$m$ ist die Anzahl der Zeilen in der jeweiligen Gruppe.
$y_i$ ist die tatsächliche Zukunft in Zeile $i$ .
$\hat{y}$ ist der Durchschnitt aller Zukünfte in dieser Gruppe.

Wenn der Gesamt- $MSE$ dieser Aufteilung extrem niedrig ist, bedeutet das: Die Trennung war erfolgreich. Der Algorithmus sucht den allerbesten Split und verankert ihn als obersten Knotenpunkt (die Wurzel) des Baumes.

Schritt 3: Die Rekursion (Das Wachsen der Äste)

Nun hat der Baum die 92 Zeilen in zwei Gruppen geteilt (z. B. 40 Zeilen links, 52 Zeilen rechts).

Jetzt wendet er exakt denselben Prozess aus Schritt 2 auf die linke Gruppe an. Er ignoriert die rechte komplett. Er schaut sich die verbliebenen 40 Zeilen an und fragt sich wieder: Welche Spalte und welcher Schwellenwert teilt diese 40 Zeilen am besten auf? Vielleicht ist es diesmal $t-6 \le 0.05$ .

Der Baum spaltet die Daten weiter und weiter auf. Er sucht immer nach der Eigenschaft in der Vergangenheit, die die verbleibenden Zukünfte am präzisesten in homogene Gruppen sortiert.

Schritt 4: Der Stopp (Das Entstehen der Epsilon-Zustände)

Ein Baum würde die Daten im Normalfall so lange spalten, bis in jedem Endknoten nur noch eine einzige Zeile liegt. Das wäre nutzlos (ein reines Auswendiglernen der Daten). Deshalb existiert eine Bremse: Eine Mindestanzahl von Beobachtungen pro Blatt.

Der Baum hört sofort auf, einen Ast weiter zu spalten, wenn in der resultierenden Gruppe weniger als 4 Zeilen (Turns) landen würden. An diesem Punkt entsteht ein Endknoten (ein Blatt). In unserem Fall hat der Algorithmus den Prozess gestoppt und exakt 19 Blätter gebildet (siehe Anhang 2).

Jedes dieser 19 Blätter ist ein „Eimer“, in dem eine bestimmte Anzahl der 92 historischen Datenpunkte gelandet ist (z. B. 5 Turns im ersten Blatt, 12 im zweiten).
Alle Turns, die in demselben Blatt gelandet sind, teilen sich dieselbe kausale Eigenschaft: Sie führen statistisch gesehen zu exakt derselben Vorhersage für die Zukunft ( $\hat{y}$ ).

Diese 19 Blätter sind exakt das, was ich (angelehnt an Rosas et al.) als kausale Mikro-Zustände der $\epsilon$ -Maschine definiere.

II. Die $\upsilon$ -Maschine: Der K-Means Algorithmus

Um die 19 hochdetaillierten $\epsilon$ -Zustände zu einer übergeordneten Makro-Software zusammenzufassen, muss das System die Zustände abstrahieren. Dies geschieht durch einen unüberwachten Clustering-Algorithmus, der ähnliche Zukünfte zu übergeordneten Regimen verschmilzt.

Schritt 1: Der Input (Die 1D-Vorhersagematrix)

Der Algorithmus extrahiert aus den 19 Blättern des Baumes die exakten Vorhersagewerte $\hat{y}$ für jeden der 92 historischen Datenpunkte. Es entsteht eine eindimensionale Matrix (ein Vektor) aus 92 Kommazahlen. Ziel ist es, diese in genau $K=3$ fundamentale Makro-Regime zu gruppieren.

Schritt 2: Die K-Means Initialisierung (Der Maximalkontrast)

Das System wirft nicht einfach drei zufällige Schwerpunkte (Zentroide $\mu_1, \mu_2, \mu_3$ ) in diese Daten. Um das zuverlässigste Ergebnis zu garantieren, wird iterativ vorgegangen:

Der erste Zentroid $\mu_1$ wird zufällig aus den 92 Werten gewählt.
Der zweite Zentroid $\mu_2$ wird exakt auf den Datenpunkt gesetzt, der die größte mathematische Distanz zu $\mu_1$ aufweist.
Der dritte Zentroid $\mu_3$ wird auf den Punkt gesetzt, der maximal weit von $\mu_1$ und $\mu_2$ entfernt ist.
Dieses Vorgehen stellt sicher, dass die drei startenden Makro-Regime den größtmöglichen inhaltlichen Kontrast zueinander aufweisen.

Schritt 3: Das Zuweisungs-Update (Lloyds Algorithmus)

Der Algorithmus startet nun seinen eigentlichen Suchlauf. Für jeden der 92 Vorhersagewerte $x_i$ misst er die quadrierte Differenz (Distanz) zu den drei Zentroiden:

$\begin{equation*} d(x_i, \mu_j) = (x_i - \mu_j)^2 \end{equation*}$

Der Wert $x_i$ bekommt das Label des Zentroiden $\mu_j$ , bei dem die Distanz $d$ am kleinsten ist. Mikro-Zustände, die ähnliche Zukunftswerte prognostizieren, werden so vom selben Zentroiden eingefangen.

Schritt 4: Das Zentroid-Update

Nachdem alle 92 Werte verteilt sind, berechnet das System die neuen, echten Schwerpunkte. Für jedes Cluster $j$ summiert es alle zugewiesenen Werte auf und teilt sie durch die Anzahl $m_j$ der Werte im Cluster:

$\begin{equation*} \mu_j = \frac{1}{m_j} \sum_{x_i \in S_j} x_i \end{equation*}$

Die Zentroide wandern exakt auf diese neuen Mittelwerte.

Schritt 5: Die Konvergenz (Das Einrasten des Systems)

Schritt 3 und 4 wiederholen sich in einer Schleife, bis das System einrastet – das bedeutet, kein einziger Datenpunkt verschiebt sich beim nächsten Durchlauf in ein anderes Cluster. Das Coarse-Graining ist abgeschlossen. Die 19 Mikro-Zustände sind nun zu einer Sequenz von 3 diskreten Makro-Regimen komprimiert. Die $\upsilon$ -Maschine ist konstruiert.

III. Die Messung der Emergenz $\mathcal{C}$ Der KSG-Entropieschätzer

Um zu beweisen, dass die neu konstruierte Makro-Software mächtiger ist als die Mikro-Hardware, muss die Transinformation (Mutual Information) zwischen Vergangenheit ( $X$ ) und Zukunft ( $Y$ ) berechnet werden. Da wir es auf der Mikro/Meso-Ebene mit stufenlosen Kommazahlen zu tun haben, wird der hochpräzise Schätzer nach Kraskov, Stögbauer und Grassberger (KSG) angewandt.

Schritt 1: Raumaufspannung und das Verhindern von Singularitäten

Der Algorithmus spannt einen 2D-Raum auf, wobei die $X$ -Achse die Vergangenheit und die $Y$ -Achse die Zukunft repräsentiert: Auf den Achsen wird jeweils der Mittelwert von Valenz und Disruption zum jeweiligen Zeitpunkt aufgetragen. Da menschliche Kommunikationsdaten oft redundante Werte erzeugen (z.B. exakt denselben Disruption-Score über zwei Runden), würden exakt übereinanderliegende Punkte im Algorithmus zu einer Division durch Null führen. Um diese Singularität zu verhindern, wird jedem Datenpunkt ein minimales thermodynamisches Rauschen (Jitter im Bereich von $10^{-5}$ ) hinzugefügt. Dies verschiebt die Punkte im infinitesimalen Bereich und macht Abstände messbar, ohne die topologische Information zu verfälschen.

Schritt 2: Distanzmessung im gekoppelten Raum ( $k$ -Nearest Neighbors)

Zur effizienten Suche wird im Hintergrund eine räumliche Datenstruktur (ein $K$ -D-Tree) aufgebaut. Für jeden Punkt $i$ im gemeinsamen $(X,Y)$ -Raum sucht der Algorithmus den $k$ -nächsten Nachbarn (standardmäßig $k=3$ ). Er misst die exakte Distanz zu diesem dritten Nachbarn unter Verwendung der Maximums-Metrik (Chebyshev-Distanz). Diese Distanzspanne nennen wir $\epsilon_i/2$ . Sie definiert ein lokales Suchfenster um jeden Punkt.

Schritt 3: Marginale Zählung (Die Zerlegung der Wahrscheinlichkeit)

Der Algorithmus nutzt dieses Suchfenster nun, um die Wahrscheinlichkeitsdichten auf den Einzelachsen zu schätzen:

Er blickt ausschließlich auf die $X$ -Achse (die Vergangenheit) und zählt, wie viele Punkte $n_x(i)$ innerhalb der Distanz $\epsilon_i/2$ liegen.
Er blickt ausschließlich auf die $Y$ -Achse (die Zukunft) und zählt, wie viele Punkte $n_y(i)$ innerhalb dieser Distanz liegen.

Schritt 4: Die Digamma-Integration

Anstatt Daten in ungenaue Histogramme zu pressen, setzt der Algorithmus diese präzisen Abstands-Zählungen in die KSG-Schätzgleichung ein. Diese Gleichung nutzt die Digamma-Funktion $\psi$ (die logarithmische Ableitung der Gamma-Funktion), um die exakte Transinformation $I(X;Y)$ in natürlichen Informationseinheiten (Nats) zu berechnen:

$\begin{equation*} I(X;Y) = \psi(N) + \psi(k) - \frac{1}{N} \sum_{i=1}^N \left( \psi(n_x(i) + 1) + \psi(n_y(i) + 1) \right) \end{equation*}$

Dabei ist $N$ die Gesamtzahl der Runden im Beobachtungsfenster.

Schritt 5: Das Kausale Delta (Der finale Beweis)

Dieser gesamte KSG-Prozess wird dual ausgeführt: Einmal für die Informationstransfer-Rate der rohen Mikro-Ebene $I(X_t ; X_{t+1})$ und einmal für die Informationstransfer-Rate der konstruierten Makro-Ebene $I(Z_t ; Z_{t+1})$ .

Die Subtraktion beider Ergebnisse liefert die Kausale Kraft:

$\begin{equation*} \mathcal{C} = I(Z_t ; Z_{t+1}) - I(X_t ; X_{t+1}) \end{equation*}$

Wenn dieser Wert positiv ist, ist der mathematische Beweis für das Vorliegen der Emergenz, hier des (dysfunktionalen) Collective Mind, erbracht:

Wenn $\mathcal{C}$ positiv wird, geschieht etwas Fundamental-Systemisches: Die Mikro-Details (z. B. welches genaue Wort ein Akteur wählt oder wie seine individuelle Tagesform ist) werden kausal irrelevant.

Das Makro-Regime zwingt dem System sein eigenes physikalisches Gesetz auf. Wenn ein Meeting kausal emergent in den Identitätskampf (Regime V0, siehe Anhang 2) stürzt, greifen sich die Akteure nicht mehr an, weil sie sich als Individuen in diesem Moment dazu entscheiden. Sie greifen sich an, weil das emergente Feld (der dysfunktionale Collective Mind) sie kausal dazu zwingt. Das System reproduziert sich selbst.

Anhang 2

Mikro-, Meso- und Makro-Ebene für das TV-Beispiel

Mikro-Ebene:

Die Mikro-Ebene besteht aus den 100 Turns (= 100 Aussagen der TV- Teilnehmer). Diese 100 Turns stammen aus dem Mitschnitt der Markus Lanz TV-Sendung und anschließender Transkription. Die Turns wurden erstmals im Blog ‚AI & M 4.0: Markus Lanz vom 30.04.2024, Eine Collective Mind Analyse, vom Juni 2024‘ verwendet.

Meso-Ebene:

Die Meso-Ebene besteht aus den 19 End-Blättern der Decision Tree Regression. Die folgende Abbildung zeigt den Entscheidungsbaum.

Die Anwendung in der Collective Mind Theorie:

Was passiert hier? Wir füttern den Baum mit den rohen Mikro-Eingaben (Disruption und Valenz der einzelnen Sprecher der letzten 8 Turns). Der Algorithmus spaltet diese Historie so lange auf, bis er in den Endknoten (Blättern) Gruppen von Vergangenheiten findet, bei denen der $MSE$ minimal ist – sie also alle exakt denselben Erwartungswert $\hat{y}$ für die Zukunft haben.
Die theoretische Übersetzung: Genau das ist die Definition der Epsilon-Maschine. Der Baum filtert alle redundanten Informationen heraus (z. B. „Wer genau hat gesprochen?“). Wenn eine leise, giftige Bemerkung von Sprecher A und ein lauter Wutanfall von Sprecher B am Ende exakt dieselbe Systemreaktion für den nächsten Turn auslösen, wirft der Decision Tree beide in dasselbe Blatt. Dieses Blatt ist der kausale Mikro/Meso-Zustand ( $\sigma$ ). Wir haben damit die „Hardware“ der Konversation extrahiert.

Makro-Ebene:

Die Makro-Ebene besteht aus den zu drei Clustern zusammengefassten 19 kausalen Zuständen der Meso-Ebene. Die Zusammenfassung wird durch den K-Means Algorithmus erzeugt. Die drei Regime stellen einen Vektor-Ordnungsparameter dar

Die Anwendung in der Collective Mind Theorie:

Was passiert hier? Wir nehmen die Vorhersagen $\hat{y}$ aus den 19 Blättern des Decision Trees und zwingen K-Means, diese in exakt $k=3$ Cluster/Regime zu pressen.
Die theoretische Übersetzung: Das ist das „Coarse-Graining“ (die Vergröberung) zur Upsilon-Maschine. Die 19 Mikro/Meso-Zustände sind zu detailliert, um ein „Collective Mind“ zu sein. Indem K-Means ähnliche Vorhersagen mathematisch verschmilzt, entstehen die Makro-Regime. In diesem Fall hat der Algorithmus die drei fundamentalen Aggregatzustände (Makro-Regime) des Teams gefunden:
1. V0-Identitätskampf (Hohe negative Valenz, toxischer Stress)
2. V1-Sachdebatte (Moderate Valenz, Kohärenz)
3. V2-Agenda Setting (Schöpferische Disruption)

Das Resultat: Die Upsilon-Maschine repräsentiert nun die „Software“ oder die kulturelle Atmosphäre.

Auf dieser Basis wird die Transinformation berechnet und die zwei zentralen Kriterien für Emergenz

A. Die Kausale Kraft ( $\mathcal{C}$ ):

Wir vergleichen die Vorhersagekraft der Upsilon-Maschine (Makro) mit der der reinen Rohdaten (Mikro):

$\mathcal{C} = I(Z_t ; Z_{t+1}) - I(X_t ; X_{t+1})$

Bedeutung: Wenn $\mathcal{C} > 0$ ist, enthält das Wissen über das aktuelle Makro-Regime ( $Z_t$ , z. B. „Wir sind gerade in der Sachdebatte“) mehr Informationen über die Zukunft als das Wissen über das exakte Verhalten der Sprecher ( $X_t$ ). Das Team hat den Collective Mind Makro-Zustand erreicht.

B. Das Information Leakage ( $L$ ):

Das Information Leakage ist eine redundante Größe, wenn die kausale Kraft bekannt ist, da

\mathcal{C} = -L

$L = I(Z_{t+1}; X_t | Z_t)$

Bedeutung: Das ist der Indikator für den Systemkollaps. Das Leakage misst, wie viel das Mikro-Verhalten ( $X_t$ ) noch über die Zukunft verrät, obwohl wir den Collective Mind ( $Z_t$ ) schon kennen. Wenn $L$ ausschlägt, hat eine einzelne Person (durch extreme Disruption) das normative Gefüge des Teams gesprengt. Die Software (Makro) hat die Kontrolle über die Hardware (Mikro) verloren.

Im folgenden liste ich jeweils die drei Makro-Regime, in dem ich diese kurz skizziere und die dazugehörigen Meso kausalen Zustände anfügen:

MAKRO-Regime 0 –Der Identitäts-Kampf

Die Datenlage: Fast durchgehend tiefrote, extrem negative Valenzen (-0.50 bis -0.90).
Die Akteure: Hier dominieren Mansour (Sprecher 4, der die stärksten Systemdisruptionen treibt) und Kayman.
Der Inhalt: Es geht um harte inhaltliche und moralische Fronten („moralische Überlegenheit“, „politischer Islam“, „Extremisten“).
Die System-Diagnose: Dieses Regime markiert den Zusammenbruch des kausalen Flusses. Die Kommunikation ist informationell geschlossen, da die Sprecher auf ihre V0-Identitätswerte zurückfallen. Die Akteure verteidigen ihre Ingroup („Ich bin Muslim, ich rede über meine Community“). Es entsteht eine massive kollektive Interferenz, bei der sachliche Argumente (V1) nicht mehr durchdringen.

🔬 Meso-Ebene 2

 Turn  24 | Kayman     | D-Score: -0.10 | Val: -0.60 | "Wir müssen mit jungen Menschen darüber reden, dass dieses De..."

 Turn  26 | Kayman     | D-Score: -0.19 | Val: -0.90 | "Auch in der Ahmadiyya-Gemeinde gibt es eine Tradition des An..."

 Turn  28 | Kayman     | D-Score: -0.34 | Val: -0.90 | "Ich wollte das nicht aufbrechen, weil das das Feld zu weit ö..."

 Turn  47 | Mansour    | D-Score: -0.52 | Val: -0.50 | "Entschuldigung...."

 Turn 101 | Mansour    | D-Score: +0.00 | Val: -0.80 | "Zweitens. Dieser politische Islam, der versucht gerade, die ..."

🔬 Meso-Ebene 6

 Turn  35 | Hübsch     | D-Score: -0.35 | Val: -0.30 | "Unsere Gemeinschaft ist über 100 Jahre alt...."

 Turn  40 | Kayman     | D-Score: -0.15 | Val: -0.60 | "Sie ziehen sich immer auf die Position zurück, ab der es dan..."

 Turn  43 | Hübsch     | D-Score: -0.00 | Val: -0.60 | "Weil das vor dem internationalen Gerichtshof verhandelt wird..."

 Turn  72 | Mansour    | D-Score: -0.13 | Val: -0.50 | "Ich habe eine Grundsatzfrage gestellt...."

 Turn  84 | Mansour    | D-Score: -0.03 | Val: -0.50 | "Aber er darf kein Mitglied sein in Ihrer Gemeinde?..."

🔬 Meso-Ebene 7

 Turn  20 | Kayman     | D-Score: -0.33 | Val: -0.90 | "Ich bin Muslim, ich rede über meine Community. Ich glaube, e..."

 Turn  22 | Kayman     | D-Score: -0.12 | Val: -0.60 | "Entschuldigung, wir können nicht über Vorereignisse aus dem ..."

 Turn  82 | Mansour    | D-Score: -0.29 | Val: -0.50 | "Ein homosexuelles Paar...."

 Turn  97 | Kayman     | D-Score: -0.17 | Val: -0.60 | "Das ist die Vorstellung einer moralischen Überlegenheit durc..."

 Turn  99 | Mansour    | D-Score: +0.00 | Val: -0.70 | "Um das psychologisch zu betreiben, auf zwei Ebenen. Das indi..."

🔬Meso-Ebene 13

 Turn  21 | Hübsch     | D-Score: -0.23 | Val: -0.30 | "Was ist mit dem Vertrag von Medina?..."

 Turn  41 | Hübsch     | D-Score: -0.12 | Val: -0.60 | "Deswegen hatte ich auch diesen Einwand, weil ich so aufgewac..."

 Turn  48 | Hübsch     | D-Score: -0.26 | Val: -0.30 | "Ganz schlechter Wort über Autismus...."

 Turn  83 | Hübsch     | D-Score: -0.31 | Val: -0.30 | "Man muss sich entscheiden. Da ist es nicht anders als in der..."

🔬 Meso-Ebene 24

 Turn   9 | Khorchide  | D-Score: -0.09 | Val: -0.50 | "Wir müssen uns die Schriften anschauen. Es war in der islami..."

 Turn  68 | Khorchide  | D-Score: -0.30 | Val: -0.20 | "Das sind standardisierte Fragen, die man auch an Christen st..."

 Turn  70 | Mansour    | D-Score: -0.24 | Val: -0.50 | "Aber Sie reden nicht über die Christen, Frau Hübsch. Darf ic..."

 Turn  95 | Kayman     | D-Score: -0.13 | Val: -0.60 | "Ich glaube, das, was wir erlebt haben, ist exemplarisch für ..."

🔬 Meso-Ebene 25

 Turn  12 | Hübsch     | D-Score: -0.17 | Val: -0.60 | "Das ist umgekehrt. Die Interpretation der Extremisten, der H..."

