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

AI & AM 4.0: Agent Based Modeling – Emergenz – Wunder geschehen!

Kürzlich erschien ein offener Brief zum Thema ‚Pausieren von gigantischen AI-Experimenten‘ à la GPT-3 oder GPT-4 [1].

Der Brief wurde inzwischen von mehr als 30.000 Personen unterschrieben. Er begründet sein Anliegen eines halbjährigen Aussetzens von AI-Groß-Entwicklungstätigkeiten mit folgendem Satz:

“This does not mean a pause on AI development in general, merely a stepping back from the dangerous race to ever-larger unpredictable black-box models with emergent capabilities.”

Es geht die Angst vor ‚emergenten Fähigkeiten‘ um. – An anderer Stelle wird von einer ‚Gottgleichen‘ KI gewarnt, die die Menschheit zerstören könnte [2].

Diese Sorgen mögen berechtigt sein, umso mehr, als man beobachten kann, wie lange sich die EU schon bemüht, den längst fälligen EU AI ACT als EU-Gesetz zu verabschieden [3].

In diesem Blog geht es jedoch nicht um diese Sorge oder Angst, sondern um das Thema Emergenz, das offensichtlich solche ‚Wunder‘ wie das der „Sparks of Artificial General Intelligence: Early experiments with GPT-4” [4] möglich macht. Die Intelligenz-Fähigkeiten von GPT-4, auch im Vergleich zu chatGPT/GPT-3.x, sind sensationell, gleichgültig, ob es um Mathematik, Musik, Bilderzeugung, Sprache und Logik und vielem mehr geht. – In nicht wenigen Fällen zeigt GPT-4 Intelligenz-Fähigkeiten, die überhaupt nicht trainiert worden sind. – Also klare Zeichen von emergenten Eigenschaften.

In Wikipedia wird Emergenz wie folgt definiert: „Emergenz (lateinisch emergere „Auftauchen“, „Herauskommen“, „Emporsteigen“) bezeichnet die Möglichkeit der Herausbildung von neuen Eigenschaften (Systemeigenschaften) oder Strukturen eines Systems infolge des Zusammenspiels seiner Elemente.“ [5]. Emergenz ist auch direkt mit dem Begriff der Selbstorganisation verbunden. Selbstorganisierte Systeme zeigen Emergenz bzw. emergente Eigenschaften. Auf der Basis dieser Definition wimmelt es in der Natur und damit in der Mathematik, den Naturwissenschaften/ Psychologie und den Sozialwissenschaften nur so von emergenten Eigenschaften, Strukturen oder Systemen.

In [6] wird auch deshalb zwischen schwacher und starker Emergenz unterschieden. Starke Emergenz liegt im Falle des Lebens vor, das aus Atomen oder Molekülen emergiert. – Oder, im Falle unseres Bewusstseins, das aus der materiellen Struktur unseres Gehirns emergiert. Die meisten anderen überraschenden Eigenschaften von Viel-Agenten Systemen wie zum Beispiel die Supraleitung, die Farbe von Gold, der Collective Mind eines Teams oder die Kultur einer Organisation werden eher der schwachen als der starken Emergenz zugeordnet. Ich halte die Unterscheidung für wenig sinnvoll.- Entscheidend für die Emergenz ist vielmehr, dass das durch die Wechselwirkung von Agenten entstehende Systeme Eigenschaften zeigt, die sich nicht aus den Eigenschaften der Agenten ableiten lassen. In [7] wird deshalb für die Beschreibung von Large Language Model’s bezüglich Emergenz eine Definition verwendet, die die obige Definition aus [5] weiterführt:

„Emergence is when quantitative changes in a system result in qualitative changes in behavior.”

Abbildung 1: Bilder erzeugt durch die KI DALL-E [8] mit den Prompts: Create a painting in the style of Matisse: (Create a painting in the style of Gauguin:) Collective Mind as an example of social emergence which demonstrates synergies in a team

Im Falle von Large Language Models (LLM) gibt es mehrere quantitative Änderungen, die qualitative Veränderung hervorrufen: u.a. Anzahl der Parameter (Neuronen), Menge der Daten und die Trainingszeit. Aber auch die Architektur der LLM’s spielt eine entscheidende Rolle: u.a. das Transformer/Decoder Design, der Attention Mechanismus, usw.. So zeigt GPT-3 bei etwa 10 hoch 22 (10 Trilliarden) Floating Point Operations (FLOPs) als Maß für die Trainingszeit und 13 Milliarden Parametern einen sprunghaften Anstieg der sogenannten few-shoot prompting Genauigkeit.- Also nach einigen wenigen Lerndaten meistert das AI-System ähnliche Aufgabenstellungen. – Dieser Übergang entspricht einem Phasenübergang. – Ganz ähnlich zu der gesellschaftliche Resonanz für AI-System, die mit dem Erscheinen des einfach zu bedienenden chatGPT sprunghaft emergierte.