 Turn  18 | Kayman     | D-Score: -0.04 | Val: -0.90 | "Wir haben aktuell kein Problem, dass Theologie eine Natur is..."

 Turn  45 | Mansour    | D-Score: -0.36 | Val: -0.80 | "Ich habe es Ihnen versprochen, Herr Mansur. Erst mal frage i..."

 Turn  65 | Hübsch     | D-Score: -0.15 | Val: -0.30 | "Ich glaube nicht. Das ist so weit verbreitet in der islamisc..."

 Turn  80 | Mansour    | D-Score: -0.26 | Val: -0.50 | "Ich kenne andere Rätsel von Mitgliedern bei Ihnen...."

🔬 Meso-Ebene 30

 Turn  33 | Kayman     | D-Score: +0.09 | Val: -0.90 | "Es geht es nur darum, man muss kein theologischer Islam-Expe..."

 Turn  54 | Lanz (Mod) | D-Score: -0.41 | Val: +0.00 | "Zu sagen, ich bin auch da, ich bin auch wer...."

 Turn  57 | Hübsch     | D-Score: -0.03 | Val: -0.60 | "Keine Identifikation. Kennen Sie das? Ich kenne das total. I..."

 Turn  76 | Mansour    | D-Score: -0.10 | Val: -0.50 | "Aber Sie widersprechen sich...."

 Turn  87 | Hübsch     | D-Score: -0.33 | Val: -0.30 | "Auch Homosexualität. Sie dürfen Mitglied werden? Ja. Trotzde..."

MAKRO-Regime 1 Sachdebatte

Die Datenlage: Ein breiter Mix aus leicht negativer (-0.20 bis -0.30) bis neutraler Valenz. D-Scores sind meist im leichten Minus-Bereich.
Die Akteure: Hübsch ist hier überproportional präsent, oft im direkten Schlagabtausch mit Lanz, der versucht zu ordnen („Ich ordne kurz die Reihenfolge…“).
Der Inhalt: Das ist das „Tagesgeschäft“ der Talkshow. Es wird sich gerechtfertigt, relativiert und prozedural debattiert („Wir haben Mitglieder, die kein Kopftuch tragen“, „Wir leben in Deutschland“).
Die System-Diagnose: Das System operiert im Überlebensmodus. Es kollabiert nicht komplett in toxische Interferenz, erreicht aber auch keine echte Emergenz. Die Akteure reiben sich in der Verteidigung ihrer Positionen auf. Es ist ein ständiges Ausbalancieren zwischen V2-Tabubrüchen und V1-Rückzugsgefechten.

🔬 Meso-Ebene 5

 Turn  14 | Hübsch     | D-Score: +0.02 | Val: -0.30 | "Und was im Koran steht...."

 Turn  30 | Hübsch     | D-Score: -0.20 | Val: -0.30 | "Ich melde mich mal...."

 Turn  42 | Lanz (Mod) | D-Score: -0.19 | Val: -0.30 | "Völkermord vielleicht sogar...."

 Turn  49 | Mansour    | D-Score: +0.35 | Val: -0.50 | "Nein, nein. Sie unterbrechen mich die ganze Zeit und lassen ..."

🔬 Meso-Ebene 12

 Turn  23 | Hübsch     | D-Score: -0.22 | Val: -0.30 | "Sie haben gesagt, es gibt keine positive Erzählung. Es gibt ..."

 Turn  25 | Hübsch     | D-Score: -0.17 | Val: -0.30 | "Vielleicht passiert es bei Ihnen nicht, bei uns passiert das..."

 Turn  27 | Mansour    | D-Score: +0.13 | Val: -0.50 | "Das müssen wir nicht verharmlosen...."

 Turn  29 | Lanz (Mod) | D-Score: -0.11 | Val: +0.00 | "Ich ordne kurz die Reihenfolge...."

 Turn  46 | Hübsch     | D-Score: +0.07 | Val: -0.30 | "Das ist ein ganz schlechter Wort über Autismus...."

 Turn  98 | Lanz (Mod) | D-Score: -0.27 | Val: +0.00 | "Der Mechanismus auf beiden Seiten...."

🔬 Meso-Ebene 17

 Turn  36 | Lanz (Mod) | D-Score: -0.19 | Val: -0.30 | "Gibt es da Antisemitismus?..."

 Turn  38 | Kayman     | D-Score: -0.17 | Val: -0.60 | "Wie kamen Sie darauf? Ich habe doch nicht gesagt, dass alle ..."

 Turn  44 | Lanz (Mod) | D-Score: -0.14 | Val: +0.00 | "Da ist wieder dieses relativierende Momentum. Sie müssen dar..."

 Turn  73 | Hübsch     | D-Score: -0.10 | Val: -0.30 | "Wir leben in Deutschland. In Deutschland gelten die deutsche..."

 Turn  85 | Hübsch     | D-Score: -0.34 | Val: +0.00 | "Natürlich darf jeder Mitglied sein. Wir haben auch Mitgliede..."

🔬 Meso-Ebene 23

 Turn  10 | Hübsch     | D-Score: -0.18 | Val: -0.30 | "Aber Sie sind Theologe. Ich erinnere mich noch an einen Arti..."

 Turn  67 | Hübsch     | D-Score: -0.14 | Val: -0.30 | "Wenn Sie die Leute in Positionierungsdruck versetzen und sag..."

 Turn  69 | Hübsch     | D-Score: -0.27 | Val: -0.30 | "Aber ein Christ würde im Zweifel sagen, mein Glaube ist mir ..."

 Turn  71 | Hübsch     | D-Score: -0.18 | Val: -0.30 | "Sie wissen, es gibt nicht nur eine Auslegung der Scharia. Di..."

 Turn  74 | Khorchide  | D-Score: -0.15 | Val: -0.20 | "Sind Sie für das oder für dieses Verständnis?..."

 Turn  78 | Mansour    | D-Score: +0.06 | Val: -0.50 | "Darf ein Homosexueller bei Ihnen Mitglied werden?..."

🔬 Meso-Ebene 27

 Turn  16 | Hübsch     | D-Score: -0.11 | Val: -0.30 | "Sie wissen als Theologe ganz genau, dass es in der gesamten ..."

 Turn  17 | Lanz (Mod) | D-Score: -0.19 | Val: +0.00 | "Ich wollte gerade sagen, ich als Mensch mit christlichem Hin..."

 Turn  51 | Khorchide  | D-Score: -0.08 | Val: -0.20 | "Identitätssuche, Identitätsfindung in der Religion. Ich rede..."

 Turn  88 | Lanz (Mod) | D-Score: -0.24 | Val: -0.20 | "Was heißt das?..."

 Turn  91 | Hübsch     | D-Score: -0.16 | Val: -0.20 | "Wir haben Mitglieder, die kein Kopftuch tragen. Wir verstehe..."

🔬 Meso-Ebene 29

 Turn  13 | Khorchide  | D-Score: -0.08 | Val: -0.20 | "Ich habe nicht Hamas zitiert, ich habe den Propheten, was in..."

 Turn  19 | Hübsch     | D-Score: -0.20 | Val: -0.30 | "Wir haben das auf beiden Seiten, das gehört zur Wahrheit daz..."

 Turn  39 | Hübsch     | D-Score: -0.07 | Val: -0.30 | "Ich kann Ihnen nur sagen, dass es bei uns Thema ist...."

 Turn  77 | Hübsch     | D-Score: -0.20 | Val: -0.30 | "Das ist konstruktiver, als wenn man Leute vor die Wahl stell..."

 Turn  81 | Hübsch     | D-Score: -0.19 | Val: -0.30 | "Homosexuell? Wir haben Mitglieder. Die haben unterschiedlich..."

 Turn  94 | Mansour    | D-Score: +0.04 | Val: -0.50 | "Wir dürfen das auch kritisieren. Wenn das mit den Grundwerte..."

🔬 Meso-Ebene 31

 Turn  37 | Hübsch     | D-Score: -0.06 | Val: -0.30 | "Es gibt nicht einen einzigen Fall, der mir bekannt wäre, wo ..."

 Turn  62 | Lanz (Mod) | D-Score: -0.27 | Val: +0.00 | "Aber das, worüber ich hier spreche, das beginnt schon lange ..."

 Turn  64 | Lanz (Mod) | D-Score: -0.19 | Val: +0.00 | "Da meint man......"

 Turn  66 | Khorchide  | D-Score: -0.25 | Val: -0.20 | "Sie reden politisch über diejenigen, die sagen, Scharia ist ..."

 Turn  92 | Lanz (Mod) | D-Score: -0.14 | Val: -0.10 | "Wann beginnt das, in welchem Alter?..."

 Turn  96 | Lanz (Mod) | D-Score: -0.19 | Val: +0.00 | "Ich würde gerne zum Schluss, weil ich vermute, wir werden gl..."

🔬 Meso-Ebene 35

 Turn  59 | Hübsch     | D-Score: -0.18 | Val: -0.30 | "Weil wir politische Debatten haben. Im Moment ist die Entfre..."

 Turn  61 | Hübsch     | D-Score: -0.23 | Val: -0.30 | "Weil Deutschland international isoliert dasteht. Weil man ni..."

 Turn  63 | Hübsch     | D-Score: -0.16 | Val: -0.30 | "Wir haben zu problembehaftete Debatten. Wegen Scharia noch m..."

 Turn  93 | Hübsch     | D-Score: -0.13 | Val: -0.30 | "Das ist individuell. Herr Lanz, das ist wichtig. Sie müssen ..."

MAKRO-Regime 2 Agenda-Setting

Die Datenlage: Plötzlich positive Valenzen (+0.10, +0.30) und, ganz entscheidend, positive D-Scores (+0.12, +0.14).
Die Akteure: Lanz und Khorchide dominieren hier massiv.
Der Inhalt: Hier wird das Gespräch aktiv und konstruktiv auf eine neue Ebene gehoben („Sie haben mir gerade einen guten Übergang geliefert“, „Wir haben ein theologisches Problem“, „Vielleicht sollten wir das auch mal machen“).
Die System-Diagnose: Das ist der informationstheoretische Beweis für das Emergenz-Plateau. Das System tritt in echte kollektive Resonanz. Positive Disruptionen ( $D > 0$ ) bedeuten hier keinen Streit, sondern Agenda-Setting und Führung. Wahrheit/Sachlichkeit übernimmt die Kontrolle. Die Makro-Software dominiert, das Team entwickelt einen gemeinsamen, vorwärts gerichteten Gedanken.

🔬 Meso-Ebene 15

 Turn  15 | Khorchide  | D-Score: -0.07 | Val: -0.20 | "Kurz das Argument zu Ende. Diese Koranstellen, die müssen hi..."

 Turn  31 | Lanz (Mod) | D-Score: +0.12 | Val: +0.00 | "Ein theologischer Satz, dann eine Frage an Sie und dann Ahma..."

 Turn  50 | Lanz (Mod) | D-Score: +0.02 | Val: +0.00 | "Sie haben mir gerade einen guten Übergang geliefert. Sie sag..."

 Turn  79 | Hübsch     | D-Score: -0.15 | Val: +0.00 | "Natürlich. Unsere Moscheen sind offen für alle Menschen...."

 Turn  90 | Lanz (Mod) | D-Score: -0.02 | Val: -0.10 | "Kopftuch tragen, ja oder nein?..."

🔬 Meso-Ebene 18

 Turn  11 | Khorchide  | D-Score: -0.11 | Val: -0.20 | "Und nicht, dass es nicht für allgemeinere ist. Das ist nicht..."

 Turn  60 | Lanz (Mod) | D-Score: -0.06 | Val: +0.00 | "Das ist wahr...."

 Turn  75 | Hübsch     | D-Score: -0.10 | Val: -0.30 | "Ich bin für beides. Meine Scharia sagt mir, ich muss mich an..."

 Turn  86 | Lanz (Mod) | D-Score: -0.02 | Val: +0.00 | "Er hat nach Homosexualität gefragt...."

 Turn 100 | Lanz (Mod) | D-Score: +0.00 | Val: +0.00 | "Die Situation kenne ich aus Israel. Genau...."

🔬 Meso-Ebene 34

 Turn  32 | Khorchide  | D-Score: -0.10 | Val: +0.10 | "Ich würde dem widersprechen. Wir haben ein theologisches Pro..."

 Turn  53 | Khorchide  | D-Score: +0.05 | Val: -0.20 | "Wenn Sie diese Jugendlichen fragen, was meinen Sie mit Schar..."

 Turn  56 | Lanz (Mod) | D-Score: -0.04 | Val: +0.00 | "Und wie gesagt, weltweit. Es war sehr interessant, diese Unt..."

 Turn  89 | Hübsch     | D-Score: -0.03 | Val: -0.30 | "Keine Sexualität vor der Ehe gehört dazu. Man muss das nicht..."

🔬 Meso-Ebene 36

 Turn  34 | Lanz (Mod) | D-Score: +0.12 | Val: -0.30 | "Ich würde gerne Frau Hübsch an dem Punkt fragen, weil das ge..."

 Turn  52 | Lanz (Mod) | D-Score: +0.09 | Val: +0.30 | "Vielleicht sollten wir das auch mal machen, zum Christentum ..."

 Turn  55 | Khorchide  | D-Score: -0.24 | Val: +0.10 | "Und in Abgrenzung zu euch sage ich Scharia. Und das ist das ..."

 Turn  58 | Lanz (Mod) | D-Score: +0.14 | Val: +0.00 | "Aber woher kommt das?..."

Auf dieser Basis ergeben sich Regeln, die in einem Hybride Collective Intelligence Dashboard verwendet werden. Sie unterstützen eine Führungskraft oder einen Moderator bei der Führung eines Teams bzw. der Moderation einer Gruppe
  
======================================================================
 SYSTEM-DIAGNOSE: DIE QUANTITATIVEN WENN-DANN REGELN
======================================================================

>>> MAKRO-REGIME 0 <<<
--------------------------------------------------
Meso-Ebene (Blatt-Knoten 2) | Vorhersage (y_hat): -0.486 | Datenpunkte: 5
WENN t-2 <= -0.337 UND 
     t-6 <= -0.355
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 6) | Vorhersage (y_hat): -0.318 | Datenpunkte: 5
WENN t-2 <= -0.337 UND 
     t-6  > -0.355 UND 
     t-7 <= -0.213 UND 
     t-6  > -0.234
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 7) | Vorhersage (y_hat): -0.422 | Datenpunkte: 5
WENN t-2 <= -0.337 UND 
     t-6  > -0.355 UND 
     t-7  > -0.213
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 13) | Vorhersage (y_hat): -0.303 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1 <= -0.351 UND 
     t-4  > -0.206
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 24) | Vorhersage (y_hat): -0.320 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2 <= -0.203 UND 
     t-1 <= -0.178 UND 
     t-6  > -0.180
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 25) | Vorhersage (y_hat): -0.408 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2 <= -0.203 UND 
     t-1  > -0.178
DANN fällt das System in Makro-Regime 0

Meso-Ebene (Blatt-Knoten 30) | Vorhersage (y_hat): -0.307 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2  > -0.203 UND 
     t-8  > -0.290 UND 
     t-1  > -0.208
DANN fällt das System in Makro-Regime 0


>>> MAKRO-REGIME 1 <<<
--------------------------------------------------
Meso-Ebene (Blatt-Knoten 5) | Vorhersage (y_hat): -0.178 | Datenpunkte: 4
WENN t-2 <= -0.337 UND 
     t-6  > -0.355 UND 
     t-7 <= -0.213 UND 
     t-6 <= -0.234
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 12) | Vorhersage (y_hat): -0.165 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1 <= -0.351 UND 
     t-4 <= -0.206
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 17) | Vorhersage (y_hat): -0.215 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1  > -0.351 UND 
     t-7  > -0.276 UND 
     t-8 <= -0.223
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 23) | Vorhersage (y_hat): -0.230 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2 <= -0.203 UND 
     t-1 <= -0.178 UND 
     t-6 <= -0.180
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 27) | Vorhersage (y_hat): -0.168 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2  > -0.203 UND 
     t-8 <= -0.290
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 29) | Vorhersage (y_hat): -0.219 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6 <= -0.078 UND 
     t-2  > -0.203 UND 
     t-8  > -0.290 UND 
     t-1 <= -0.208
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 31) | Vorhersage (y_hat): -0.142 | Datenpunkte: 6
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3  > -0.296 UND 
     t-6  > -0.078
DANN fällt das System in Makro-Regime 1

Meso-Ebene (Blatt-Knoten 35) | Vorhersage (y_hat): -0.238 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3  > -0.083 UND 
     t-2 <= -0.108 UND 
     t-8  > -0.209
DANN fällt das System in Makro-Regime 1


>>> MAKRO-REGIME 2 <<<
--------------------------------------------------
Meso-Ebene (Blatt-Knoten 15) | Vorhersage (y_hat): -0.040 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1  > -0.351 UND 
     t-7 <= -0.276
DANN fällt das System in Makro-Regime 2

Meso-Ebene (Blatt-Knoten 18) | Vorhersage (y_hat): -0.080 | Datenpunkte: 5
WENN t-2  > -0.337 UND 
     t-3 <= -0.083 UND 
     t-3 <= -0.296 UND 
     t-1  > -0.351 UND 
     t-7  > -0.276 UND 
     t-8  > -0.223
DANN fällt das System in Makro-Regime 2

Meso-Ebene (Blatt-Knoten 34) | Vorhersage (y_hat): -0.065 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3  > -0.083 UND 
     t-2 <= -0.108 UND 
     t-8 <= -0.209
DANN fällt das System in Makro-Regime 2

Meso-Ebene (Blatt-Knoten 36) | Vorhersage (y_hat): 0.025 | Datenpunkte: 4
WENN t-2  > -0.337 UND 
     t-3  > -0.083 UND 
     t-2  > -0.108
DANN fällt das System in Makro-Regime 2

Literatur

[1] Rosas F E et al. (2024) Software in the natural world: A computational approach to hierarchical emergence, arXiv:2402.09090v2, 5 Jun 2024

[2] Jens Köhler und Alfred Oswald: Die Collective Mind Methode (2009)

Alfred Oswald, Jens Köhler, Roland Schmitt: Projektmanagement am Rande des Chaos (2016), auch in englischer Sprache verfügbar: Project Management at the Edge of Chaos, Springer 2018

Alfred Oswald und Wolfram Müller (editors): Management 4.0 – Handbook for Agile Practices, Release 3.0“, BoD 2019

Attention Collective Mind III: KI-Assistenz für die Markus Lanz TV-Sendung am 30.04.2024

Kurzfassung: In diesem Blog-Beitrag wird der Attention Collective Mind Mechanismus auf eine reale Gruppenkommunikation angewendet. Es wird gezeigt, dass ein durch Reinforcement Learning trainierter RL-Agent einen TV-Moderator aktiv in einem hybriden Collective Intelligence Setting bei der Moderation einer TV-Sendung unterstützen kann. Ein dem Attention Modell ähnlicher Mechanismus wird für die Vermessung des Disruptiongrads von Redebeiträgen angewendet. Damit ist es möglich, die kreative Spannung in einer Kommunikation zu vermessen und deren Potential für die Ausbildung eines Collective Mind zu bewerten.

Dieser Bog-Beitrag ist mit Gemini Pro erstellt.

In den vorherigen beiden Blog-Beiträgen dieser Reihe habe ich einen Attention Mechanismus für die KI-Assistenz von soziale Systemen entwickelt. Ich konnte zeigen, dass ein Reinforcement Learning KI-Agent (RL-Agent) in der Lage ist, eine Projekt-Führungskraft bei der Führung seines Teams zu unterstützen: Der RL-Agent unterstützt die Führungskraft durch die Anzeige des individuellen Stresslevels und des Gruppen-Stresslevels und macht Vorschläge zur Teilnehmereinbindung um die Stresslevel zu senken.

In diesem Blog-Beitrag verwende ich den RL-Agenten, um eine reale Gruppe zu führen: Da es sehr schwierig ist, auf Daten eines realen Teams zuzugreifen, verwende ich die Kommunikation der Gruppe der Markus Lanz TV-Sendung vom 30.04.2024 [1]. Für diese TV-Sendung habe ich schon am 27.Juni 2024 eine Collective Mind Analyse im Blog-Beitrag ‚AI & M 4.0: Markus Lanz vom 30.04.2024…‘ veröffentlicht.

Die transkribierten Kommunikationsdaten zu dieser Sendung liegen vor, so dass es recht einfach ist, auf dieser Basis eine Attention Collective Mind Analyse durchzuführen. Der Ablauf ist wie folgt:

Schritt 1: Die transkribierten Daten werden einer LLM KI übergeben, in dem vorliegenden Fall, Gemini Pro. Gemini Pro erhält die Aufgabe, die Big-Five Persönlichkeiten und die Werte-Ausprägung zu drei Werten V1, V2 und V3 der Teilnehmer der TV-Sendung einzuschätzen:

[V1] Wahrheit & Logik (Sachlicher Erkenntnisgewinn)
[V2] Identität & Loyalität (Verteidigung der eigenen Ingroup)
[V3] Freiheit & Aufklärung (Tabubruch, liberale Werte)

Diese Werte wurden gewählt, weil es in der TV-Sendung um das Rollenverständnis der Muslime in Deutschland geht.

Die Big-Five Ergebnisse und die Werten V1 bis V3 werden pro Diskussionsteilnehmer aus der Gesamtheit der jeweiligen Redebeiträge ermittelt. Die mittels Gemini Pro erhaltenen Big-Five Werte weichen teilweise recht stark von den ChatGPT Big-Five Analyse aus dem Jahre 2024 ab. Die ChatGPT Big-Five Werte entsprechen sehr genau meinen persönlichen Einschätzungen. Ich habe überprüft inwieweit dieser Unterschied das Ergebnis (siehe weiter unten) beeinflusst: Die Big-Five Werte beeinflussen deutlich die Höhe der Stresspegel (Skala unten 0.1 bis 0.2), jedoch kaum deren Verlauf.

Schritt 2: Big-Five und die Werte werden als statische Größen im Persönlichkeitsvektor der Gruppenteilnehmer eingetragen. Zusätzlich ist es nötig, im Persönlichkeitsvektor den emotionalen Zustand der Gesprächsteilnehmer zu erfassen. Mit Gemini Pro wird die sogenannte Valenz (positiv, neutral, negativ) und die damit verbundene Stimmung (Arousal) pro Redebeitrag erfasst. Diese Werte mit der Information auf welchen anderen Teilnehmer bzw. Redebeitrag ein Teilnehmer reagiert wird, werden in eine Tabelle eingetragen.

Schritt 3: Mit Hilfe eines Transformer-Modells aus der Huggingface Bibliothek wird eine Textanalyse vorgenommen. Diese Analyse bettet die ungefähr 100 Redebeiträge in einen hochdimensionalen Vektorraum. Damit ist möglich, Textähnlichkeiten der Redebeiträge über Vektor-Ähnlichkeit zu vermessen. In Anlehnung an einen Artikel zur Vermessung des Disruptioncharakters von wissenschaftlichen Veröffentlichungen [2] habe ich einen Disruption-Score (D-Score) für Redebeiträge eingeführt: Dieser D-Score misst inwieweit sich nachfolgende Redebeiträge (nur noch) auf einen vorhergehenden Redebeitrag beziehen (für die verwendete Mathematik verweise ich auf den Anhang).

Schritt 4: Der bisherige RL-Agent wird getestet, ob er in der Lage ist, den Moderator aktiv und sinnvoll zu unterstützen. Die Tests ergeben, dass es notwendig ist, das RL-Agenten Modell für die Moderator-Situation zu erweitern: Der Redeanteil der Gesprächsteilnehmer wird durch eine Größe ‚Fatique‘ (Ermüdung) begrenzt. – Jeder Redebeitrag führt zu einer ‚Ermüdung‘. Indirekt wird damit auch die Ermüdung der Zuhörer bewertet.
Außerdem wird das Modell für den individuellen Stresspegel und den Stresspegel der gesamten Gruppe angepasst. – Für die entsprechende Mathematik verweise ich auf den Anhang. Der Anhang enthält nur die gegenüber dem vorherigen Blog-Beitrag geänderte Mathematik. – Die erfolgreiche Modellierung bedeutet in diesem Fall, dass die KI dem Moderator richtige Hinweise zur aktiven Steuerung des individuellen und gruppendynamischen Stresspegels gibt, in dem der RL-Agenten korrekte Empfehlungen zur Einbindungen bestimmter Gesprächsteilnehmer gibt: Der RL-Agenten entlastet den Moderator mental und gestaltet den Moderationsablauf mit.

Die erfolgreiche Modell-Ausgestaltung des RL-Agent hat den Nebeneffekt, dass die entscheidenden Modellgrößen selektiert werden und die wichtigen Mechanismen der Führung, hier der Moderation, abgebildet werden: Die ‚Beliebigkeit‘, was gute Führung ist, wird durch überprüfbare Modellgrößen ersetzt!

Schritt 5: Ergebnisse
Abbildung 1 zeigt den Stresslevel der TV-Diskussionsteilnehmer und den Disruptiongrad des jeweiligen Redebeitrages (Turn).

Abbildung 1: Diese Abbildung zeigt im oberen Teil den Stresspegel der fünf Teilnehmer aufgetragen über den Redebeiträgen (Turns). Im unteren Teil der Abbildung ist der D-Score (Disruptiongrad) des Turns enthalten. Am oberen Rand der Abbildung ist die Turn-Nr. als X-Achse verwendet, am unteren Rand wird die Sprecher-ID pro Turn als X-Achse angezeigt. Der Verlauf der Sprecher-ID stellt eine Signatur der Kommunikation dar: Sieht man vom Moderator (Lanz) ab, so zeigt der Sprecher 4 ( Mansour) den höchsten Anteil an Disruption. Der Sprecher 2 (Khorchide) wirkt als starker Konsolidierer. Sprecher 2 (Hübsch) wirkt fast immer als Antagonist, bringt aber kaum Disruption in die Debatte. Sprecher 3 (Kaymann) wirkt in der ersten Hälfte des TV-Gespräches konsolidieren, und hat bis auf eine kleine Disruption im zweiten Teil keine großen Einfluss auf die Diskussion. Berücksichtigt man, dass Disruption und Konsolidierung Wegbereiter eines Collective Mind sind, so tragen Mansour und Korchide die Diskussion, auch wenn der Redeanteil von Mansour relativ klein ist. Dies entspricht den Sprechern 4 und 5 der Analyse vom Juni 2024. Die aktuelle Analyse hilft die vergangene Analyse der nahe beieinanderliegenden Collective Mind Beiträge besser zu unterscheiden.

Abbildung 2: Diese Abbildung zeigt einen Ergebnis-Auszug der zusätzlichen Informationen pro Turn. Hier für die Turns 49 bis 51. Ich habe diesen Auszug beispielhaft gewählt, da hier der größte D-Score vorliegt.

Im folgenden gebe ich eine detaillierte Aufschlüsselung dieses Ergebnis-Auszugs. Diese Zeilen zeigen sehr gut, wie ein kommunikativer ‚Game Changer‘ mathematisch aussieht.

Jeder Block repräsentiert einen Redebeitrag und ist in drei Ebenen unterteilt:

1. 🗣️ REALITÄT (Die Datenbasis)

Das ist die Eingabeebene. Das System registriert die Turn-Nummer ([49]), wer spricht (Mansour), an wen die Aussage gerichtet ist (zu Hübsch) und den Start des tatsächlichen Transkript-Textes.

2. 🧠 Die analytische Ebene (Emotion & Semantik)

Diese Ebene zeigt Parameter des gesprochenen Wortes:

Valenz: Misst die emotionale Schärfe von -1.0 (feindselig/Kritik) bis +1.0 (zustimmend/Lob).
D-Score: Der Disruptions-Wert. Er misst durch Vektorgeometrie, ob der Satz das inhaltliche Thema der Diskussion radikal verändert (positiver Wert) oder ob alte Argumente lediglich wiederholt werden (negativer Wert).

3. 🤖 KI-CO-PILOT (Die Systemsteuerung)

Dies ist das Steuerzentrum der Simulation:

Spg (Systemspannung): Die aufsummierte kognitive und emotionale Belastung (Stress) aller Personen im Raum. Über 2.0 wird es kritisch.
Empfehlung: Das neuronale Netz, der RL-Agent, berechnet im Hintergrund, wer als Nächstes sprechen sollte, um den inhaltlichen Ertrag zu maximieren und das System stabil zu halten.
System-Notizen: Wenn bestimmte Schwellenwerte gerissen werden, gibt das System Warnungen oder Erfolgsmeldungen aus (z. B. 💡 DISRUPTION ERFOLGREICH!).

Die Analyse: Was passiert in diesen drei Turns?

Dieser Auszug (Turns 49 bis 51) ist ein sehr gutes Beispiel für eine gelungene inhaltliche Intervention:

Turn 49: Der radikale Pivot von Mansour

Ahmad Mansour wehrt sich gegen eine Unterbrechung von Frau Hübsch. Die Valenz ist mit -0.50 stark negativ – es ist ein klarer verbaler Konflikt. Doch Mansour schlägt nicht einfach inhaltlich zurück, sondern lenkt das Thema auf eine völlig neue Ebene. Der NLP-Algorithmus schlägt massiv aus: Ein D-Score von +0.347 ist extrem hoch. Die KI erkennt sofort, dass der semantische Vektor der Diskussion gerade stark geändert wurde und meldet: „DISRUPTION ERFOLGREICH! Thema wurde neu gesetzt.“ Die Systemspannung (Spg) liegt hier bei leicht erhöhten 1.11. Die KI empfiehlt, das Wort an Prof. Khorchide (den harmonischsten Charakter) zu übergeben.

Turn 50: Die kühlende Moderation

Markus Lanz ergreift das Wort. Er erkennt den Themenwechsel („guten Übergang geliefert“) und fungiert als Moderator. Seine Valenz ist exakt 0.00 – völlig neutral und sachlich. Diese emotionale Kühle wirkt sofort: Die Systemspannung fällt schlagartig von 1.11 auf 0.85. Der D-Score ist mit +0.018 fast bei Null, was bedeutet: Lanz bricht Mansours neues Thema nicht ab, sondern lässt es zu. Die KI fordert weiterhin: Gebt das Wort an Khorchide!

Turn 51: Die inhaltliche Konsolidierung

Genau das passiert in der Realität: Prof. Khorchide übernimmt. Er greift Mansours neues Thema auf („Identitätssuche, Identitätsfindung in der Religion“). Die Valenz ist leicht negativ (-0.20), da er auf ein gesellschaftliches Problem hinweist.

Das Spannendste ist hier der D-Score von -0.080 (Konsolidierend). Ein negativer Wert ist hier absolut positiv zu werten! Es bedeutet, dass Khorchide keine neue Baustelle aufmacht, sondern den in Turn 49 neu gesetzten Themenanker akzeptiert und inhaltlich vertieft. Die neue Richtung der Diskussion ist damit erfolgreich etabliert und gefestigt.

Fazit dieser Sequenz: Die KI beweist hier datenbasiert, dass ein Streit (Turn 49) extrem produktiv sein kann, wenn er dazu genutzt wird, ein festgefahrenes Thema radikal zu wechseln. Und sie zeigt, wie gutes Zuhören und Aufgreifen durch nachfolgende Sprecher (Turns 50 & 51) das Stresslevel im Raum sofort senkt.

Zusammenfassung:

Ich beende hiermit (vorläufig) die Attention Collective Mind Blog-Reihe. Ich konnte zeigen, dass der Attention Mechanismus, der allen großen LLM KI-Systemen zugrunde liegt, auch erfolgreich auf die menschliche Kommunikation angewendet werden kann. Verwendet man ein Vektor-Persönlichkeitsmodell in das u.a. Big-Five, Werte und Emotionen (und ggf. der Projekttyp zur Beschreibung der Aufgabenstellung) eingehen, so lässt sich auf dieser Basis ein RL-Agent mittels Reinforcment Learning trainieren. Dieser RL-Agent unterstützt in einem hybriden Collective Intelligence Setting eine Führungskraft bzw. einen Moderator bei der Wahrnehmung der Team- bzw. Gruppendynamik und gibt aktiv in Echtzeit Empfehlungen für die Führung.

Anhang: Glossar und Formeln zum mathematischen Modell

Glossar: Die Vokabeln der KI-Simulation

Um die Dynamik einer Talkshow mathematisch zu berechnen, übersetzt die KI menschliches Verhalten in Datenpunkte. Hier sind die wichtigsten Begriffe aus der Psychologie und Datenwissenschaft einfach erklärt:

1. Die emotionale Ebene (Affective Computing)

Die KI bewertet jeden gesprochenen Satz nach zwei grundlegenden emotionalen Dimensionen:

Valenz (Valence): Beschreibt, ob eine Aussage positiv oder negativ ist. Negative Valenz (-1.0) bedeutet Angriff oder Kritik. Positive Valenz (+1.0) bedeutet Zustimmung oder Brückenbau.
Arousal (Erregungsniveau): Beschreibt die emotionale „Temperatur“. Hohes Arousal bedeutet, dass jemand passioniert oder hochgradig gestresst spricht. Ein negativer Satz, der geschrien wird (hohes Arousal), erzeugt mehr Systemstress als ein negativer Satz, der ruhig geäußert wird.

2. Die Gesprächsdynamik (Systemphysik)

Fatigue (Kognitive Erschöpfung): Wer lange spricht, verbraucht kognitive Energie. Wer zuhört, regeneriert sich leicht. Das System nutzt diesen Wert, um zu erkennen, wann ein Redner „leergesprochen“ ist.
Stresspegel (Individueller Stress): Ein Wert zwischen 0 und 1. Er steigt bei Angriffen und sinkt durch sachliche Klärung oder wenn man längere Zeit nicht attackiert wird (Abkühlungsphase).
Systemspannung (Kollektive Energie): Die Summe der individuellen Stresspegel aller Anwesenden. Steigt dieser Wert über eine kritische Grenze, steht die Diskussion kurz vor der Eskalation.

3. Die Persönlichkeit (Die „Big Five“)

Die Profile der Diskutanten basieren auf dem etablierten psychologischen OCEAN-Modell:

(O) Offenheit: Die Bereitschaft für neue, unkonventionelle Ideen.
(C) Gewissenhaftigkeit: Der Drang nach Struktur und Fakten.
(E) Extraversion: Das Bedürfnis, im Mittelpunkt zu stehen.
(A) Verträglichkeit (Agreeableness): Das Bedürfnis nach Harmonie und Konsens.
(N) Neurotizismus: Die Anfälligkeit für Stress bei Gegenwind.

4. Die linguistische Analyse (NLP & Disruption)

Text-Embeddings: KI-Modelle wandeln Sätze in mathematische Koordinaten (Vektoren) um. Sätze mit ähnlichem Inhalt liegen nah beieinander.
Kosinus-Ähnlichkeit: Eine Formel, die misst, ob zwei Personen inhaltlich über das Gleiche sprechen oder aneinander vorbei reden.
Disruption (D-Score): Das Maß für inhaltlichen Fortschritt. Ein negativer D-Score bedeutet, die Sprecher drehen sich im Kreis (Konsolidierung). Ein positiver D-Score bedeutet, ein Sprecher bringt einen radikalen „Game-Changer“ (Disruption / Topic Pivot).

Technischer Anhang: Mathematische Modellierung der Diskursdynamik

In diesem Anhang werden die Formeln erläutert, die zur Berechnung der Zustandsänderungen der Diskutanten und der inhaltlichen Struktur der Sendung verwendet wurden.

Die folgenden Funktionen sind Terme der geänderten Reward-Funktion:

1. Erschöpfungsmodell (Fatigue)

Die Erschöpfung eines Sprechers steigt durch den kognitiven Aufwand der Artikulation, während die Zuhörer eine leichte Regeneration erfahren.

$\begin{equation*} F_{i}^{(t)} = \begin{cases} \min(1.0, F_{i}^{(t-1)} + \Delta_{active}) & \text{wenn } i = \text{Sprecher} \\\\ \max(0.0, F_{i}^{(t-1)} - \Delta_{passive}) & \text{sonst} \end{cases} \end{equation*}$

Erläuterung:

$F_{i}^{(t)}$ : Erschöpfungsgrad des Teilnehmers $i$ zum Zeitpunkt $t$ .
$\Delta_{active}$ : Zuwachsrate pro Redebeitrag (Modellwert: $0.45$ ).
$\Delta_{passive}$ : Regenerationsrate pro Turn des Zuhörens (Modellwert: $0.15$ ).

2. Stress-Dynamik (Emotionale Physik)

Der Stresspegel reagiert auf die emotionale Ladung und die Konfrontation unter Berücksichtigung der Persönlichkeitsunterschiede.

A. Stress-Impact (Eskalation)

Bei negativer Valenz ( $V < 0$ ) berechnet sich der Stresszuwachs der Zielperson ( $tg$ ) wie folgt:

$\begin{equation*} \Delta S_{tg}^{(t)} = (A^{(t)} \cdot w_1) + (|B_{sp} - B_{tg}| \cdot |V^{(t)}| \cdot w_2) \end{equation*}$

Erläuterung:

$A^{(t)}$ : Das Arousal (Erregungsniveau) des Beitrags.
$\|B_{sp} - B_{tg}\|$ : Die Euklidische Distanz zwischen den Big-Five-Profilen von Sprecher und Zielperson.
$w_1, w_2$ : Gewichtungsfaktoren für emotionale Intensität und charakterliche Dissonanz.

Die Gewichtsfaktoren sind im Code auf folgende Werte gesetzt:

$w_1$ (Emotionale Intensität / Arousal): 0.2
$w_2$ (Charakterliche Dissonanz / Big-Five-Differenz): 0.1

Was bedeuten diese Werte für die Simulation?

Das System gewichtet die direkte, hörbare Erregung (Arousal) doppelt so stark wie den reinen Charakterunterschied.

Das ergibt psychologisch Sinn:

Die Dominanz der Lautstärke ( $w_1 = 0.2$ ): Wenn jemand sehr laut, schnell oder aggressiv spricht (hohes Arousal), erzeugt das bei der Zielperson fast immer sofortigen Stress (Fight-or-Flight-Reaktion), unabhängig davon, wie ähnlich sich die beiden Personen charakterlich sind.
Der Charakter-Multiplikator ( $w_2 = 0.1$ ): Die charakterliche Dissonanz (die Euklidische Distanz der Big-Five-Werte) ist ein feinerer, subtilerer Faktor. Er besagt: Wenn mich jemand kritisiert (negative Valenz), stresst mich das zusätzlich, wenn diese Person ein völlig anderes Weltbild oder eine völlig andere Persönlichkeit hat als ich (z.B. ein hochgradig extravertierter, strukturierter Mensch kritisiert einen introvertierten, sehr offenen Menschen). Da dieser Distanz-Wert (big5_diff) mathematisch oft größer als 1 sein kann, wird er mit dem kleineren Faktor 0.1 skaliert, damit er die Basis-Erregung nicht komplett überlagert.

Diese beiden Werte sind sogenannte Hyperparameter. Wenn die Simulation auf ein anderes Szenario anpassen werden soll (z. B. ein hochformelles Business-Meeting statt einer Talkshow), könnte man $w_1$ senken und $w_2$ erhöhen, da in professionellen Umgebungen weniger Emotion sichtbar wird, Charakterunterschiede bei Kritik aber vielleicht umso schwerer wiegen.

B. Der individuelle Stresspegel (Y-Achse in der Abbildung)

Der finale Stresspegel $S_i^{(t)}$ ist die Summe aus vorherigem Zustand, aktuellen Einflüssen und zeitlichem Zerfall, normiert auf $[0, 1]$ .

$\begin{equation*} S_i^{(t)} = \max \left( 0.0, \min \left( 1.0, S_i^{(t-1)} + \Delta S_{i}^{(t)} - \delta_{decay} \right) \right) \end{equation*}$

Erläuterung:

$\Delta S_{i}^{(t)}$ : Die Netto-Veränderung durch den aktuellen Beitrag.
$\delta_{decay}$ : Die natürliche Abkühlungsrate pro Zeiteinheit (Modellwert: $0.03$ ).

C. Die kollektive Systemspannung

Um zu berechnen, ob der Raum als Ganzes zu eskalieren droht, wird die Systemspannung $E_{sys}$ als Summe aller individuellen Stresspegel ( $N=5$ ) gebildet.

$\begin{equation*} E_{sys}^{(t)} = \sum_{i=1}^{N} S_i^{(t)} \end{equation*}$

Übersteigt $E_{sys}^{(t)}$ den empirisch festgelegten Schwellenwert (z.B. $2.0$ ), triggert die KI eine Warnung für den Moderator.

3. Semantische Disruption (D-Score)

Die Disruption misst, wie sehr ein Beitrag den inhaltlichen Fokus der Zukunft ( $F$ ) von der Vergangenheit ( $P$ ) weg hin zum aktuellen Beitrag ( $C$ ) verschiebt.