Für die Beschreibung emergenten Systemverhaltens wurde in der Wissenschaftsgeschichte sehr oft der Nobelpreis vergeben: Es geht darum, diejenigen quantitativen Parameter ausfindig zu machen, die einen qualitativen Unterschied machen. Und dies ist meistens sehr schwierig, da man den Parametern nicht ansieht, ob sie in ihrer Zusammenstellung einen Unterschied machen. – Der qualitative Unterschied lässt sich also nicht auf die quantitativen Unterschiede in den Parametern reduzieren.

Jedoch wurde auch in der Geschichte der Wissenschaft aus dem Unverständnis der Emergenz eine unsinnige Spaltung in reduktionistische Wissenschaften und nicht-reduktionistische (holistische) Wissenschaften [9] vorgenommen. Hiernach wurde zum Beispiel die Physik als reduktionistische Wissenschaft angesehen, da angeblich alle System-Eigenschaften in der Physik auf die Eigenschaften der Agenten (z.B. Elementarteilchen, Atome) zurückgeführt werden, also reduziert werden. Die Sozialwissenschaft mit der Soziologie à la Luhmann wurde zum Beispiel als holistische Wissenschaft wahrgenommen, da Luhmann, die Eigenschaften des sozialen Systems nicht auf die Menschen zurückführte, sondern dem System eine Eigenständigkeit zuerkannte.

Diese teilweise immer noch vorhandene naive Sicht des Gegensatzpaares Reduktionismus-Holismus wird durch das Auftauchen von GPT-4, aber auch schon durch die Erfahrungen mit chatGPT, kräftigst widerlegt: Die technischen Systeme chatGPT/GPT-3.x und chatGPTplus/GPT-4 zeigen mit ihrer Intelligenz eine für alle erfahrbare Emergenz. Diese AI-Systeme wurden auf der Basis bestimmter Daten-Parameter (u.a. Anzahl der Neuronen, Zeit des Trainings, Menge der Trainingsdaten) sowie bestimmten Architektur-Parameter (u.a. Transformer/Decoder und Attention-Mechanismus) mehr oder weniger gezielt kombiniert und es entstanden bei einer bestimmten Kombination dieser Parameter „wie durch ein Wunder“ emergente Intelligenz-Eigenschaften. – Es ist zu vermuten, dass bei Wegnahme z.B. der Attention-Eigenschaft, die emergente Eigenschaft der Intelligenz verschwindet, auch wenn die gigantische Skalierung bleibt.

Deswegen sind die emergenten AI-Eigenschaft jedoch nicht weniger wunderbar.

Dieses Beispiel belegt äußerst eindrucksvoll, dass die Natur, auch wenn sie in Form einer Technologie daherkommt, alle Ingredienzien für starke Emergenz enthält. – Wir ‚finden‘ diese Ingredienzien ‚lediglich‘.

Agent Based Modeling (ABM) spielt beim Auffinden dieser Eigenschaften eine prominente Rolle, auch wenn diese Rolle selbst in der Wissenschaft im Verhältnis zur Bedeutung nur wenigen bekannt sein dürfte. Unlängst hat das Santa Fe Institute neben Netlogo das ABM-Python-Framework MESA als Lecture aufgenommen [10]. Diese Lecture bildet mit moderner Technik das ABM des 25 Jahre alten Buches über ‚Growing Artificial Societies‘ von Epstein und Axtell nach [11]. Epstein und Axtell zeigen, wie man mit einfachen lokalen Agenten-Parametern die emergenten System-Eigenschaften von Gesellschaften erzeugen kann. – Der Überraschungseffekt ist nicht selten groß: So beeinflusst zum Beispiel die Fähigkeit des Sterbens oder der Reproduktion von Agenten ganz erheblich die emergenten Eigenschaften der ABM Ökonomie: Diese Modell-Eigenschaften sind nämlich notwendig, damit sich überhaupt sogenannte Nicht-Gleichgewichts-Handelsmärkte ausbilden können, die mit realen Märkten sehr gut übereinstimmen. – Das immer noch in der Gesellschaft vorherrschende neoklassische Verständnis der Gleichgewichts-Ökonomie kennt solche Zusammenhänge nicht.