$\begin{equation*} D_t = \cos(\vec{F}_t, \vec{C}_t) - \cos(\vec{F}_t, \vec{P}_t) \end{equation*}$

Wobei die Cosinus-Ähnlichkeit definiert ist als:

$\begin{equation*} \cos(\vec{a}, \vec{b}) = \frac{\vec{a} \cdot \vec{b}}{|\vec{a}| |\vec{b}|} \end{equation*}$

Erläuterung:

$\vec{C}_t$ : Vektor-Embedding des aktuellen Beitrags.
$\vec{P}_t$ : Durchschnittsvektor der vorangegangenen $k$ Beiträge (Vergangenheit).
$\vec{F}_t$ : Durchschnittsvektor der nachfolgenden $k$ Beiträge (Zukunft).

Literatur

[1] ZDF (2024) https://www.zdf.de/gesellschaft/markus-lanz/markus-lanz-vom-30-mai-2024-100.html oder http://youtu.be/rpINCu5VmnY

[2] Kim M (2026) Uncovering simultaneous breakthroughs with a robust
measure of disruptiveness, Science Advances|Research Article

AI & QC & M 4.0: Alles Quantum? oder von Quantum Computing Modell-Archetypen

Ein beeindruckender Podcast, erstellt von NotebookLM, fasst den Blog-Beitrag in englischer Sprache zusammen:

‚Alles Quantum?‘, Hinter dieser Frage verbirgt sich eine der spannendsten ungelösten Fragen der Physik: Gibt es eine einheitlich Quanten-Theorie, die die Welt des Kleinen (Quanten) und die Welt des Großen (Klassisch) integriert? Seit ungefähr 100 Jahren wird nach einer solchen Theorie gesucht.

Abbildung 0: Bild erzeugt mittels Dall-E: Die 7 Modelle des Blog-Artikels symbolisch dargestellt als Wissenschaftler, die um Erkenntnis kämpfen. Die Darstellung zeigt die Wissenschaftler auf einem futuristischen, quantenmechanischen Schlachtfeld.

In diesem Blog gehen wir es viel unbedeutender an: Ich stelle die von mir bisher erstellten Collective Mind Modelle (CM Modelle) aus der Welt der Quanten und der ‚klassischen‘ Welt zusammen und beleuchte deren Aussagemöglichkeiten. Diese Modelle lassen sich in drei Kategorien einteilen: Quantum-Modelle, die vollständig auf Prinzipien der Quantenmechanik beruhen. – Klassische Modelle, die keine Prinzipien der Quantenmechanik enthalten. – Hybride Modelle, die Prinzipien der Quantenmechanik und der klassischen Welt enthalten. Diese drei Modell-Kategorien zeigen in ihren Aussagemöglichkeiten verschiedene Potentiale, werfen teilweise neue Fragen auf und gehen damit deutlich über ihre Grenzen hinaus. Die vorgestellten Modell sind Modell-Archetypen, die ähnlich in völlig anderen wissenschaftlichen oder industriellen Anwendungsbereichen verwendet werden. Alle Modelle wurden unter großer Mithilfe von ChatGPT-o1 erstellt. Die Menge aber auch die völlig unterschiedlichen Modell-Herangehensweise, erstellt in einer erstaunlich kurzen Zeit, verdeutlichen die enorme Leistungssteigerung der hybriden kollektiven Intelligenz von Maschine und Mensch:

Modell 1 – Agent Based Modelling der Teaminteraktionen: Dieses (bisher) klassische Modell verwendet Agent Based Modelling, um Team-Interaktionen zu beleuchten. Mitglieder eines Teams werden als Agenten modelliert. Agenten sind (stark vereinfachte) Repräsentanten von Menschen. Im Blog vom Juni 2023 ‚AI & M 4.0: (Collective Intelligence)**2 – Collective Mind Agent Based Model mit GPT-4/chatGPTplus’ wird ein Team mit 7 Teammitgliedern und einer unterschiedlichen Anzahl an Stakeholdern modelliert. Den Teammitgliedern werden feste MBTI Persönlichkeitsmerkmale zugewiesen und die Stakeholder erhalten per Zufall gemäß der MBTI Verteilung in der westlichen Welt ihre Persönlichkeit. Jedem der Agenten wird per Zufall eine 3-Ebenen Ziel-Hierarchie, bestehend aus einer abstrakten Zeichenkette pro Ebene, zugewiesen. Der Collective Mind (CM) im Team und auch im Stakeholder-Umfeld ist maximal, wenn alle Teammitglieder im Team (und im Stakeholder-Umfeld) die gleiche Ziel-Hierarchie haben. Der Kommunikationsaustausch wird durch die Persönlichkeitsprofile und eine Lernrate (getrennt nach Team und Stakeholdern) bestimmt. Dieses Setting und die Definition des Collective Mind über die Ziel-Hierarchie entspricht der Theorie und Praxis im Management 4.0: Die Ziel-Hierarchien gleichen sich mit unterschiedlichen Zeitskalen im Team und im Stakeholder-Umfeld an. Die Zeitskalen hängen von der Lernrate sowie der Team-Zusammensetzung bzw. Stakeholder-Zusammensetzung ab. Damit ist es möglich, den Einfluss der Persönlichkeit auf die zeitliche Dynamik des CM zu untersuchen und optimale Team-Zusammensetzungen zu studieren. Mit der Anbindung von KI-Systemen werden (zukünftig) KI-Agenten im Agent Based Modelling verwendet werden. – Dies ist eine Entwicklung, die vor kurzem einen neuen KI-Hype ausgelöst hat. In Zukunft werden sicherlich Agenten zusätzlich mit Quantum Eigenschaften (siehe nachfolgende Modelle) ausgestattet. Voraussetzung hierfür ist eine entsprechend effiziente hybride Hardware, bestehend aus klassischer und Quantum Hardware.

Modell 2 – Eigenvektoren der CM Ähnlichkeitsmatrix Analyse: Dieses klassische Modell beruht auf der Grundidee, Ähnlichkeiten der Kommunikation in einem Team oder in einer Gruppe für die Messung des CM zu verwenden. Hierzu wird die Kommunikation mittels zweier Teile, dem gesprochene Wort und der nonverbale Kommunikation über Sentiments (Emotionen), ausgedrückt. Zentrale Größe ist deshalb eine komplexe Ähnlichkeitsmatrix CM, die aus zwei Teilen besteht. Die Ähnlichkeitsmatrix CM = Matrix der Text-Ähnlichkeiten + i* Matrix der Sentiments-Unterschiede. Für die Ähnlichkeitsmatrix CM lassen sich Eigenvektoren und Eigenwerte berechnen. Der Eigenvektor mit dem höchsten Eigenwert wird als CM Vektor interpretiert und der dazugehörige Eigenwert gibt die relative Stärke des CM an. Die Elemente des CM Vektors repräsentieren die Beitragsstärken der einzelnen Gruppen- oder Teammitglieder zum CM. Auf dieser Basis wurde im Blog ‚AI & M 4.0: Markus Lanz vom 30. Mai 2024: Eine Collective Mind Analyse‘ vom Juni 2024 die Gruppendynamik einer Gesprächsrunde analysiert. Es hat sich gezeigt, dass eine Untergruppe der Gesprächsrunde bestehend aus den Teilnehmern 2,4 und 5, bzw. in der Notation des nachfolgenden Modells 3 die Gruppenmitglieder B,D,E, im Wesentlichen den Collective Mind gestalten. Es ist also möglich, Kommunikationsmuster inkl. der nonverbalen Kommunikation transparent zu machen und die Träger des CM zu identifizieren.

Modell 3 – Ising-Modell der CM Ähnlichkeitsmatrix Analyse: Dieses Modell ist eine Form eines hybriden Modells und ergänzt Modell 2: Die Ausgangsbasis ist der Realteil der Ähnlichkeitsmatrix aus Modell 2. Die Ähnlichkeitsmatrix wird als Repräsentant eines Netzwerkes verstanden: Die Stärken der Ähnlichkeiten bilden die Kanten des Netzwerkes. Dieses klassische Netzwerk kann auf ein Ising Qubit-Netzwerk mit entsprechenden Kantenstärken abgebildet werden. Die Quantum Computing Berechnung mit der d-wave Annealing Technologie ermittelt die Energielandschaft dieses Netzwerkes. Die niedrigsten Energietäler oder das niedrigste Energietal repräsentiert den energetisch günstigsten Teamzustand und ist damit identisch mit dem CM Zustand. Die Anwendung auf die Gruppendynamik aus Modell 2 ergibt, dass die Untergruppe BDE den Collective Mind repräsentiert. Modell 3 ist ohne Probleme auf große Gruppen skalierbar, was bei der klassischen Berechnung mittels Eigenwert und Eigenvektoren nicht der Fall ist. Außerdem wird der CM-Beitrag anderer Teammitglieder-Kombinationen durch ihre Einordnung auf der Energieskala sofort und einfach sichtbar. Leider konnte bisher der Imaginärteil der Ähnlichkeitsmatrix nicht verwendet werden, da damit in Gebiete vorgestoßen wird, die auch noch in der Quantenmechanik gerade erst erforscht werden. – Die vollständige Abbildung der Ähnlichkeitsmatrix auf das d-wave System ist deshalb z.Zt. (noch) nicht möglich.

Modell 4 – Quantum Cognition der Team Kommunikation: Dieses Modell ist ein vollständiges quantenmechanisches Modell und beruht auf exakten Quanten-Berechnungen des CM auf einem klassischen Computer. Die eins-zu-eins Übertragung auf einen Quantencomputer ist nicht möglich. Damit ist das Modell nicht skalierbar, da die Berechnungen mit steigender Anzahl an Personen exponentiell wachsen. Das Modell wurde im Blog ‚AI & QC & M 4.0: Quantum Cognition für das Team-Management oder von der Macht der Mathematik‘ vom Oktober 2024 veröffentlicht. Die Idee ist hierbei die Persönlichkeitsdimensionen des Big Five (oder MBTI) Persönlichkeitsmodells in Qubit-Zustände abzubilden. Eine eindeutige positive Präferenz für eine Persönlichkeits-Dimension wird in eine Qubit 1 umgesetzt, eine eindeutige negative Präferenz in eine Qubit 0 und eine indifferente Präferenz wird als Superposition abgebildet. Ich wende die aus der Quantenmechanik bekannte Technik der Projektionsoperatoren auf das so abgebildete Persönlichkeitsmodell an: Über einen Interaktionsoperator wird zuerst die Interaktion im Team berechnet. Hieraus entsteht eine Team-Quantenwelle für die mittels eines CM Operators die Wahrscheinlichkeit für das Eintreten eines CM berechnet wird. Der CM Zustand wird als Zustand der quantenmechanischen Verschränkung interpretiert: Hierbei kann wahlweise danach unterschieden werden, ob alle Persönlichkeitsdimensionen verschränkt sind oder nur ein Teil der Dimensionen.
Die theoretischen Ergebnisse werden qualitativ durch viele praktische Erfahrungen gestützt: u.a hängt die Wahrscheinlichkeit ein CM auszubilden stark von der Teamzusammensetzung ab, die Reihenfolge der Interaktionen hat einen Einfluss auf die CM Dynamik, und ordnen die Teammitglied ihre Persönlichkeitspräferenzen nicht einem gemeinsamen Ziel unter, wird die Wahrscheinlichkeit der CM Ausbildung stark beschränkt. Nicht-lineare Effekte der Persönlichkeitsinteraktionen werden meines Erachtens erstaunlich gut abgebildet. Dies wirft die sehr weitreichende Frage auf, ob unsere Kognition und unsere Kommunikation zum Teil oder ganz den grundlegenden Prinzipien der Quantenmechanik unterliegen.

Die nachfolgenden Modelle sind bisher nicht in einem Blog enthalten und werden hier erstmalig vorgestellt:

Modell 5 – Variationsmodell der Quantum Team Kommunikation: Dieses hybride Modell weist wie Modell 4 die Big Five Persönlichkeitspräferenzen Qubits zu. Diese Persönlichkeitspräferenzen dienen jedoch lediglich als Startwerte für eine Variationsrechnung. Ausgehend von den Startwerten werden mittels klassischer Variation Qubit-Superpositionen erzeugt. Ziel ist es, mittels Variation einen vollständigen verschränkten CM Zustand für eine ausgewählte Persönlichkeitsdimension (zum Beispiel die der Offenheit) zu finden. Es zeigt sich, dass ein solcher verschränkter Zustand existiert, wenn andere Persönlichkeitsdimensionen von den Startwerten abweichen. Im Beispiel-Team führt dies u.a. dazu, dass die unbestimmte Persönlichkeitspräferenz Gewissenhaftigkeit des Teammitgliedes Alice sich in eine Persönlichkeitsdimension Gewissenhaftigkeit mit geringer Präferenz wandeln muss. Dies zeigt an, dass sich ein CM oft nur dann ausbilden kann, wenn die Teammitglieder ihre persönlichen Präferenzen dem gemeinsamen Ziel oder der gemeinsamen Vision unterordnen. Mit diesem Modell ist es auch möglich, optimalere Teampräferenzen, mit denen sich ein CM leichter ausbildet, per Variation zu finden.

Modell 6 – Ising Modell der Team-Interaktion: Dieses Quantum Modell läuft auf der d-wave Hardware. Hierzu werden die Big Five Persönlichkeitspräferenzen in Qubit-Zustände umgesetzt, deren Wechselwirkungen über ein Ising-Modell erfasst werden (siehe Abbildung 1) – Jedes Teammitglied wird mittels n Qubits modelliert. Für jede der n Persönlichkeitsdimensionen ein Qubit.

Abbildung 1: Energie des Ising-Models, in dem die Qubits als Spins (magnetische Momente) s_imodelliert werden und deren Paar-Wechselwirkung durch J_ij.

Die Qubit-Paar-Wechselwirkungen J_ij stellen eine Matrix dar (siehe auch Modell 3 und dort die Verwendung einer Ähnlichkeitsmatrix). Die Einzelenergie h_iund die Paar-Wechselwirkungen J_ijwerden leider per Intuition festgelegt. – Derzeit kenne ich keinen praktikablen Weg die Qubit Einzelenergie und die Qubit-Paar-Wechselwirkungen aus grundsätzlichen Modellen wie Modell 3 abzuleiten. Es wird zum Beispiel statt dessen angenommen, dass nur gleiche Persönlichkeitsdimensionen wechselwirken und gleiche Präferenzen das CM positiv beeinflussen und ungleiche Präferenzen das CM negativ beeinflussen. Unter Berücksichtigung dieser ‚intuitiven‘ Festlegung des Ising-Modells lassen sich Teammodelle auf ihre Eignung zur Ausbildung eines CM überprüfen.
Dieses Modell ist sehr einfach skalierbar sowohl in der Anzahl an Teammitgliedern als auch in der Aufnahme von zusätzlichen Persönlichkeitscharakteristika wie Werten oder Motiven.

Modell 7 – Variationsmodell des QC Schaltkreis Ansatzes der Team-Kommunikation: Der sogenannte Quantum Schaltkreis Ansatz bedeutet, dass eine Kombination von Quanten-Schaltkreisen ausgewählt wird, um die Realität zu modellieren. Dieser Ansatz wird derzeit von nahezu allen QC Hardware Anbietern unterstützt.
Die Auswahl der Schaltkreise ist jedoch mehr oder weniger ambivalent. Die Auswahl ist auf keinen Fall stringent, da es nach meinem bisherigen Kenntnisstand keinen direkten Zusammenhang zwischen Schaltkreis-Ansatz und Problemstellung gibt. Der Quantum Schaltkreis Ansatz ist ein hybrides Modell, in dem ein quantenmechanisches Modell von ‚außen‘ klassisch variiert wird, bis der CM in einer bestimmten Variation erreicht ist. Diese ‚klassische‘ Variation wird durch geeignete Anpassung von Parametern in den QC Schaltkreisen erreicht. Die Anpassung erfolgt durch ML Optimierer mit oder ohne neuronale Netzwerke. Der Ansatz wird experimentell oder über eine exakte Berechnung für kleine Problemdimensionen validiert.– Diese Vorgehensweise wird meines Erachtens in (nahezu) allen QC Algorithmen verwendet, die auf Schaltkreisen beruhen und eine wissenschaftliche oder industrielle Anwendbarkeit verfolgen. In unserem Fall habe ich das Setting aus Modell 4 übernommen und den Ansatz mehrmals angepasst, um eine vollständige Verschränkung zu erreichen und dafür zu sorgen, dass der Überlapp der Wellenfunktionen aus Modell 4 und dem hiesigen Modell vollständig ist. Damit stelle ich sicher, dass der Ansatz nicht völlig beliebig ist. Der ausgewählte Schaltkreis muss mindestens ein Schaltkreiselement enthalten, das über Parameter variiert werden kann. Typisch ist die Rotation der Qubits entlang einer der drei Raum Axen. Die Rotationswinkel sind in diesem Fall die Parameter, die von außen mittels klassischer Variation verändert werden. In unserem Modell werden die Y-Rotationswinkel von N RY-Schaltkreisen (N = Anzahl der Persönlichkeitsdimensionen*Anzahl an Teammitgliedern) variiert bis sich eine vollständige Verschränkung in den ausgewählten Persönlichkeitsdimensionen eingestellt hat.

Abbildung 2: Beispiel Quanten-Schaltkreis für zwei Qubits, die zwei interagierende Personen oder zwei interagierende Persönlichkeitsdimensionen repräsentieren.

Ich erläutere im Folgenden den einfachen Quantenschaltkreis aus Abbildung 2, da dieser die grundlegende Idee der Quanten-Wellenfunktion in der Quantum Cognition und der Quantum Team Kommunikation gut wiedergibt.

Betrachtet man den gezeigten Quantenschaltkreis aus der Perspektive von Quantum Cognition oder von Quantum Team Kommunikation, so lässt sich der abstrakte mathematische quantenmechanische Formalismus auf eine Situation mit zwei Personen/Akteuren oder Agenten übertragen: In dem Bild steht Qubit 1 für die mentale oder kommunikative ‚Welle‘ von Person A und Qubit 2 für die von Person B. Die einzelnen quantenmechanischen Operationen können dann als kognitive oder kommunikative Prozesse interpretiert werden, bei denen Überzeugungen, Erwartungen oder Informationsinhalte von A und B miteinander in Beziehung gesetzt, transformiert und anschließend gemeinsam ausgewertet (gemessen) werden.

Ausgangszustand ∣Ψ⟩:
Zunächst gehen wir davon aus, dass ∣Ψ⟩ den anfänglichen ‚gemeinsamen kognitiven Zustand‘ von Person A und Person B darstellt. Dieser Zustand kann bereits ein bestimmtes Maß an Unsicherheit, Superposition von Meinungen oder Perspektiven enthalten, in denen sowohl A als auch B noch nicht festgelegte Standpunkte haben. Es könnte sich zum Beispiel um ein gemeinsames Thema handeln, zu dem beide Personen eine innere Haltung entwickeln, aber noch nicht klar ist, welche Resultate oder Meinungen sich herauskristallisieren.

Person A (Qubit 1) – Hadamard-Gatter (H):
Das Hadamard-Gatter auf Person A’s Qubit lässt sich als ein „Perspektivwechsel“ oder als ein Wechsel von einer klaren, eindeutigen Überzeugung zu einem Zustand interpretieren, in dem Person A’s Meinung oder Einstellung gegenüber dem Thema in einer Superposition zweier gegensätzlicher Einstellungen liegt. Vor der Anwendung des Hadamard-Gatters könnte Person A eine relativ klare Meinung gehabt haben (z. B. Zustimmung = 1 oder Ablehnung = 0). Durch die Hadamard-Operation wird Person A’s innere Haltung in eine Überlagerung gebracht, in der A gleichzeitig eine gewisse Neigung zur Zustimmung und zur Ablehnung aufweist, aber eben noch nicht determiniert ist. In der Sprache der Teamkommunikation könnte dies bedeuten, dass Person A versucht, die Thematik aus einem anderen Blickwinkel zu betrachten, offen für neue Interpretationen ist oder sich von einem eindimensionalen zu einem breiteren Wahrnehmungsrahmen bewegt.

CNOT-Gatter zwischen Person A (Control) und Person B (Target):
Das CNOT-Gatter kann man als einen Prozess des kommunikativen Einflusses oder der kognitiven Kopplung interpretieren. Person A’s Zustand (nach dem Perspektivwechsel durch das H-Gatter) fungiert als eine Art ‚Steuerung‘ für Person B’s Einstellung. Ist Person A’s Haltung nach dem Hadamard und im Kontext des gemeinsamen Themas in eine Richtung, repräsentiert durch den Zustand 1, geneigt, so ändert sich daraufhin Person B’s innerer Zustand (z. B. von Zustimmung zu Ablehnung oder umgekehrt). Ist A in Richtung 0, bleibt B’s Haltung unverändert. Dieses Modell versucht, die Idee einzufangen, dass die neu gewonnene Offenheit oder Unsicherheit von Person A direkten Einfluss auf B’s innere Einstellung haben kann—etwa indem Person A gewisse Zweifel oder Ideen äußert, die Person B dazu bringen, ihren eigenen mentalen Zustand zu revidieren.

In der Teamkommunikation könnte man sagen: Durch den Denk- oder Argumentationsschritt, den Person A vollzieht (repräsentiert durch das Hadamard-Gatter), eröffnet sich ein neuer Möglichkeitsraum von Überzeugungen. Das CNOT symbolisiert dabei, dass Person B auf diese neue, komplexe Haltung von A reagiert und dadurch selbst ihren Standpunkt anpasst oder in Frage stellt. Auf diese Weise entstehen potenzielle Korrelationen zwischen den beiden mentalen Zuständen.

Messung:
Schließlich werden beide Qubits gemessen. Dies entspricht dem Moment im Teamprozess, an dem A und B ihre Meinungen äußern oder festnageln—sei es durch eine abschließende Entscheidung, ein Votum oder eine konkrete Stellungnahme. Die Messung transformiert den vorher unbestimmten, superponierten Zustand in ein klares Resultat: Beide Personen legen sich letztlich auf eine konkrete Haltung fest (0 oder 1).

Von der Warte der Quantum Cognition lässt sich die Messung als Übergang von potenziellen kognitiven Zuständen (Superpositionen von Optionen, Unsicherheiten, Überlagerungen von Bedeutungen) zu einem klaren, beobachtbaren Ergebnis deuten. Wenn A und B schließlich kommunizieren, Einigungen erzielen oder Positionen darstellen, ‚kollabiert‘ der gemeinsame kognitive Zustand in ein bestimmtes, messbares Resultat.

Fazit im Kontext von Quantum Cognition / Quantum Team Kommunikation:

Die Vorbereitungsbox ∣Ψ⟩ steht für den initialen kognitiven Gesamtzustand des Teams (A und B), der vielleicht eine gemischte oder unklare Haltung zu einem Thema enthält.
Das Hadamard-Gatter auf Person A entspricht einem Perspektivwechsel oder einer Öffnung für neue Sichtweisen.
Das anschließende CNOT-Gatter zeigt, wie Person A’s nun veränderte Sichtweise Person B’s mentalen Zustand beeinflusst und potenziell verschränkt oder zumindest miteinander kognitiv koppelt.
Die abschließende Messung repräsentiert den Moment der Festlegung, in dem aus den zuvor unbestimmten, interaktiven kognitiven Zuständen klare, beobachtbare Meinungen oder Handlungsentscheidungen abgeleitet werden.

So hilft uns Abbildung 2, den Prozess als eine Art gemeinschaftliches, quanten-ähnliches ‚Denken‘ zu verstehen, in dem Zustände nicht binär und fix sind, sondern sich durch Interaktion, Perspektivwechsel und finale Äußerungen in ein bestimmtes Ergebnis transformieren.

Zusammenfassend stelle ich fest:

Modell 1 – Agent Based Modelling erlaubt mit einfachen Mitteln das Studium von (nahezu) allen grundlegenden Team Eigenschaften. Bei Ausbau in Richtung AI und QC gibt es kaum Einschränkungen der Aussagekraft.

Modell 2 und 3 – Ähnlichkeitsmatrix hat mit Abstand die praktischste Aussagekraft hat und kann unmittelbar die Team Kommunikation in einem Hybriden Kollektiven Intelligenz Ansatz aus Mensch und Maschine aktiv unterstützen

Modell 4 und 5 – Quantum Team Kommunikation stellen die Modelle dar, in die derzeit am wenigsten Annahmen einfließen. Es fließen nur zwei Annahme ein: Der CM Zustand wird als verschränkter Zustand verstanden und die Team-Interaktion unterliegt (auch) der Quantum Probability Theory. Diese Modelle eröffnen damit den Zugang zu einem völlig neuen Verständnis von menschlicher Kommunikation.

Modell 6 – Ising Modell ist als quantenmechanisches Modell sehr einfach, enthält jedoch (derzeit noch) die meisten Annahmen und dient damit eher zur Sondierung der Ergebnisse aus den anderen Modellen.

Modell 7 – Quanten Schaltkreise ist als quantenmechanisches Modell recht einfach. Vermittelt einerseits Metapher-ähnliche Einblicke in die quantenmechanische Interpretation der Team Kommunikation andererseits fehlt (mir derzeit) der intuitive Zugang, den die Modell 4 und 5 haben.

Die nachfolgende Tabelle 1 fasst die zentralen Modell-Charakteristika zusammen:

Modell	Kategorie	Einschränkung	Aussagekraft
1 – Agent Based Modelling der Team-Interaktionen	Klassisch (hybrid, bei Ausbau mittels Quantum Cognition)	Derzeit meistens noch einfache klassische Agenten	Grundlegende Aussagen zur CM-Dynamik in unterschiedlichen Teams
2 – Eigenvektoren der CM Ähnlichkeitsmatrix Analyse	Klassisch	Geringe Skalierung	Für kleine Teams: CM Stärke und Beitrag jedes Teammitglieds zum CM
3 – Ising-Modell der CM Ähnlichkeitsmatrix Analyse	Hybrid (Klassisch mit Quantum Variation)	–	CM Stärke und Beitrag des Teammitglieds zum CM, einfache Interpretation des CM Potentials von Teams mittels einer Energielandschaft
4 – Quantum Cognition der Team Kommunikation	Quantum (Berechnung auf klassischem Rechner)	Keine Skalierung	Für kleine Teams: Erstaunliche qualitative Übereinstimmung bzgl. Teamdynamik zwischen Theorie und Erfahrung
5 – Variationsmodell der Quantum Team Kommunikation (basierend auf Modell 4)	Hybrid mit klassischer Variation (Berechnung auf klassischem Rechner)	Keine Skalierung	Für kleine Teams: Aussage zu ‚optimalen‘ Teams und Einblick in die Anpassungs-notwendigkeiten der Team-Persönlichkeiten
6 – Ising Modell der Team-Interaktion	Quantum	Mappen auf Ising-Modell mit intuitiven Annahmen aus den Modellen 4 und 5	Aussagen zu optimalen Teams, ähnlich wie Modell 5, jedoch unter Berücksichtigung der Einschränkungen
7 – Variationsmodell des QC Schaltkreis Ansatzes der Team-Kommunikation	Hybrid mit klassischer Variation	Mappen auf QC-Schaltkreise	‚Metaphorische‘ Erklärung einer Quantum Cognition bzw. Quantum Team Communication auf der Basis von einzelnen Schaltkreisen, Auffinden optimaler Teams

Tabelle 1: Übersicht der Modell-Charakteristika der sieben Modelle

AI & M 4.0: Hybride Collective Intelligence (CI) – Verarbeitungspipeline: Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan – Ergänzungen

In diesem Blog-Beitrag ergänze ich den vorherigen Blog-Beitrag zur hybriden Collective Intelligence: Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan.

Ich behandle drei Ergänzungen:

Textueller Projektstrukturplan: Ein Projekt Management Kollege hat sich ebenfalls unlängst in dem IPMA Blog [1] mit der Frage beschäftigt, ob eine KI einen Projektmanager bei der Erstellung eines Projektplans unterstützen kann. Seine Prompts hat er im Blog gelistet, jedoch nicht die von chatGPT erzeugten Ergebnisse. Ich kann auch nicht entnehmen, ob er chatGPT oder chatGPTplus verwendet hat. Die Ergebnisse sind nach seinen Aussagen durchweg positiv: Es wurde ein Gantt-Diagramm erzeugt. Da meine Ergebnisse im letzten Blog-Beitrag jedoch keineswegs so positiv waren, möchte ich dies nochmals überprüfen.

Big Picture mittels Bildgeneratoren: Die Ziel-Hierarchie als Ausgangspunkt für den Projektstrukturplan und damit für einen Projektplan stellt in der Selbstorganisation gemäß Management 4.0 den zentralen Ordnungsparameter dar. Dieser Ordnungsparameter wird auf der obersten Ebene, der Vision, im Idealfall durch ein Big Picture geankert. Also möchte ich die textuelle Vision, durch Bildgeneratoren wie DALL.E 2 [2] und Stable Diffusion [3], in eine Bilddarstellung umsetzen. – Midjourney wollte ich ebenfalls verwenden. – Jedoch habe ich darauf verzichtet, da Midjourney inzwischen kostenpflichtig ist. – Die neue Version DALL.E 3 ist zum Zeitpunkt der Blog-Erstellung noch nicht verfügbar.

Google Bard: Google hat gerade den chatBot Bard veröffentlich. Ich möchte die im letzten Blog-Beitrag aufgezeigte Collective Intelligence -Verarbeitungspipeline mit Bard überprüfen.

Textueller Projektstrukturplan:
Das erste Ergebnis hat mich überrascht: Weist man chatGPTplus an, auf der Basis der Ziel-Hierarchie des letzten Blog-Beitrages einen textuellen Projektstrukturplan zu erstellen, liefert chatGPTplus sogar mit den dort verwendeten Ressourcen und den Vorgangsabhängigkeiten (Vorgängern) einen sauberen Projektstrukturplan als Tabelle im Standard-Output-Format von chatGPTplus. Ein Gantt-Diagramm wird in einem Fenster, wie es für die Python-Code-Generierung verwendet wird, ausgegeben. In meinem Fall ist das Gantt-Diagramm horizontal und vertikal abgeschnitten, da offensichtlich zu viele Einträge vorliegen. Die Darstellung erinnert an die ehemalige Darstellung von Tabellen im MS-DOS Format. Da die Einträge zu lang sind, ist Alles durcheinander gewirbelt. – Also kein wirklich gutes Ergebnis. Da chatGPTplus in textueller Form einen perfekten Projektstrukturplan erzeugt hat, bitte ich das System um einen entsprechenden Python-Code für die Erzeugung einer CSV-Datei zum Import in MS Project. Leider war das System auch auf dieser Basis nicht in der Lage das textuelle Wissen in Code Wissen umzusetzen. – Es tauchten wieder die schon im vorherigen Blog geschilderten Unzulänglichkeiten auf. – Zwischen den beiden word embeddings (Text und Code) scheint es offensichtlich keine Brücke in chatGPTplus zu geben. Leider ist der textuelle Projektstrukturplan auch nicht in eine CSV-Datei kopierbar, so dass meines Erachtens der so gewonnene Nutzen überschaubar bleibt.

Big Picture mittels Bildgeneratoren:
Wie schon in den vorherigen Blog-Beiträgen angesprochen, halte ich von dem sogenannten Prompt-Engineering nichts: Es ist das menschliche Abtasten des word embeddings in dem AI System: In den meisten Fällen genügt es jedoch als Experte die Prompts zu formulieren und das AI-System reagiert entsprechend gut. Falls nicht, ist es nicht die Aufgabe des Menschen, sich auf das word embedding des AI-Systems einzustellen, sondern umgekehrt. – Openai trägt dieser Anforderung mit DALL.E 3 Rechnung.

In den Bildgeneratoren DALL.E 2 und Stable Diffusion führt die Prompt-Eingabe der Küchenmanufaktur Vision zu nicht vorzeigbaren Ergebnissen. Meistens war noch nicht einmal irgendetwas von einer Küche zu sehen. Ich greife etwas voraus, denn ich habe google Bard gebeten, ein Bild zu erzeugen. Und tatsächlich erzeugt Bard eine textuelle Bild-Beschreibung, die die Vision des Unternehmens Küchenmanufaktur wiedergibt. Die Bild-Beschreibung ist umfangreich und erstaunlich kreativ. Einen Teil dieser Bild-Beschreibung habe ich den Bildgeneratoren als Prompt eingegeben – nur einen Teil, da die Anzahl der Zeichen für die Prompt-Eingabe begrenzt ist. Hier die Prompt-Eingabe in Englisch (das Bard Original ist in Deutsch):

Create an image for the following description:

In a modern kitchen studio, a family is sitting at the dining table enjoying a meal together. The kitchen is packed with smart kitchen appliances from KüchenManufaktur.
The refrigerator automatically detects what food is missing and orders it from an online retailer. The stove can be controlled by voice, so mom can concentrate fully on cooking. The dishwasher cleans itself after the meal.
The family is happy and satisfied with their smart kitchen appliances. They are grateful for the time saved, the convenience and the additional functions.
The mother sits at the stove and cooks a delicious dish. She smiles and is relaxed. The father is sitting at the dining table talking to the kids. The children are laughing and playing.
The refrigerator opens automatically and puts the needed ingredients on the stove. The stove starts to cook. The dishwasher cleans itself independently after the meal.

Die Ergebnisse der beiden Bildgeneratoren ist ernüchternd und gleichzeitig zum herzhaften Lachen: Abbildung 1 zeigt zwei ausgewählte Bilder, andere Bilder hatten oft Garnichts mit dem Thema zu tun oder glichen vorwiegend eher langweiligen Bildern aus Möbelhäusern der Jahre 1950-2000.

Man beachte im ersten Bild die Gemüseschüssel auf dem Boden – ohne Tisch, ohne Personen – generiert von Stable Diffusion und im zweiten Bild die verzerrten Gesichter und das Loch oben im Kühlschrank generiert von DALL.E 2.

Wenn Teams in Management 4.0 Trainings aufgefordert werden, das Ergebnis ihres KüchenManfuktur-Projektes zu skizzieren, zeichnen sie auch manchmal einen Kühlschrank, der an einer äußeren Hausmauer steht. Und, die Hausmauer und der Kühlschrank haben eine kleine Öffnung, durch die ein Lebensmittellieferdienst den Kühlschrank von außen befüllen kann, entsprechend der Anforderung, der Kühlschrank füllt sich von alleine :-).

Abbildung 1: Linkes Bild generiert von Stable Diffusion [2], rechtes Bild generiert von DALL.E 2 [3]

Nach meinen bisherigen guten Erfahrungen mit Bildgeneratoren ein enttäuschendes Ergebnis.

Google Bard:
Google hat gerade sein neuestes Generatives Neuronales Netzwerk, genannt Bard, veröffentlicht [4]. Ich möchte herausfinden, ob Bard in der Lage ist, einen Projektstrukturplan als CSV-Input für MS Project zu erzeugen: Ich durchlaufe die Verarbeitungspipeline, ähnlich wie für chatGPTplus, und lasse ein Business Model Canvas und eine Ziel-Hierarchie erzeugen. Das Business Model Canvas und die Ziel-Hierarchie sind meines Erachtens nicht ganz so geeignet, wie diejenigen von chatGPTplus. Bard liefert dafür, wie weiter oben schon verwendet, eine sehr gute Bild-Beschreibung der KüchenManufaktur Vision.

Ich bitte um die Erstellung eines textuellen Projektstrukturplans auf der Basis des unten angegebenen Prompts [5]. Abbildung 2 zeigt einen Auszug des erstaunlich guten Ergebnisses: Bard hat das Konzept der Sammelvorgänge recht gut verstanden, wenngleich noch Probleme bei der Dauer-Aggregation vorliegen und die geforderte Vorgänger-Logik nicht vorhanden ist.

Abbildung 2: Screen-Shot der Bard Web-Oberfläche mit einem Auszug des textuellen Projektstrukturplans.

Bard bietet an, diesen textuellen Projektstrukturplan als google sheet zu exportieren. Leider funktioniert dies nicht, das Sheet ist leer.

Bei der Erzeugung eines Python-Programmes für einen CSV-Import des Projektstrukturplans in MS-Project scheitert Bard schon bei der korrekten Erstellung der CSV-Datei. – Rückgemeldete Fehler werden als behoben gemeldet, jedoch sind sie nicht behoben. – Hier ist chatGPTplus deutlich besser!

Zusammenfassend stelle ich fest, dass sowohl chatGPTplus als auch Bard noch erhebliche ‚Kinderkrankheiten‘ haben und derzeit ein Einsatz im Projekt Management noch mit recht vielen Hürden und Unzulänglichkeiten verbunden ist.

[1] Ram J (2023) Role Prompting and Creation of a Project Management Plan – How ChatGPT could help in the creation of information that can be used for writing a project management plan?, https://ipma.world/role-prompting-and-creation-of-a-project-management-plan/, veröffentlicht am 21.08.2023, zugegriffen am 21.09.2023

[2] Stable Diffusion (2023) https://stablediffusionweb.com/#demo, zugegriffen am 21.09.2023

[3] DALL.E 2 (2023) https://openai.com/dall-e-2, zugegriffen am 21.09.2023

[4] Bard (2023) bard.google.com, zugegriffen am 21.09.2023

[5] Prompt für google Bard zur Erzeugung eines Projektstrukturplans:
Weiter oben hast Du einen Vorschlag für eine Ziel-Hierarchie gemacht, wir nehmen diese Ziel-Hierarchie und wollen hieraus einen Projektstrukturplan erstellen. Der Projektstrukturplan soll die Spalten Vorgang, Dauer, Ressource und Vorgänger enthalten. Vorgänge sind die Sub-Ziele. Die übergeordneten Ziele in der Ziel-Hierarchie sind spezielle Vorgänge, sogenannte Sammelvorgänge. Bitte mache selbst für die Dauer der Vorgänge geeignete Vorschläge zu jedem Sub-Ziel. Als Ressourcen nehmen wir fünf Team-Mitglieder, die wir Peter, Claudia, Sonja, Thomas und Mechthild nennen. Bitte verteile die Ressourcen auf die Vorgänge. Falls eine Ressource mehreren Vorgängen zugeordnet wird, so berücksichtige, dass eine Ressource zu einem Zeitraum nur einen Vorgang bearbeiten soll. In der Spalte Vorgänger soll angegeben werden welcher Vorgang welchem anderen Vorgang vorausgeht, um sicherzustellen, dass eine Ressource nur einen Vorgang zu einem Zeitraum bearbeitet. Behalte die Nummerierung der Ziel-Hierarchie für den Projektstrukturplan bei und verwende in der Spalte Vorgänger diese Nummern, um den Vorgänger zu kennzeichnen.

AI & M 4.0: Hybride Collective Intelligence (CI)-Verarbeitungspipeline: Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan

Die Ziel-Hierarchie ist im Management 4.0 der zentrale Ordnungsparameter der Selbstorganisation: Sie dient sowohl der Ausrichtung des Projektteams als auch der Kommunikation mit den Stakeholdern und deren Ausrichtung an der Projektarbeit.

Unter einer hybriden Collective Intelligence Verarbeitungspipeline (CI-Verarbeitungspipeline) verstehe ich eine Abfolge von Verarbeitungsschritten, die im Idealfall vollautomatisch abläuft und durch die hybride Collective Intelligence von Mensch und Künstlicher Intelligenz erstellt wurde.

Die CI-Verarbeitungspipeline ‚Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan‘ ist ein Beispiel für die Ausgestaltung von Projektarbeit mittels hybrider Collective Intelligence. In dem gerade in Veröffentlichung befindlichen Buchbeitrag ‚Collective Intelligence von KI und Mensch in der Projektarbeit – Ein Rahmenwerk auf der Basis von ICB 4.0 und Management 4.0‘ skizzieren meine Kolleg(inn)en von der GPM Fachgruppe Agile Management und ich die hybride Collective Intelligence für alle Perspektiven der IPMA Individual Competence Baseline 4.0.

Ich überprüfe in diesem Beitrag, ob es möglich ist, mit Hilfe von chatGPTplus eine Ziel-Hierarchie zu erstellen, die in einen Projekt Plan transformiert werden kann. – Im Idealfall soll die Ziel-Hierarchie aus einem Business Plan abgeleitet werden. – Eine Aufgabe, die ohne AI-Unterstützung recht viel menschliche Kreativität und Handarbeit erfordert.

Ich benutze zur Überprüfung der Machbarkeit wieder das schon in den vorherigen Blog-Beiträgen verwendete Beispiel der Küchenmanufaktur. Die folgende CI-Verarbeitungspipeline beruht auf mehreren vorausgegangenen Tests, in denen ich einzelne Abschnitte der CI-Verarbeitungspipeline ausprobiert habe. Die bereinigte CI-Vereinigungspipeline startet mit dem folgenden chatGPTplus Prompt:

Ein Unternehmen, das wir KüchenManufaktur nennen, stellt sogenannte Weiße Ware, also u.a. Herde, Kühlschränke und Gefrierschränke her. Bisher hat das Unternehmen KüchenManufaktur diese Weiße Ware ohne große Digitalisierungsfunktionen hergestellt. Jetzt soll die Weiße Ware smart werden und als Life Style Produkt positioniert werden. Der Einsatz von smarter Technologie kann auch den Einsatz von AI oder ML beinhalten. Zum Beispiel könnte eine zukünftige Anforderung für einen Kühlschrank beinhalten, dass ‚er sich von alleine füllt‘. ‚Von alleine füllen‘ bedeutet, dass er über ein intelligentes Füllmanagement verfügt, das u.a. Zugriff auf Lebensmittellieferanten hat.