In den folgenden Blogbeiträgen beschäftige ich mich mit der Suche nach den Parametern, die das emergente Teamverhalten Collective Mind hervorrufen. Im Management 4.0 gehen wir davon aus, dass die Parameter der Theorie der Selbstorganisation (Rahmen-Parameter, Kontroll-Parameter und Ordnungs-Parameter) die entscheidenden Parameter sind, die emergentes Teamverhalten hervorbringen. Wir kennen diese Parameter (vermutlich) auch schon, jedoch nicht in hinreichend formalisierter ABM Sprache. Die in vorhergehenden Blog-Beiträgen unter Verwendung von Natural Language Processing abgeleitete Similarity-Matrix des Collective Mind (Collective Mind Operator) ist lediglich ein phänomenologisches Modell (siehe Blog-Beitrag vom April und Juni 2022). – Der Collective Mind Operator kann in der Teampraxis sehr gut den Collective Mind messen, er sagt jedoch leider nichts darüber aus, wie der Collective Mind emergiert. Hierzu benötigen wir die formalisierten ABM-Parameter, die die Collective Mind Emergenz hervorbringen. – Die Suche nach diesen formalisierten Parametern ist kein Selbstzweck, denn die Wissenschaftsgeschichte hat gezeigt, dass die Kenntnis der formalisierten Parameter recht oft mit großen Erkenntnisgewinnen verbunden ist. – Die GPT-Geschichte ist der sichtbarste Beweis hierfür.

Der Übergang zur Python-Technologie mit MESA-Python eröffnet auch recht einfach die Möglichkeit intelligente Agenten auf der Basis von chatGPT anzubinden. Das werde ich nicht tun, jedoch hat die Entwicklung hierzu, wie in einem meiner letzten Blogs prognostiziert, schon begonnen. Die Stanford University hat zusammen mit Google eine auf dem Computerspiel ‚The Sims‘ basierendes ABM erstellt, in dem 25 Agenten ihre Intelligenz von chatGPT erhalten [12]. Die Agenten haben eine ‚Gehirn-Architektur‘ aus Langzeit- und Kurz-Zeitgedächnis, dessen kognitive Intelligenz von chatGPT kommt. Die Agenten verfügen zusätzlich über einen sogenannten ‚reflection tree‘, der der Ziel-Hierarchie bzw. der Dilts Pyramide von Management 4.0 sehr nahe kommt [13].- Die Ebenen Identität, Fähigkeiten und Verhalten sowie Kontext (Beobachtung) sind schon vorhanden. – Diese und weitere Ebenen können sicherlich noch ausgebaut werden.

Damit sind die Agenten in der Lage einen individuellen kognitiven PDCA-Zyklus durchzuführen, der ‚reflektiertes‘ Handeln erlaubt.

Es besteht auch die Möglichkeit, dass sich Menschen aktiv in dieses Handeln künstlicher Agenten einbringen können. Damit ist es zum Beispiel möglich hybride Universen aus AI und Menschen zu bilden.

Man stelle sich ein Anwendungsbeispiel von vielen vor: Ein Projektleiter soll ein Projekt durchführen. Er lässt das Projekt zum Test vorab in der künstlichen Welt durchführen und erhält so Hinweise auf seine Durchführbarkeit. – Oder er lässt parallel zur realen Welt eine künstliche Welt mitlaufen, in die die Daten der realen Welt synchron eingespeist werden, um Forecasting zu betreiben.

In [12] wird berichtet, dass das Handeln der künstlichen Agenten von Menschen auf ‚Menschen-Ähnlichkeit‘ überprüft wurde. Das emergierende ‚believable behavior‘ der Agenten und des emergierenden sozialen Systems wird von den Evaluationspersonen, trotz einiger Fehler, als sehr hoch eingestuft.

Das nächste Wunder geschieht schon!

[1] Future of Life Institute (2023) Pause giant AI Experiments, https://futureoflife.org/open-letter/pause-giant-ai-experiments/, zugegriffen am 22.04.2023

[2] Barkey S (2023) Kurz vor dem Durchbruch: „Gottgleiche“ KI könnte laut Experte Menschheit zerstörenhttps://www.berliner-zeitung.de/news/agi-kurz-vor-durchbruch-gottgleiche-ki-koennte-laut-experte-ian-hogarth-menschheit-zerstoeren-kuenstliche-allgemeine-intelligenz-li.339062, zugegriffen am 22.04.2023

[3] EU (2023) EU AI Act, https://artificialintelligenceact.eu/, zugegriffen am 22.04.2023

[4] Bubeck S et al. (2023) Sparks of Articial General Intelligence: Early experiments with GPT-4, arXiv:2303.12712v3 [cs.CL] 27 Mar 2023, zugegriffen am 22.04.2023

[5] Wikipedia (2023) Emergenz, https://de.wikipedia.org/wiki/Emergenz, zugegriffen am 25.04.2023

[6] Greve J, Schnabel A (Herausgeber) (2011) Emergenz: Zur Analyse und Erklärung komplexer Strukturen, suhrkamp taschenbuch wissenschaft

[7] Wi J et al. (2022) Emergent Abilities of Large Language Models, in Transactions on Machine Learning Research 08/2022, arXiv:2206.07682v2 [cs.CL] 26 Oct 2022

[8] DALL-E (2023) https://openai.com/product/dall-e-2, zugegriffen am 03.05.2023

[9] Wikipedia (2023) Reduktionismus, https://de.wikipedia.org/wiki/Reduktionismus, zugegriffen am 25.04.2023

[10] 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

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

[12] Park J S et. al. (2023) Generative Agents: Interactive Simulacra of Human Behavior, arXiv:2304.03442v1 [cs.HC] 7 Apr 2023

[13] Oswald A, Müller W (2019) Management 4.0 – Handbook for Agile Practices, Release 3.0, Verlag BoD, kindle edition

Emergenz oder Selbstorganisation des Marktes?

Die 8^te research conference der IPMA (International Project Management Association) beginnt am 09.09.2020 als Online Veranstaltung und steht unter dem Thema „Projects as arena for self-organizing“ [1]. Eine Kollegin fragt in einer Voabdiskussion „Is self-organization a “superpower” or a “mythological creature?”.

Der vierte Teil der Blog-Reihe „Selbstorganisation des Marktes“ versucht diese Frage zu beleuchten und aus meiner Sicht zu beantworten. Gleichzeit möchte ich die Universalität des Konzeptes der Selbstorganisation weiter verdeutlichen.

In meinem Blog-Beitrag über Evidenz-basiertes Management [2] habe ich am Beispiel des Begriffes Selbstorganisation schon einmal gezeigt, dass dieser Begriff völlig unterschiedlich verwendet wird und meines Erachtens daraus abgeleitete Ergebnisse einer wissenschaftlichen Befragung nicht aussagkräftig sind. In dieser wissenschaftlichen Befragung wurden folgende Begriffe als Substitut für „selbst-organisierte Teams“ verwendet: „self-managing teams, self-directing teams, self-regulating teams, self-organizing teams, self-leading teams, autonomous teams, autonomous task groups, autonomous work groups, and team leadership.”

Fast Jeder, der schon einmal in Gruppen oder Teams gearbeitet hat, hat sicherlich schon die Erfahrung gemacht, dass Teams, die man umgangssprachlich als selbst-organisiert bezeichnet hat, keineswegs eine „superpower“ entwickelt haben. – Viele der sogenannten agilen Teams gehören in diese Kategorie. Dagegen haben einige wenige, die Erfahrung gemacht, dass es auch selbst-organisierte Teams gibt, die „superpower“ haben bzw. entwickeln. – Diese Teams zeigen eine enorme Leistungsfähigkeit, kreieren Etwas völlig Neues und empfinden ihre Arbeit als hoch-motivierend und sinnvoll. Wenn so etwas auftritt spricht man von emergenten Phänomenen oder Emergenz (lateinisch emergere „Auftauchen“, „Herauskommen“, „Emporsteigen“ [3]).