Es geht also um die Digitale Transformation des Unternehmens KüchenManufaktur. Die Digitale Transformation soll mittels eines Projektes durchgeführt werden. In einem ersten Schritt ist ein Business Plan für die Digitale Transformation zu erstellen. Kannst Du mir bei der Erstellung eines Business Plans helfen? Welches Werkzeug schlägst Du für die Erstellung des Business Plans vor?

Nach Eingabe dieses Prompts liefert chatGPTplus eine Lehrbuch-Aussage, zu den Kapiteln eines Business Plans. Ich gehe hier nicht weiter auf dieses Ergebnis ein, da sich hieraus keine inhaltlichen Aussagen für die CI-Verarbeitungspipeline ableiten lassen.

Also stupse ich chatGPTplus in die von mir gewünschte Richtung und gebe in einem Prompt Business Model Canvas als Tool vor. – Damit greife ich auf die des Öfteren gemacht Erfahrung zurück, dass die Collective Intelligence aus AI und meiner Person sich nur zeigt, wenn ich als Mensch über hinreichendes Fachwissen verfüge, so dass ich in der Lage bin, der AI eine Such-Richtung mitzugeben.

Auf dieser Basis kann sich das Ergebnis meines Erachtens sehen lassen (chatGPTPlus Aussage):

Natürlich, ich kann Ihnen helfen, ein Business Model Canvas für die digitale Transformation des Unternehmens KüchenManufaktur zu erstellen. Hier sind meine Vorschläge für jedes Segment des Business Model Canvas:

Kundensegmente: Haushalte und Unternehmen, die an modernen, intelligenten Küchengeräten interessiert sind. Dazu gehören umweltbewusste Kunden, Technikaffine und diejenigen, die nach Komfort und Effizienz streben.
Wertangebote: Smarte Küchengeräte, die KI und ML-Technologien nutzen, um das Benutzererlebnis zu verbessern. Funktionen könnten eine automatische Nachbestellung von Lebensmitteln, Energieeffizienz, personalisierte Kochempfehlungen basierend auf den im Kühlschrank vorhandenen Lebensmitteln und Fernsteuerung der Geräte über eine App enthalten.
Kanäle: Direkte Verkaufskanäle wie die firmeneigene Website und der firmeneigene Laden, sowie Drittanbieter-Einzelhändler, Online-Marktplätze und Partnerunternehmen in der Lebensmittel- und Technologieindustrie.
Kundenbeziehungen: Aufbau langfristiger Beziehungen durch erstklassigen Kundenservice, regelmäßige Updates und Verbesserungen der intelligenten Funktionen, Nutzer-Communitys und personalisierte Kommunikation.
Einnahmequellen: Verkauf der smarten Geräte, möglicherweise auch Abonnementdienste für erweiterte Funktionen oder Services. Kooperationen mit Lebensmittellieferanten könnten auch zu Einnahmen führen, z.B. durch die Integration von Lebensmittellieferdiensten in die intelligenten Geräte.
Schlüsselressourcen: Das Forschungs- und Entwicklungsteam, das die smarten Geräte und die dazugehörige Software entwickelt. Die Marke und der Ruf von KüchenManufaktur. Beziehungen zu Lieferanten und Vertriebspartnern.
Schlüsselaktivitäten: Forschung und Entwicklung von smarten Geräten und dazugehöriger Software. Aufbau und Pflege von Beziehungen zu Lieferanten und Vertriebspartnern. Marketing und Verkauf der smarten Geräte.
Schlüsselpartner: Lebensmittellieferanten, Technologiepartner für die Bereitstellung von KI/ML-Funktionen, Einzelhändler und Online-Marktplätze.
Kostenstruktur: Kosten für Forschung und Entwicklung, Produktion der smarten Geräte, Vertrieb, Kundenservice und allgemeine Betriebskosten.

Ich frage nach einer weiteren Ausgestaltung und einer dazugehörigen Strategie. Aufgrund des Umfanges der chatGPTplus Antwort, gebe ich hier nur einen Auszug der Ausgestaltung und der vorgeschlagenen Strategie wieder:

Kundensegmente:

Sie könnten untersuchen, welche Altersgruppen am wahrscheinlichsten an Ihren Produkten interessiert sein könnten. Junge Erwachsene könnten eher an technisch ausgereiften Geräten interessiert sein, während ältere Menschen Wert auf Bequemlichkeit legen könnten.
In welchen geografischen Märkten sind smarte Küchengeräte besonders gefragt? Dies könnte Ihnen helfen, Ihre Vertriebs- und Marketingstrategie anzupassen.

Die von chatGPTplus abgeleitete Strategie sieht dann so aus (chatGPTplus Ausgabe):

Auf der Grundlage des Kontexts, den Sie zur Verfügung gestellt haben, könnte die folgende Strategie für die digitale Transformation der KüchenManufaktur in Betracht gezogen werden:

Produktentwicklung und Positionierung: Entwickeln Sie Ihre Produktpalette weiter, um smarte Funktionen einzuschließen. Fokussieren Sie sich auf KI/ML-Fähigkeiten, um einzigartige und personalisierte Benutzererfahrungen zu ermöglichen. Positionieren Sie Ihre Produkte als High-End-Lifestyle-Produkte.
Marktausrichtung: Zielmarkt könnten technologieaffine junge Erwachsene und Berufstätige sein, die einen aktiven und modernen Lebensstil pflegen. Betrachten Sie sowohl städtische als auch suburban gelegene Märkte, die eine hohe Konzentration dieser Zielgruppe aufweisen.
Vertriebskanäle: Nutzen Sie sowohl Online- als auch Offline-Kanäle. Online können Sie eine E-Commerce-Plattform entwickeln und auf Plattformen wie Amazon und eBay präsent sein. Offline können Sie Showrooms eröffnen, wo die Kunden die Produkte erleben können. In Betracht kommen auch Partnerschaften mit Bauunternehmen oder Immobilienentwicklern.
Kundenbindung: Entwickeln Sie ein umfassendes Kundenerlebnis. Bieten Sie Installations- und Wartungsdienste an und entwickeln Sie eine digitale Plattform/App, auf der Benutzer Rezepte austauschen, Kochkurse ansehen und sogar Lebensmittel bestellen können, die direkt mit Ihrem smarten Kühlschrank synchronisiert werden.
Partnerschaften: Schließen Sie Partnerschaften mit Lebensmittellieferanten, um ein integriertes Ökosystem zu schaffen. Denken Sie auch an Kooperationen mit Ernährungsberatern und Kochschulen.
Operative Effizienz: Automatisieren Sie, wo es sinnvoll ist, Ihre Produktionsprozesse und nutzen Sie die durch Ihre smarten Geräte generierten Daten, um Ihre Prozesse und Angebote zu optimieren.
Einnahmequellen: Generieren Sie Einnahmen durch den Verkauf von Produkten und zusätzlichen Dienstleistungen, Werbung auf Ihrer Plattform und möglicherweise durch den Wiederverkauf von renovierten Gebrauchtgeräten.

Nachdem ich chatGPTplus darum bitte, die Vision nicht in die Ziel-Hierarchie beginnend mit Nummer 1. einzubauen, erhalte ich die unten gelistete Ziel-Hierarchie. – Der nicht erwünschte Einbau der Vision als Nummer 1. in die Ziel-Hierarchie führt im Projektplan zu einer ungünstigen Struktur. Um dies zu erkennen und zu beheben, musste ich mehrere Kommunikationsrunden mit chatGPTplus durchlaufen. Außerdem habe ich für den späteren Projekt Plan Projektmitarbeiter eingeführt, die chatGPTplus nach eigener Einschätzung auf die Sub-Ziele verteilen soll. – Hier ist auch ein Hinweis notwendig, dass übergeordneten Zielen keine Ressourcen zugeordnet werden, da die Zuordnung lediglich auf Sub-Ziel-Ebene erfolgt. – Man kann an diesen notwendigen Hinweisen erkennen, dass chatGPTplus derzeit über kein wirkliches PM-Know how verfügt. Das Ergebnis ist mit diesen (kleinen) Einschränkung wieder beeindruckend (zuerst mein Prompt):

Bitte baue die einzelnen Elemente der Business Model Canvas und die dazugehörige Strategie noch etwas besser ein und liste in Klammern vielleicht hinter jedem Ziel bzw. Sub-Ziel mögliche oben schon genannte Ressourcen. Bitte nimm ‚Digitale Transformation der KüchenManufaktur‘ aus der Nummerierung raus, es ist ja der Name des Projektes und ergänze den Namen des Projektes um eine Vision, die das Projekt als Vision gut beschreibt, so dass das zukünftige Projektteam an diesem Namen und der Vision mental ausgerichtet wird.

Abbildung 1: Ein Ziel-Hierarchie Ergebnis von chatGPTplus bei vorgeschaltetem Business Model Canvas (Um zu vergrößeren: Bild mit rechter Maustaste in neuem Browser-Fenster öffnen.)

Anschließend bitte ich chatGPTplus, um die Erzeugung eines Python-Codes, der die Ziel-Hierarchie als gerichteten Graphen visualisiert. Das Ergebnis ist wieder erstaunlich gut, zumal ich weiß, dass vor einigen Wochen die Python-Code-Generierung hierzu noch keine gut lesbaren Ergebnisse lieferte. Der Python Code verwendet die folgenden Bibliotheken: NetworkX-Graph, Matplotlib und Pandas.

Abbildung 2: Visualisierung einer Ziel-Hierarchie ohne vorgeschaltetes Business Model Canvas (Um zu vergrößeren: Bild mit rechter Maustaste in neuem Browser-Fenster öffnen.)

chatGPTplus hat die Namen der fünf Teammitglieder Peter (P), Claudia (C), … selbständig als Knoten in den Hierarchie-Baum eingebaut, so dass man auch hier schon erkennen kann, welche Teammitglieder in welchem Sub-Ziel tätig sind. – Ein Wehrmutstropfen besteht noch: Leider ist es uns (AI und mir) nicht gelungen fehlerfreien Code zu erzeugen, der die vollständigen Namen enthält – jeder Namens-Buchstabe wird als Knoten interpretiert, aus diesem Grunde habe ich nur den Anfangsbuchstaben händisch in den Code eingesetzt. Man kann auch feststellen, dass die Darstellung der Nummerierung der Ziel-Hierarchie nicht stabil ist: Die Art der Nummerierung in der Abbildung 2 und 1 ist unterschiedlich.

Ein Wiederholen der Code-Generierung liefert also nicht immer das gleiche Ergebnisse: Es wurde auch eine Visualisierungen erzeugt, in der die Namen der Teammitglieder in die Ziel-Hierarchie-Knoten mitaufgenommen wurden. Weiter unten begegnet uns dieses schon aus anderen Blog-Beiträgen bekannte chatGPTplus „Vergessen“ wieder.

Die Ergebnisse bis hierhin sind trotzdem beeindruckend. Diese Einschätzung erfolgt auch auf der Erfahrung, dass Teams in meinen Management 4.0 Trainings sich mit Ziel-Hierarchien sehr schwer tun und die Collective Intelligence der Teams keine vergleichbar guten Ergebnisse lieferte.

Auf der Basis der Ziel-Hierarchie habe ich chatGPTplus gebeten eine CSV-Datei für MS-Project zu erstellen.

Hier waren wir leider nicht erfolgreich. – Selbst nach vielen versuchten Verbesserungsdurchläufen konnte chatGPTplus keinen befriedigenden Code erzeugen, der gleichzeitig alle Anforderungen für einen groben Projektplan in einer CSV-Datei ablegt: Also z.B. eine CSV-Datei mit den Spalten ‚Vorgang‘, ‚Ressource‘, ‚Vorgänger‘ und ‚Dauer‘ erzeugt.

chatGPTplus verfügt offensichtlich über keinerlei Projektplan-Muster, auf die das System zurückgreifen kann. Was allerdings schwerer wiegt, ist das schon bekannte Fehlverhalten des „Vergessens“. Wurde zum Beispiel eine Anforderung korrekt in den Code umgesetzt, führte eine weitere Anforderung oder eine Fehlerbehebung zum „Vergessen“ der bisherigen korrekten Ergebnisse. – Dies ist umso erstaunlicher als chatGPTplus die Anforderung korrekt verbal wiederholt, jedoch im Code nicht korrekt oder überhaupt nicht umsetzt. Der Code konvergierte einfach nicht zum richtigen Ergebnis.

Dies bestätigt die schon in anderen Blog-Beiträgen gemachte Erfahrung, dass chatGPTplus oft nicht in der Lage ist, mehrere Anforderungen gleichzeitig umzusetzen. Bei der Erstellung des Collective Mind Agent Based Model’s habe ich die Strategie verwendet, die Anforderungen einzeln in Code zu transformieren um anschließend durch mich die Integration vorzunehmen. Hierauf habe ich hier verzichtet. – Diese Strategie entspricht nicht der Idee der CI-Verarbeitungspipeline.

Der MS-Project Import der nicht vollständigen CSV-Datei, also nur mit den Vorgängen, funktioniert im Prinzip, zeigt jedoch auch Fehler: U.a. werden die deutschen Umlaute nicht richtig dargestellt und was schwerer wiegt, es tauchen Zeichen in den Zellen der Spalten auf, die selbst im notepad++ nicht angezeigt werden. – Auch der Microsoft Support war hier keine Hilfe.

Die Collective Intelligence (CI)-Verarbeitungspipeline mit chatGPTplus ‚Vom Business Plan über die Ziel-Hierarchie zum Projekt Plan‘ zeigt bis zum Schritt Projekt Plan Erstellung beeindruckende Ergebnisse: Die Ergebnisse sind sehr Kontext abhängig. Mit Business Model Canvas oder ohne Business Model Canvas liefert unterschiedliche Ergebnisse. Aber auch der Zeitpunkt der Erstellung spielt eine große Rolle. Der Übergang von der Ziel-Hierarchie zum Projektplan funktioniert zur Zeit (noch) nicht: chatGPTplus ist, wie schon im Rahmen der anderen Blog-Beiträge festgestellt, nicht in der Lage gleichzeitig mehrere Anforderungen, für die wahrscheinlich keine erlernten Muster existieren, ohne „Vergessen“ erfolgreich umzusetzen.

AI & M 4.0: (Collective Intelligence)**2 – Ergänzungen erstellt mit dem Code Interpreter von GPT-4/chatGPTplus!

Dieser Blog-Beitrag ergänzt den vorherigen Beitrag zum Collective Mind Agent Based Model (CM ABM). Ich benutze den vor ein paar Tagen in der beta Version veröffentlichten Code Interpreter von chatGPTplus. Der Code Interpreter ist ein Plugin von chatGPTplus. Er lässt sich in den chatGPTplus Einstellungen vom Anwender aktivieren.

Ich möchte zwei Fragen beantworten:

Kann der Code Interpreter den von mir, mit Hilfe von chatGPTplus, erstellten CM ABM Python Code ausführen?

Welche statistischen oder ML-Auswertungen kann ich mittels des Code Interpreters vornehmen?

Zur ersten Frage:

Leider kann man den Code nicht ausführen lassen. chatGPTplus liefert auch gleich die Antwort, warum dies nicht möglich ist: Diverse verwendete ML-Bibliotheken und MESA Python in dem CM ABM Code sind (noch) nicht in dem Code Interpreter integriert.

Zur zweiten Frage:

Mittels chatGPTplus habe ich den bisherigen Code um einen csv-Export der relevanten MES-Python Daten erweitert. Der CM ABM Code mit 7 Teammitgliedern und ohne Stakeholder wurde für 100 Zeitschritte ausgeführt. – Die so erstellte csv-Datei lässt sich problemlos im Code Interpreter importieren. Auf Wunsch zeigt chatGTPplus den hinterlegten Python-Code, den man natürlich auch wieder kopieren kann.

Der Inhalt der csv-Datei wird automatisch als Tabelle und als Graphiken angezeigt. Die Graphiken lassen sich problemlos per rechtem Mausklick kopieren:

Abbildung 1: CM ABM Ergebnisse nach 100 Zeitschritten, dargestellt vom chatGPTplus Code Interpreter.

ChatGPTplus liefert auch direkt Erläuterungen mit:

Collective Mind Similarity over Time: This plot represents the similarity metric of the collective mind of the team members over time. It appears that the similarity increases over time, which may indicate that the team members are becoming more aligned in their goals.
Team Performance over Time: This plot represents the performance of the team over time. Similar to the similarity metric, the performance also seems to increase over time, possibly indicating that the team’s performance improves as the members become more aligned.

ChatGPTplus verfällt zwischendurch immer mal wieder ins Englische, obwohl ich in Deutsch mit dem System kommuniziere. Diese Beschreibung kann einem den Eindruck von ‚Verständnis‘ aufdrängen: In jedem Fall ist nicht zu leugnen, dass chatGPTPlus meine bisherige Kommunikation zur CM ABM Erstellung kennt. – Ob ein Deep Learning vorliegt kann ich natürlich nicht beantworten.

Ich habe nach einfachen statistischen Auswertungen gefragt: Dem Glätten der Kurven, der Standardabweichung und dem entsprechenden Zeichnen von Graphen:

Abbildung 2: Geglättete CM ABM Ergebnisse nach 100 Zeitschritten mit Standardabweichung, berechnet und dargestellt vom chatGPTplus Code Interpreter.

Auf die Frage nach weiteren statistischen Auswertungen wurde mir die Korrelationsanalyse (zwischen Collective Mind Similarity und Collective Mind Teamperformance), die Analyse der Volatilität und die Anomalieerkennung angeboten. Die Korrelationsanalyse liefert wie erwartet eine Korrelation von 0,995, da die Teamperformance direkt aus der Similarity berechnet wurde. Die Analyse der Volatilität ergab eine zusätzliche graphische Darstellung der Volatilität über den Zeitschritten und die Anomalieerkennung mittels Z-Score ergab keine Anomalien. – Immer begleitet von Erläuterungen und der Möglichkeit den verwendeten Code zu kopieren.

Im Zusammenhang mit der Anomalieerkennung habe ich nach weiteren Analysemöglichkeiten gefragt. chatGPTplus verweist auf die ML-Algorithmen Isolation Forest, One-class SVM, local Outlier Factor und Autoencoder.

Ich bitte um die Durchführung von One-class SVM. chatGPTplus ‚bedauert‘, dass diese Analyse nicht möglich ist, da diese ML-Algorithmen wegen fehlender ML-Bibliotheken nicht ausführbar sind. – Liefert aber den notwendigen Python Code, den man wieder kopieren kann, um ihn z.B. in Colab ablaufen zu lassen.

Alles in allem eine beeindruckende Leistung, wobei mich die Beratung zu den verschiedenen Algorithmen noch fast mehr beeindruckt, als die Ausführung und die graphische Repräsentation der Ergebnisse diverser statistischer Algorithmen.

AI & M 4.0: (Collective Intelligence)**2 – Collective Mind Agent Based Model mit GPT-4/chatGPTplus erstellt!

In diesem Blog-Beitrag beschreibe ich meine weiteren Erfahrungen zur Modellierung und Programmierung eines Collective Mind Agent Based Models (CM ABM).

Anders als beim Blog-Beitrag vom Februar 2023 benutze ich als ‚Erweiterung‘ meiner kognitiven Fähigkeiten chatGPTplus, also die Bezahlversion von chatGPT auf der Basis von GPT-4. Außerdem soll dieses Mal ein dynamisches ABM entwickelt werden, das auf MESA Python beruht und die zeitliche Entwicklung eines Team Collective Mind‘s modelliert.

Der Titel (Collective Intelligence)**2, also Collective Intelligence zum Quadrat, weist daraufhin, dass es in diesem Beitrag in mehrfacher Hinsicht um Collective Intelligence geht: Ich benutze zum einen unserer aller Collective Intelligence, die in GPT-4 trainiert vorliegt und zum anderen die hybride Collective Intelligence von GPT-4 und mir. Außerdem ist ein CM ABM ein Team Collective Intelligence Modell.

Vor zwei Wochen habe ich mit der Entwicklung des CM ABM begonnen, indem ich chatGPTplus eine Aufgabenstellung als Prompt eingab. Diese anspruchsvolle Aufgabenstellung ist weiter unten im Anhang dieses Beitrages zu finden. Meine Erwartung war nicht, dass chatGPTplus diese Aufgabenstellung sofort ohne Kommunikation mit mir umsetzen kann. Jedoch ist meine Erfahrung zur ‚Erweiterung‘ meiner kognitiven Fähigkeiten durch chatGPTplus derart positiv, dass diese Collective Intelligence Erfahrung, bestehend aus AI und Mensch, mehr als nur einmal bei mir Gänsehaut erzeugte. – Der Zuwachs an Geschwindigkeit sowie wissenschaftlicher Kreativität und Python Kompetenz liegt deutlich näher am Faktor 100 als am Faktor 2!

Ich fasse meine Collective Intelligence Erfahrungen mit chatGPTplus zusammen:

ChatGPTplus hat die unten stehende Aufgabenstellung mit ersten Ideen zur Ziel-Hierarchie und deren Ähnlichkeitsvermessung umgesetzt. Es fehlten lediglich vollständig die Projekttypisierung und die Stakeholder. – Eine Einbettung von chatGPTplus in die Agentenlogik habe ich nachträglich gestrichen, da dies zu kompliziert für mich wurde.
Zur Verfeinerung und Verbesserung der Aufgabenstellung war es notwendig, im Dialog mit chatGPTplus das Python-Programm weiter zu entwickeln. Die Kommunikation mit chatGPTplus entspricht hierbei der Kommunikation mit einem hochintelligenten Experten: Die chatGPTplus Expertise in den Bereichen Python, Mathematik und spezifischer Modellierungskompetenz übersteigt meine bei weitem. Hierbei habe ich die Erfahrung gemacht, dass die Verwendung von Ratgebern à la ‚Wie gestalte ich die chatGPT Prompteingabe optimal?‘ für mich keinen Sinn macht. – Meines Erachtens genügt es, die Prompts so zu erstellen, dass ein menschlicher Experte:inn sie nachvollziehen kann. – Dies genügt, um eine gelungene Kommunikation mit super Ergebnissen zu erhalten!
Auf der Basis der Kommunikation habe ich von chatGPTplus Pythoncode erstellen lassen. Dieser Code wurde in einer Colab-Umgebung laufen gelassen. Manchmal enthielt dieser Code einen Fehler, manchmal habe ich einen Fehler eingebaut, da ich noch Veränderungen am Code vorgenommen habe. Die Rückmeldung des vollständigen Fehlers als Prompt hat immer zum direkten Auffinden des Fehlers durch chatGPTplus geführt.
Die Analyse der Ergebnis-Daten zeigte den ein oder anderen Mangel in der Modellierungslogik auf. Eine textuelle Beschreibung der Ergebnis-Daten als Prompt führte immer innerhalb weniger Schritte zur Behebung dieses Mangels.
Es gibt eine Unzulänglichkeit in der Zusammenarbeit mit chatGPTPlus, die ich nicht beheben konnte und durch einen Workaround umgehen musste: In den ersten Tagen der Bearbeitung der Aufgabenstellung stellte ich mit fortschreitender Zeit immer häufiger fest, dass chatGPTplus vorherige gute Ergebnisse vergessen hatte. Dies führte dazu, dass an Stellen, die ich als abgeschlossen und korrekt betrachtet habe, plötzlich anderer Code und nicht selten zur Aufgabenstellung nicht passender Code auftauchte. So geschah es zum Beispiel, dass die Ziel-Hierarchie Berechnung verändert wurde oder dass das 7-köpfige Team wie Stakeholder behandelt wurde, also die MBTI Typ-Zuordnung zufällig erfolgte und nicht nach dem gewünschten Schema der Aufgabenstellung. Dieses ‚Fehlverhalten‘ tauchte umso häufiger auf, je länger die Modellierung der Aufgabenstellung dauerte. Das ‚Fehlverhalten‘ wurde noch verstärkt, wenn ich chatGPTPlus darauf hinwies, dass der Code an einer bestimmten Stelle falsch ist. Dann versuchte das System ein völlig anderes Modellverhalten zu erstellen. Am vierten Tag nach insgesamt ca. 4-5 Std. chatGPTplus Interaktion, habe ich mich zu folgendem Workaround entschlossen: Ich habe das gesamte Programm selbst immer wieder integriert und alle Änderungen selbst in das gesamte Programm eingegeben. Um erwünschte neue Modellierungs-Änderungen zu erhalten, habe ich chatGPTplus lediglich eine konkrete überschaubare aber durchaus schwierige Teilaufgabe gegeben. Wenn Änderungen größere Auswirkungen im Code hatten oder mehr als ca. 1 Std. Interaktion verstrichen war, habe ich den gesamten Code wieder als Prompt eingegeben. chatGPTplus hat sich hierfür meistens bedankt 😉: Es sei hilfreich, den gesamten Code zur Verfügung zu haben. Zusammenfassend interpretiere ich dieses Verhalten von chatGPTplus dahingehend, dass chatGPTplus über kein Kurzzeitgedächtnis verfügt.

Und nun zu den Ergebnissen. – Auf Nachfrage stelle ich gerne den CM ABM Code als Colab-Jupyter Notebook zur Verfügung. Ich beschreibe hier das Modell und diskutiere einige Ergebnisse:

Das Modell basiert auf der ABM Bibliothek MESA-Python [1]. Die Teammitglieder eines Teams und die Stakeholder werden als Agenten unterschiedlichen Typs behandelt. Die Agenten werden über eine MBTI Typologie mit Persönlichkeits-Polwahrscheinlichkeit charakterisiert (siehe Anhang). Alternativ könnte auch das Standardmodell der Psychologie, das Big Five Persönlichkeitsmodell (NEO-PI-R), verwendet werden. Das Persönlichkeitsmodell lässt sich auch um Werte/Motive oder Glaubenssätze erweitern.

Entsprechend der Aufgabenstellung haben die Teammitglieder fest vorgegebene Persönlichkeiten. Die Stakeholder erhalten ihre Persönlichkeit gemäß der globalen statistischen Verteilung der MBTI Persönlichkeiten.

Jeder Agent verfügt über eine eigene dreiteilige Ziel-Hierarchie. Die dreiteilige Ziel-Hierarchie entspricht dem einfachsten Collective Mind Schema, das wahlweise als Teil eine Dilts Pyramide angesehen werden kann oder als persönliche Story Map oder als OKR [2, 3]. Die Agenten verändern ihre Ziel-Hierarchie in Abhängigkeit ihrer individuellen MBTI Präferenzen, also der individuellen Persönlichkeits-Polwahrscheinlichkeiten. Zum Beispiel ändert ein extrovertierter NT-Typ durch Kommunikation vornehmlich die oberste Ebene der Ziel-Hierarchie – ein introvertierter NT-Typ tut dies auch, jedoch nicht so oft.

Die dreiteilige Ziel-Hierarchie besteht aus alphanumerischen Zeichenketten einer bestimmten Länge. Diese Zeichenketten werden am Anfang, wenn die Simulation beginnt, per Zufall ermittelt. Der Inhalt der Ziel-Hierarchie sollte keine entscheidende Rolle für das Auftauchen prinzipiell emergenter Systemeigenschaften haben. Dies trägt der langjährigen Erfahrung aus anderen ABM Modellen und deren Systemeigenschaften Rechnung [4]. – Die Mathematik ist vielleicht doch viel entscheidender als der Inhalt!

Die Änderung der Ziel-Hierarchien erfolgt zufällig und paarweise zwischen zufällig ausgewählten Agenten. Das Ändern der Ziel-Hierarchien durch Kommunikation ist eine Form von Lernen und wird über einen Lernparameter alphaT für Teammitglieder und alphaS für Stakeholder eingestellt. Typischerweise ist alphaS kleiner gleich alphaT, da die Interaktion im Team zu einem besseren Lernen führt.

Zusätzlich erhalten die Stakeholder weniger Möglichkeiten ihre Ziel-Hierarchie zu ändern. Dies erfolgt über eine gesondert einzustellende Zeit-Steprate: Die Stakeholder erhalten zum Beispiel eine um den Faktor 200 reduziert Möglichkeit ihre Ziel-Hierarchie zu ändern. Dies trägt der Annahme Rechnung, dass die Stakeholder untereinander weniger oft kommunizieren und auch weniger oft mit den Teammitgliedern.

In der Sprache der Theorie der Selbstorganisation ergeben sich damit folgende Parameter:

Rahmenparameter: Anzahl und Persönlichkeit der Teammitglieder, Anzahl und Persönlichkeit der Stakeholder, reduzierte Steprate für die Stakeholder

Kontrollparameter: alphaT, alphaS

Ordnungsparameter: dreiteilige Ziel-Hierarchie, am Anfang gefüllt mit zufällig ermittelten Zeichenfolgen der Länge k. Die Ziel-Hierarchien werden gemäß MBTI-Profil geändert. Die Ähnlichkeiten der Ziel-Hierarchien wird über die Ratcliff-Obershelp Funktion bestimmt [5].

Die nachfolgenden Abbildungen zeigen jeweils links das resultierende emergente Systemverhalten, gemessen über die mittlere Ähnlichkeit aller Ziel-Hierarchien getrennt nach den Teammitgliedern und den Stakeholdern.

Jeweils rechts ist die Performance des Teams bzw. der Stakeholder zu sehen. Die Performance ist keine emergente Eigenschaft sondern wird über folgende Formel aus der Ähnlichkeit ermittelt: Performance=(Anzahl der Agenten eines Typs* mittlere Ähnlichkeit der Ziel-Hierarchien des Agententyps)**2. Diese Formel basiert auf folgender Betrachtung: Es werden alle bilateralen Verbindungen innerhalb einer Gruppe (Teammitglieder, Stakeholder) aufsummiert – gewichtet mit der mittleren Ähnlichkeit der Ziel-Hierarchien innerhalb der Gruppe. Wie man weiter untern sehen kann, folgt die Performance der Ähnlichkeit, natürlich erhöht um einen Faktor, der die Anzahl der Gruppenmitglieder berücksichtigt.

Abbildung 1:
Rahmenparameter: 7 Teammitglieder mit definierter MBTI-Persönlichkeit, keine Stakeholder
Kontrollparameter: Lernparameter Teammitglieder alphaT = 0.1
Ordnungsparameter: Ziel-Hierarchie-Ähnlichkeit mit der Ratcliff-Obershelp Funktion berechnet, ermittelt aus den dreiteiligen Ziel-Hierarchien mit jeweils am Anfang zufällig generierter Zeichenfolge von k = 100 Zeichen pro Ebene

Wie man aus Abbildung 1 sehen kann, steigt die Ähnlichkeit recht schnell auf Werte von über 0,7 und die Teamperformance damit auf Werte von 21 und mehr, bei 7 Teammitgliedern. – Der Synergieeffekt beträgt also 3 und mehr!

Selbstverständlich genügt diese Aussage, wie auch die nachfolgend abgeleiteten Aussagen, keinen wissenschaftlichen Ansprüchen. Um wissenschaftlichen Ansprüchen zu genügen, müsste ich u.a. ggf. 10.000 und mehr Durchläufe errechnen lassen, um dann auf dieser Basis eine statistische Auswertung aller errechneten Werte zu erhalten. Hierauf verzichte ich, da dies meine (derzeitigen) Möglichkeiten übersteigt. Abbildung 2 zeigt den Einfluss der Stakeholder auf das Team. Die Anzahl der Stakeholder entspricht der Anzahl der Teammitglieder, ist also 7. Die Fähigkeit der Stakeholder ein Collective Mind auszubilden, bestimmt auch die Fähigkeit des Teams ein Collective Mind auszubilden: Die Stakeholder ziehen die Leistungsfähigkeit des Teams runter, obwohl die Lernrate der Stakeholder genau so groß ist wie diejenige der Teammitglieder. – Die Interaktionsrate der Stakeholder ist jedoch um den Faktor 200 geringer als die Interaktionsrate der Teammitglieder.

Abbildung 2:
Rahmenparameter: 7 Teammitglieder mit definierter MBTI-Persönlichkeit, 7 Stakeholder mit zufälliger MBTI-Persönlichkeit, Abschottung des Teams und zwischen den Stakeholdern durch 200-fach geringere Steprate als im Team selbst.
Kontrollparameter: Lernparameter Teammitglieder alphaT= 0.1, Lernparameter Stakeholder alphaS= 0.1
Ordnungsparameter: Ziel-Hierarchie-Ähnlichkeit mit der Ratcliff-Obershelp Funktion berechnet, ermittelt aus den dreiteiligen Ziel-Hierarchien mit jeweils am Anfang zufällig generierter Zeichenfolge von k = 100 Zeichen pro Ebene

Abbildung 3 zeigt eine Simulation mit 21 Stakeholdern und einer zehnmal geringeren Lernrate der Stakeholder (diese Simulation benötigt in der Colab Umgebung ohne spezielle Hardware ca. 3-4 Stunden elapsed time). Die Ziel-Hierarchie-Ähnlichkeit der Stakeholder sinkt weiter ab und zieht das Collective Mind des Teams mit sich weiter runter. Die Stakeholder wie das Team zeigen jetzt eine Performance die weiter unterhalb der Anzahl der Teammitglieder bzw. der Stakeholder liegt.

Abbildung 3:
Rahmenparameter: 7 Teammitglieder mit definierter MBTI-Persönlichkeit, 21 Stakeholder mit zufälliger MBTI-Persönlichkeit, Abschottung des Teams und zwischen den Stakeholdern durch 200-fach geringere Steprate als im Team selbst.
Kontrollparameter: Lernparameter Teammitglieder alphaT= 0.1, Lernparameter Stakeholder alphaS = 0.01
Ordnungsparameter: Ziel-Hierarchie-Ähnlichkeit mit der Ratcliff-Obershelp Funktion berechnet, ermittelt aus den dreiteiligen Ziel-Hierarchien mit jeweils am Anfang zufällig generierter Zeichenfolge von k = 100 Zeichen pro Ebene

Was sagt uns dies?

Es sieht so aus, als wenn die hybride Collective Intelligence von chatGPTplus und mir, ein Modell gefunden hätte, das emergentes Collective Mind Verhalten eines Teams in Interaktion mit Stakeholdern recht gut abbildet. – Dies ist ein weiterer Schritt in Richtung von Management 5.0, der Synergie von AI und Management 4.0.

Anhang: Erst-Aufgabenstellung für GPT4/ChatGPTplus

Die Aufgabenstellung zur Digitalen Transformation des Unternehmens KüchenManufaktur verwende ich in meinen Management 4.0 Trainings, um eine Scrum Simulation durchzuführen und eine Ziel-Hierarchie zu erstellen. Die zugrundeliegende Theorie hierzu ist in [2], [3] zu finden.

Erzeuge ein Agent Based Model (ABM) in der Programmiersprache Python, z. B. mittels MESA Python, für ein Team von 7 Teammitgliedern und 100 Stakeholdern. Die 7 Teammitglieder und die 100 Stakeholder sind Agenten im ABM. Die Teammitglieder und die 100 Stakeholder gehören zu dem Unternehmen KüchenManufaktur, das sogenannte Weiße Ware, also u.a. Herde, Kühlschränke und Gefrierschränke herstellt. Bisher hat das Unternehmen KüchenManufaktur diese Weiße Ware ohne große Digitalisierungsfunktionen hergestellt. Jetzt soll die Weiße Ware smart werden und als Life Style Produkt positioniert werden. Der Einsatz von smarter Technologie kann auch den Einsatz von AI oder ML beinhalten. Zum Beispiel könnte eine zukünftige Anforderung für einen Kühlschrank beinhalten, dass ‚er sich von alleine füllt‘. ‚Von alleine füllen‘ bedeutet, dass er über ein intelligentes Füllmanagement verfügt, das u.a. Zugriff auf Lebensmittellieferanten hat.

Es geht also um die Digitale Transformation des Unternehmens KüchenManufaktur. Die Digitale Transformation soll mittels eine Projektes durchgeführt werden. In einem ersten Schritt ist ein Konzept für die Digitale Transformation zu erstellen. Für diesen ersten Schritt ist das ABM mittels Python zu erstellen.

Die Aufgabe der Konzepterstellung typisieren wir als Projekt mittels des Diamantmodells: Das Projekt ist für KüchenManufaktur ein Projekt mit hohem Innovationsgrad. Nicht alle Stakeholder sind vom Sinn der Digitalen Transformation überzeugt und deshalb zeigen auch recht viele Stakeholder innere Widerstände gegen das Projekt. Deshalb sprechen wir von einem hohen Missionsgrad.- Das Team hat also viel Überzeugungsarbeit zu leisten. Der Kompliziertheitsgrad der neuen smarten Weißen Ware ist eher gering bis mittelgroß. Der Managementgrad ist mittel, da KüchenManufaktur innerhalb eines Jahres mit ersten smarten Produkten auf den Markt kommen möchte.

Die Persönlichkeiten der 7 Teammitglieder beschreiben wir mittels des MBTI, wobei die dominante Persönlichkeitsdimension des jeweiligen Teammitgliedes als Wahrscheinlichkeit angegeben wird. Wir nennen vereinfacht die jeweiligen Teammitglieder entsprechend ihrer MBTI Typologie und einer MBTI-Polwahrscheinlichkeit, also:

Teammitglied 1: ENTJ heißt: Extraversion = E = 0.8, Intuition = N = 0.8, Thinking = T = 0.6, Judging = J = 0.6

Teammitglied 2: INTJ heißt: Introversion = I = 0.8, Intuition = N = 0.7, Thinking = T = 0.7, Judging = J = 0.6

Teammitglied 3: ISFP heißt: Introversion = I = 0.6, Sensing = S = 0.7, Feeling = F = 0.7, Perceiving = P = 0.6

Teammitglied 4: ISTJ heißt: Introversion = I = 0.8, Sensing = S = 0.7, Thinking = T = 0.7, Judging = J = 0.9

Teammitglied 5: ESTJ heißt: Extraversion = E = 0.8, Sensing = S = 0.9, Thinking = T = 0.7, Judging = J = 0.6

Teammitglied 6: ISTP heißt: Introversion = I = 0.9, Sensing = S = 0.9, Thinking = T = 0.6, Perceiving = P = 0.6

Teammitglied 7: ISTJ heißt: Introversion = I = 0.7, Sensing = S = 0.6, Thinking = T = 0.6, Judging = J = 0.6

Die Stakeholder erhalten per Zufall eine Persönlichkeit gemäß MBTI.

Die Aufgabe der Konzepterstellung ist erledigt, wenn die 7 Teammitglieder, die das Konzept erstellen, eine gemeinsame Ziel-Hierarchie erstellt haben. Eine Ziel-Hierarchie besteht aus Informationseinheiten, die abstrakt oder detailliert sind. Eine Vision oder ein übergeordnetes Ziel bilden die oberste Ebene, es folgen darunter größere Informationseinheiten, die in weitere Informationseinheiten runtergebrochen werden. Im Agilen Management beginnt die Ziel-Hierarchie zum Beispiel mit einer Vision, gefolgt von Epics, die in Features zerlegt werden, die Features werden in User Stories zerlegt und diese wieder in Tasks und Tasks in Subtasks usw.

Für die Generierung der Informationseinheiten kann pro Teammitglied auf chatGPT zurückgegriffen werden

Um die Ziel-Hierarchie zu erstellen, tauschen die 7 Teammitglieder gemäß ihrer Persönlichkeitspräferenzen Informationseinheiten aus. Diese Informationseinheiten werden gemäß ihrer Präferenzen und der damit verbundenen Wahrscheinlichkeiten in die persönliche Ziel-Hierarchie aufgenommen.

Im ABM Model wird der Informationsaustausch in Zeitschritten durchgeführt. Wir definieren die Performance des Teams über die Ähnlichkeit der persönlichen Ziel-Hierarchien. Wenn alle persönlichen Ziel-Hierarchien identisch sind, sprechen wir von einem Collective Mind. Der Collective Mind kann durch die Kommunikation mit den Stakeholdern stabilisiert oder destabilisiert werden. Die Ähnlichkeit der Ziel-Hierarchien aller Stakeholder und der 7 Teammitglieder ist ein Maß für den Collective Mind im Team bzw. im Stakeholderkreis bzgl. der Digitalen Transformation.

Zeichne den Verlauf des Colletive Mind im Team und den Verlauf des Collective Mind für den Stakeholderkreis über die Zeit.

[1] Complexity Explorer (2023) MESA-Python Lecture, https://www.complexityexplorer.org/courses/172-agent-based-models-with-python-an-introduction-to-mesa/segments/17326, Santa Fe Institute, zugegriffen am 30.04.2023

[2] Oswald A, Köhler J, Schmitt R (2017) Projektmanagement am Rande des Chaos. 2. Auflage, Springer, Heidelberg, auch in englischer Sprache unter ‚Project Management at the Edge of Chaos‘ verfügbar.