So gesehen trägt der Satz „Is self-organization a “superpower” or a “mythological creature?” kein ausschließendes Oder in sich. Denn die Superpower ist ein wenig beobachtetes Phänomen, und gleichzeitig haben alle schon mal von (selbstorganisierten) Teams mit Superpower gehört. – Und schon ist das Fabelwesen „Selbstorganisation“ geboren, denn man hat davon gehört, keiner weiss was es ist, und gleichzeitig wünscht man es sich herbei.

In den wenigsten Fällen wird man Selbstorganisation auch mit Technologie oder Technik verbinden. So dürfte den wenigsten bekannt sein, dass z.B. Laser, Supraleitung, Künstliche Intelligenz oder smarte autonome Logistiksysteme auf Selbstorganisation beruhen [4].

In [5] werden die Begriffe Emergenz und Selbstorganisation untersucht und voneinander abgegrenzt. Emergenz wird dort wie folgt definiert:

„A system exhibits emergence when there are coherent emergents at the macro-level that dynamically arise from the interation between the parts at the mirco-level. Such emergents are novel with respect to the individual parts of the system.”

Selbstorganisation wird in [5] definiert als:

„Self-organisation is a dynamical and adpative process where systems acquire and maintain structure themselves, without external control.”

Unsere in [6] gegebene Definition integriert Emergenz und Selbstorganisation:

„Self-organization creates, under certain conditions (setting-, control- and order parameters) and through the interaction of system elements on the micro-level, emergent properties on a macro-level. The consequence of a self-organizing process is an ordered pattern, collective behavior or a new structure.”

Wie man unmittelbar sehen kann, integriert unsere Definition Selbstorganisation und Emergenz nicht nur, sondern sie geht sogar noch ein Stück weiter: Sie spricht von bestimmten Konditionen (den Rahmen-, Kontroll- und Ordnungsparametern) unter denen emergente Selbstorganisation sich ausbilden. – Und in diesem Sinne verwenden wir Selbstorganisation im Management 4.0. – Wir sprechen nur dann von emergenter Selbstorganisation, wenn sich ein Ordnungsparameter ausbildet.

Das heißt auch, dass die von uns verwendete Definition von emergenter Selbstorganisation, Emergenz und das übliche Verständnis von Selbstorganisation (wie in [4] verwendet) einschließt. Nicht alle Systeme, die nach üblichem Verständnis als selbstorganisierte Systeme verstanden werden, zeigen Emergenz sondern sind z.B. nur autonom und passen sich mehr oder weniger emergent an die Umgebung an. Um diesen Grad an Emergenz zu verdeutlichen, könnte man eine Skala von z.B. 1 bis 10 einführen und selbstorganisierte Systeme entsprechend einordnen: Hiernach hätten vermutlich die meisten der sogenannten agilen Teams eine Emergenz, die nahe 1 ist (also nur wenig oder keine Emergenz) und einige wenige eine Emergenz nahe 10 (also eine hohe Emergenz). Wenn wir von einem Collective Mind in Teams sprechen, dann meinen wir eine Emergenz, die Nahe 10 ist. (Anm.: Es gibt in der wissenschaftlichen Literatur einige Versuche Emergenz über Komplexität oder Entropie zu definieren und zu messen. – Diese Versuche waren meines Erachtens bisher nicht sehr erfolgreich, da man eigentlich nicht wirklich genau weiß, was Emergenz ist [7].)

Die Unvorhersehbarkeit und die Stärke des Ordnungsparameters, beim Team der Collective Mind, ist im Management 4.0 ein „Maß“ für den Emergenzgrad. – In Management 4.0 Trainings lernen die Teilnehmer für den Emergenzgrad eine Intuition zu entwickeln. – Dies erlaubt ihnen über Selbstreflexion ihre Team-Emergenz (Teamperformance) zu erhöhen.

Technische Systeme, die auf Emergenz beruhen, hätten hiernach einen recht hohen Grad an Emergenz. – Dies wäre insoweit gerechtfertigt als der Emergenzgrad die mit einem kollektiven Verhalten verbundene qualitative und quantitative Neuartigkeit einer Vernetzung „misst“. Falls das Universum auf emergenter Selbstorganisation beruht, dann läge dessen Emergenzgrad sicherlich sehr viele Größenordnungen über unserer Skala von 1 bis 10. Abbildung 1 zeigt einen sehr vagen Versuch die Emergenzgrade verschiedener Systeme zu „bemessen“.

Abbildung 1: Systeme und deren Emergenzgrad, eine sehr vage Zuordnung

Warum ist dies Alles wichtig für das Verständnis von Selbstorganisation, insbesondere von sozialer Selbstorganisation, hier der Selbstorganisation des Marktes?

Ein Markt ist auch ein selbstorganisiertes System, das Emergenz zeigt. Ein überregulierter Markt kann keine emergente Selbstorganisation mehr ausbilden, denn es gibt ja keine Neuartigkeit bzw. Unvorhersehbarkeit, die der Markt als Ganzes zeigt. – Und damit verliert der Markt das Potential Emergenz zu zeigen. – Man beachte, dass diese Aussage direkt zu dem schon erwähnten Glaubenssatz „Selbstorganisation verträgt keine Eingriffe“ führt. – Man beachte aber auch, dass wir an vielen anderen Stellen im Blog schon gezeigt haben, dass „Eingriffe“ sehr wohl vorkommen können: Diese „Eingriffe“ wirken als Governance, die die Rahmen- und Kontrollparameter gestaltet und indirekt hilft, dass sich der oder die Ordnungsparameter ausbilden können.

Ein unterregulierter Markt, also ein Markt, der keinen Eingriffen unterliegt, zeigt aber auch nicht zwangsläufig eine hohe Emergenz und wenn er Emergenz zeigt, dann ist dies eventuell eine Emergenz, die nicht wünschenswert ist. – Man kann dies mit einem sehr wenig regulierten, also autonomen Team vergleichen, das auch nicht automatisch Emergenz zeigt.

Legt man den Fall Tönnies als symptomatisch für die Fleischindustrie zugrunde, dann zeigt dieser Markt wahrscheinlich eine gewisse Emergenz (auf unserer Skala vielleicht 2-3), die leider aber nicht wünschenswert ist! Diese Emergenz lässt sich zum großen Teil auf die nicht wünschenswerte Kultur in diesem Markt zurückführen. Wenn also Emergenz auftritt, so ist diese keineswegs immer gut. – An anderer Stelle habe ich des Öfteren festgestellt, dass Selbstorganisation keinesfalls immer „gut“ ist. – Es kann durchaus hochemergente Gesellschaften und Märkte oder auch Organisationen und Teams geben, die mit Superpower Böses tun.

Emergente Selbstorganisation, also „superpower“, wenn man sie denn haben will, benötigt die explizite Ausbildung eines wünschenswerten Mindsets oder einer wünschenswerten Kultur, denn sonst entsteht eine „superpower“, die man ggf. nicht mehr kontrollieren kann. – Deswegen ist z.B. die Ausbildung einer Ethik für die Digitale Transformation besonders wichtig. Allgemein kann man sagen, dass es für Transformationen, die emergente Strukturen hervorbringen (hervorbringen sollen) besonders wichtig ist, eine Ethik auszubilden, und zwar umso mehr, als ein höherer Emergenzgrad mit ihnen verbunden ist.

[1] IPMA (2020) 8^te IPMA research conference, http://www.ipma-research-conference.world/

[2] Oswald Alfred (2018) Evidenzbasiertes Management: Richtig verstanden… geht kein Weg daran vorbei, https://agilemanagement40.com/evidenzbasiertes-management-richtig-verstanden-geht-kein-weg-daran-vorbei, zugegriffen am 07.09.2020

[3] Emergenz (2020) https://de.wikipedia.org/wiki/Emergenz, zugegriffen am 07.09.2020

[4] Czybik Björn, Ehrlich Marco, Trsek Henning, Oswald Alfred (2020) Eine differenzierte Betrachtung ganzheitlicher Selbstorganisation im Rahmen von Industrie 4.0, veröffentlicht im Rahmen der Automation 2020, https://www.vdi-wissensforum.de/automatisierungskongress/

[5] De Wolf Tom, Holvoet Tom (2004) Emergence and Self-Organisation a statement of similarities and differences, Lecture Notes in Computer Science 3464

[6] Oswald Alfred, Köhler Jens, Schmitt Roland (2018) Project Management at the Edge of Chaos, Springer

[7] Greve Jens, Schnabel Annette (Hrsg.) (2011) Emergenz: Zur Analyse und Erklärung komplexer Strukturen, suhrkamp taschenbuch wissenschaft