[3] Köhler J, Oswald A. (2009) Die Collective Mind Methode, Projekterfolg durch Soft Skills, Springer Verlag

[4] Epstein J M, Axtell R (1996) Growing Artificial Societies – Social Science from the Bottom Up, The Brookings Institution, Washington D.C.

[5] Wikipedia (2023) Ratcliff-Obershelp Funktion, https://de.wikipedia.org/wiki/Gestalt_Pattern_Matching#:~:text=Gestalt%20Pattern%20Matching%2C%20auch%20Ratcliff,im%20Juli%201988%20im%20Dr.

AI & AM 4.0: Agent Based Models, Komplexität sichtbar machen! – Mit der Collective Intelligence Assistenz von chatGPT und GPT-3?!

Ein Agent Based Model (ABM) ist ein Computer Modell, mit dem Aktionen und Wechselwirkungen sogenannter autonomer Agenten in einem gegebenen Umfeld (u.a. Raum, Zeit) simuliert werden. Das Verhalten der Agenten und des gesamten Systems wird auf Micro- und auf Marco-Ebene sichtbar und verstehbar. Agenten können Menschen, Teams, Organisationen, Nationen, Roboter, Autos, Atome, Viren, Moleküle, Tiere, kurzum jede Form von Entität sein [1].

ABMs gehören zur Disziplin Artificial Intelligence, zu der auch Machine Learning mit der weiteren Unterdisziplin Deep Learning gehört. Die AI/ML Systeme chatGPT und GPT-3 gehören in die Unterdisziplin Deep Learning [2].

ABMs gibt es seit mehr als 50 Jahren. Sie haben Wissenschafts- und Erkenntnis-Geschichte geschrieben. Sie taten dies, in dem einige wenige, meistens sehr einfache Prinzipien zur Beschreibung von Aktionen und Wechselwirkungen in den Computer Modellen verwendet wurden. Diese brachten oft verblüffende Erkenntnisse.

Zwei einfache ABM-Modelle, die Wissenschafts- und Erkenntnisgeschichte geschrieben haben, sind das Segregationsmodell des Nobelpreisträgers Thomas Schelling aus dem Jahre 1971 und das sogenannte Boltzmann Health Modell.
Schelling konnte zeigen, dass einfache Regeln der Zugehörigkeit von Agenten (Personen, Familien, Länder) zu einer Segregation, also der Bildung von Blöcken von Agenten führt. – Während des Kalten Krieges war dies ein deutlich sichtbares Thema. – Leider ist es auch heute wieder und immer noch ein Thema: Russland überfällt die Ukraine, China-USA Rivalität, Klimaschützer contra ‚Auto ist Freiheit‘-Schützer, Corona-Verschwörungstheoretiker contra Impfbefürworter, usw..
Im Boltzmann Wealth Modell (auch ’statistical mechanics of money‘ Modelle genannt) werden alle Agenten mit einem gleichen Grundstock an Geld ausgestattet. Der Zufall bestimmt, welche Agenten wann Geld austauschen. – Genauso wie Moleküle in einem Gas, deshalb spricht man auch von Boltzmann Wealth. Nach einer gewissen Zeit sind einige Agenten sehr reich, sehr viele ärmer bzw. ganz arm. – Der Wohlstand der Agenten folgt einer Boltzmann Verteilung. Das Model zeigt, dass finanzielle Ungleichheit in einem sozialen System auch sehr viel mit Statistik zu tun hat und nicht nur auf den viel beschworenen besonderen Fähigkeiten der Tüchtigen beruht. Statistik ist hier ein anders Wort für Glück und dieses Modell zeigt uns, dass manchmal etwas mehr Demut gegenüber den eigenen „hervorragenden“ Leistungen angebracht ist.

ABMs sind vermutlich dem ein oder anderen im Zusammenhang mit COVID-19 Modellrechnungen im Gedächtnis geblieben. – Die Vorhersagen zur epidemischen Lage beruhten ganz wesentlich auf ABMs.- Im Internet findet man unter dem Stichwort ‚ABM und Corona‘ eine große Zahl an verschiedenen Untersuchungen und Veröffentlichungen.

Die Zukunft der ABMs dürfte wohl mit zwei Innovations-Richtungen verbunden sein: Zum einen werden die Agenten kognitiv immer intelligenter und selbst die emotionale Intelligenz wird heute schon über Persönlichkeitsmodelle teilweise abgebildet. Zum anderen wird die Realität, die die ABMs simulieren sollen über Data Assimilation [3] in einem PDCA ähnlichen Zyklus eingebunden.

Bezüglich der ‚Aufrüstung‘ an AI für ABMs verweise ich auf die Aktivitäten von Deepmind [4, 5, 6, 7]. – Deepmind entwickelt u.a. gerade die open source Testszenario-Plattform ‚melting pot‘ für ABMs. Ziel ist es, möglichst viele Umfeld-Szenarien (bestehend aus Raum, Zeit und anderen Agenten) aufzubauen. Mit den Testszenarien können KI-Entwickler die Intelligenz neu entwickelter Agenten testen.

Die Form der Korrektur von Simulationen mittels Data Assimilation wurde erstmals für die Navigation während der Apollo Mission angewendet und gehört heute zum Standardrepertoire bei Wettervorhersagen. Das Forecasting während der Pandemie beruhte u.a. auch auf dieser Technik. Mein Sohn Yannick Oswald und seine Kollegen der Universität Leeds konnten mittels ABM und Data Assimilation das ‚Kipp-Verhalten‘ der Länder bezüglich der Einführung des Lockdowns zu Beginn der Corona-Pandemie nachbilden (die Länder sind hier die Agenten): Für die globale Makroebene führt das ‚Kipp-Verhalten‘ der Länder zu einem globalen sozialen Phasenübergang [8].

Seit ein paar Wochen habe ich begonnen, mich mit ABMs programmierend zu beschäftigen. Da ich Anfänger bin, habe ich mich auf zwei ABM-Plattformen konzentriert. Die eine ist Netlogo [9] und die andere ist MESA-Python [10, 11, 13, 14, 15].

Netlogo gehört zur Standardausbildung in der Komplexitätsforschung und zum Lehrprogramm des Complexity Explorers des Santa Fe Instituts [16]. MESA-Python ist eine objekt-orientierte Python Entwicklungsplattform für ABM und kann u.a. in der google Colab Umgebung benutzt werden.

Netlogo enthält als Lern-Beispiele nahezu alle ABMs, die Wissenschafts- und Erkenntnisgeschichte geschrieben haben. – Etwas gewöhnungsbedürftig ist die Netlogo eigene Programmiersprache.

Da ich Anfänger bin kam die Idee auf, chatGPT und GPT-3 im Sinne einer Erweiterung meiner Intelligenz zu benutzen. In dem Blog-Artikel vom Februar 2022 habe ich dies als Collective Intelligence Perspective bezeichnet: D.h. Künstliche und menschliche Intelligenz arbeiten kollektiv zusammen.

Das Modell ‚Collective Mind‘ des Management 4.0 ist selbst eine spezielle Form der Collective Intelligence (CI) für Teams und Organisation. Also was liegt näher, als unter Assistenz von chatGPT und GPT-3 ein Netlogo- oder MESA-Python-Programm zu erstellen. Hierbei ist es zunächst nicht wichtig, dass ein beeindruckendes Collective Mind Modell entsteht, sondern, dass diese CI-Vorgehensweise überhaupt funktioniert.

Zuerst habe ich mit chatGPT kommuniziert: chatGPT machte mich auf ABM-Veröffentlichungen aufmerksam, die Persönlichkeitsmodelle wie MBTI und Big Five [17] enthalten. Anschließend fragte ich nach einer Erläuterung zum Collective Mind. Es war ganz offensichtlich, dass chatGPT den Inhalt meiner Bücher und Veröffentlichungen kennt, insbesondere auch die letzte Veröffentlichung zum Thema Projektmanagement und Selbstorganisation [18]. Abbildung 1 zeigt das Ergebnis der chatGPT Ausgabe zu Collective Mind:

Abbildung 1: chatGPT Ausgabe zur Definition Collective Mind [19]

Anschließend habe ich nach Ideen zur mathematischen Modellierung des Collective Mind gefragt – Man siehe Abbildung 2. Das Ergebnis ist auch verblüffend, denn ein Teil der Lösungsvorschläge habe ich schon in den vergangenen Blog-Beiträgen vorgestellt. Hier weiß man nicht, ob chatGPT diese kennt, oder davon unabhängige Vorschläge gemacht hat. – Ich merke schon hier an, dass diese Ergebnisse viel besser sind als diejenigen von GPT-3: GPT-3 war in seiner Antwort eher nichtssagend!

Abbildung 2: chatGPT Ausgabe zur (mathematischen) Modellierung eines Collective Mind [19]

Ich habe chatGPT auch gebeten, ein Netlogo-Programm mit folgendem Prompt zu erstellen: Please create a netlogo ABM model using the Big Five Model. The goal is to show that teams with a good collection of team members build a Collective Mind which shows synergy in the team performance.

Entsprechend habe ich um ein MESA-Python Programm gebeten. Abbildung 3 zeigt einen Ausschnitt dieser Antwort:

Abbildung 3: chatGPT MESA-Python Code auf der Basis des Promptes: Please create a MESA-Python ABM model using the Big Five Model. The goal is to show that teams with a good collection of team members build a Collective Mind which shows synergy in the team performance [19]

Beide Programme, Netlogo und MESA-Python, sind syntaktisch fehlerfrei, erzeugen aber Laufzeitfehler. Da ich die Python Programmierung der Netlogo Programmierung vorziehe, habe ich im Folgenden versucht das MESA-Python Programm zum Laufen zu bringen. Es ist mir, aufgrund meiner bescheidenen MESA-Python Kenntnisse, nicht gelungen. chatGPT war bei der Fehlersuche und -behebung nicht hilfreich.

Aber das Ergebnis ist trotzdem sehr erstaunlich: Die Teammitglieder eines Teams und das Team selbst wurden als Agenten modelliert. Für das Team wurde ein Collective Mind berechnet. chatGPT hat die Synergie des Collective Mind so interpretiert, dass der Collective Mind ein 5-dimensionaler Vektor aus der Summe der Big Five Persönlichkeitsdimensionen aller Teammitglieder ist. Die Teamperformance ergibt sich aus der Summe der fünf Dimensionen, wobei die Dimension Neurotizismus (entspricht grob einem Maß für emotionale Labilität) mit einem negativen Vorzeichen versehen wurde, also abgezogen wurde. – Meines Erachtens eine beachtliche Leistung!

Die Logik des Netlogo Codes und des MESA-Python Codes ist gleich!

Die intensiviere Beschäftigung mit MESA-Python zeigte auch, dass das Skelett des erzeugten Codes aus dem MESA-Python Tutorial stammt. Hierbei ist ein entscheidender Design-Fehler geschehen: Die Teammitglieder und die Teams wurden als Agenten programmiert, was im Prinzip nicht verkehrt ist, jedoch zur Laufzeit in dieser einfachen Implementierung zu Eindeutigkeits-Problemen führt.

Ich wollte kurze Zeit später den Prompt etwas erweitern und konkretisieren. ChatGPT hat sich zu diesem Zeitpunkt jedoch geweigert Code zu erzeugen. Stattdessen bot chatGPT eine gute Programmier-Vorgehensweise an. ChatGPT begründet dies damit, dass die Codeerzeugung zu viele spezielle Kenntnisse erfordern würde. Erstaunlich dieser Sinneswandel!

Ich überprüfte daraufhin eine andere erstaunliche Antwort, die ich kurz nach der Freischaltung von chatGPT erhalten habe: Ich fragte nämlich nach den Unterschieden von chatGPT und GPT-3: U.a. wurde mir damals mitgeteilt, dass GPT-3 über 175 Milliarden Parameter verfügt und chatGPT über 1.5 Milliarden Parameter. Dies ist eine sehr erstaunliche Aussage, da chatGPT hiernach über 100-mal weniger Parameter verfügt. Falls dies korrekt ist, wäre dies meines Erachtens eine sensationelle Aussage zur Leistungsfähigkeit von chatGPT. Also habe ich zu dem späteren Zeitpunkt nochmals nach dem Unterschied von chatGPT und GPT-3 und insbesondere nach der Anzahl der Parameter gefragt: ChatGPT verweigerte die Aussage, da es keine offiziellen Aussagen von openai hierzu gibt.

Es wird also im Hintergrund heftig an den Aussagen von chatGPT filternd gearbeitet.

Ich wechselte zu GPT-3 [20]: GPT-3 interpretierte die Synergie des Collective Mind und die daraus resultierende Teamperformance fast exakt wie chatGPT. -Jedoch wurde der Neurotizismus nicht abgezogen, sondern addiert. Das erstellte Programm ist syntaktisch korrekt und sogar nach der Behebung von zwei kleinen Fehlern im Aufruf der MESA-Python Objektstruktur sogar lauffähig. Der entscheidende Unterschied warum der GPT-3 Code lauffähig ist, ist dass GPT-3 sich an die Struktur von MESA-Python gehalten hat. Das räumliche Umfeld der Agenten, in der MESA-Python Sprache, the model, wird wie bei Netlogo auch, standardmäßig als Schachbrett modelliert und die Agenten bewegen sich wie Schachfiguren in dieser 2D-Welt. Jeder Agent hat dann bis zu 8 Teammitglieder, da auf einem Schachbrett jedes Quadrat acht Nachbar-Quadrate hat. – Es wird also kein Team eingeführt, das als Agent behandelt wird, sondern die jeweiligen Nachbarn definieren das Team. In dieser einfachen Welt sind die Teams dynamisch, da sich die Agenten auf dem Schachbrett in Zeitschritten bewegen. Alles in Allem eine erstaunliche GPT-3 Leistung!

Jedoch lässt sich diese Leistung leider nicht reproduzieren: Zum Zeitpunkt des Schreibens dieses Artikels (10.02.2023) verweigert GPT-3 zwar nicht die Code-Generierung, jedoch bricht die Erzeugung kurz nach Beginn ab und der Code ist schon zu Beginn leider mehr oder weniger unsinnig. – Die Qualität der ersten Generierung ist verschwunden!

Soweit, so gut – Fortsetzung folgt, wahrscheinlich 😉.

[1] Wikipedia (2023), Agent-based_model, https://en.wikipedia.org/wiki/Agent-based_model, zugegriffen am 05.02.2023

[2] Russell S, Norvig P (2016) Artificial Intelligence, A Modern Approach, Third Edition, Pearson Education Limited, Essex

[3] Wikipedia (2023) Data assimilation, https://en.wikipedia.org/wiki/Data_assimilation, zugegriffen am 06.02.2023

[4] Graepel T (2023) The role of Multi-Agent Learning in Artificial Intelligence Research at DeepMind, https://www.youtube.com/watch?v=CvL-KV3IBcM&t=619s, zugegriffen am 06.02.2023

[5] Deepmind (2023) Melting Pot: an evaluation suite for multi-agent reinforcement learning, https://www.deepmind.com/blog/melting-pot-an-evaluation-suite-for-multi-agent-reinforcement-learning, zugegriffen am 06.02.2023

[6] Melting Pot (2022) https://www.youtube.com/watch?v=tfFSpyzYiYY, zugegriffen 04.12.2022

[7] Medium ODSC (2023) Melting Pot and the Reverse-Engineering Approach to Multi-Agent Artificial General Intelligence, https://odsc.medium.com/melting-pot-and-the-reverse-engineering-approach-to-multi-agent-artificial-general-intelligence-cf8c6da88304, zugegriffen am 06.02.2023

[8] Oswald Y, Malleson N, Suchak K (2023) An agent-based model of the 2020 international policy diffusion in response to the COVID-19 pandemic with particle filter, Universität Leeds, https://arxiv.org/abs/2302.11277

[9] Netlogo (2023) https://ccl.northwestern.edu/netlogo/index.shtml, zugegriffen am 06.02.2023

[10] Masad D, Kazil J (2015) Mesa: An Agent-Based Modeling Framework, PROC. OF THE 14th PYTHON IN SCIENCE CONF. (SCIPY 2015)

[11] MESA (2022) Python based ABM, https://mesa.readthedocs.io/en/stable/index.html

[12] Github (2023) Mesa Code, https://github.com/projectmesa/mesa, zugegriffen am 06.02.2023

[13] Ng Wai Foong (2022) Introduction to Mesa: Agent-based Modeling in Python, https://towardsdatascience.com/introduction-to-mesa-agent-based-modeling-in-python-bcb0596e1c9a

[14] Long Ngo (2022) Agent-based modeling in Python with Mesa, https://www.youtube.com/watch?v=Hg7bwOtGVDE

[15] Karami B (2023) Intro to Agent Based Modeling, https://towardsdatascience.com/intro-to-agent-based-modeling-3eea6a070b72, zugegriffen am 06.02.2023

[16] Santa Fe Institute (2023) Complexity Explorer, https://www.complexityexplorer.org/courses, zugegriffen am 06.02.2023

[17] Howard P J, Mitchell Howard J (2008) Führen mit dem Big-Five-Persönlichkeitsmodell, Das Instrument für optimale Zusammenarbeit, Campus Verlag und Handelsblatt

[18] A. Oswald (2020) The whole – more than the sum of its parts! – Self-organization – the universal principle!, IPMA Research Conference, Springer, in Ding R, Wagner R, Bodea CN (editors) Research on Project, Programme and Portfolio Management – Projects as an Arena for Self-Organizing, Lecture Notes in Management and Industrial Engineering, Springer

[19] chatGPT (2023) openai.com, zugegriffen am 19.01.2023

[20] GPT-3 (2023) openai.com, zugegriffen am 19.01.2023

Welche Informationen stecken in der Meso-Ebene, dem Decison Tree?

Wie wird daraus ein Coaching-Instrument?

Welche Informationen stecken in der Makro-Ebene und seinen drei Regimen V0, V1, V2

Die Ad-Hoc Nutzung (Das Live-Frühwarnsystem)

Phase A: Das Basis-Modell (Die Offline-Vorbereitung)

Phase B: Das Live-Dashboard (Der Ad-Hoc Einsatz im Meeting)

Zu den berechneten Ergebnissen

Zusammenfassung:

Anhang 1

Formeln und Erläuterungen

I. Die epsilon-Maschine, der Decision Tree Regressor Algorithmus

Schritt 1: Die Datenpräparation (Das Sliding Window)

Schritt 2: Der erste Split (Die Wurzel des Baumes)

Schritt 3: Die Rekursion (Das Wachsen der Äste)

Schritt 4: Der Stopp (Das Entstehen der Epsilon-Zustände)

II. Die upsilon-Maschine: Der K-Means Algorithmus

Schritt 1: Der Input (Die 1D-Vorhersagematrix)

Schritt 2: Die K-Means Initialisierung (Der Maximalkontrast)

Schritt 3: Das Zuweisungs-Update (Lloyds Algorithmus)

Schritt 4: Das Zentroid-Update

Schritt 5: Die Konvergenz (Das Einrasten des Systems)

III. Die Messung der Emergenz C: Der KSG-Entropieschätzer

Schritt 1: Raumaufspannung und das Verhindern von Singularitäten

Schritt 3: Marginale Zählung (Die Zerlegung der Wahrscheinlichkeit)

Schritt 4: Die Digamma-Integration

Schritt 5: Das Kausale Delta (Der finale Beweis)

Anhang 2

Mikro-, Meso- und Makro-Ebene für das TV-Beispiel

Literatur

1. 🗣️ REALITÄT (Die Datenbasis)

2. 🧠 Die analytische Ebene (Emotion & Semantik)

3. 🤖 KI-CO-PILOT (Die Systemsteuerung)

Anhang: Glossar und Formeln zum mathematischen Modell

Glossar: Die Vokabeln der KI-Simulation

1. Die emotionale Ebene (Affective Computing)

2. Die Gesprächsdynamik (Systemphysik)

3. Die Persönlichkeit (Die „Big Five“)

4. Die linguistische Analyse (NLP & Disruption)

Technischer Anhang: Mathematische Modellierung der Diskursdynamik

1. Erschöpfungsmodell (Fatigue)

2. Stress-Dynamik (Emotionale Physik)

A. Stress-Impact (Eskalation)

Was bedeuten diese Werte für die Simulation?

B. Der individuelle Stresspegel (Y-Achse in der Abbildung)

C. Die kollektive Systemspannung

3. Semantische Disruption (D-Score)

Literatur

I. Die $\epsilon$ -Maschine, der Decision Tree Regressor Algorithmus

II. Die $\upsilon$ -Maschine: Der K-Means Algorithmus

III. Die Messung der Emergenz $\mathcal{C}$ Der KSG-Entropieschätzer