Soziale Medien sind eine wesentliche Datenquelle für das Risikowahrnehmung komplexer sozialer Ereignisse. Bestehende Frühwarnmethoden basieren jedoch hauptsächlich auf Popularitätsspitzen, aufgabenspezifischen semantischen Labels oder beobachtbaren Ausbreitungsstrukturen, wobei Änderungen des Ausbreitungsrhythmus vor einer Krise oft ignoriert werden. Dieses Papier schlägt ein unüberwachtes Online-Framework für die Frühwarnung bei Krisen in sozialen Medien vor. Durch das Aggregieren heterogener Verhaltensweisen zu einer einheitlichen Intensitätssequenz erkennt es anomal beschleunigte Ausbreitungsphasen im Vergleich zu historischen Referenzwerten durch kausales Glätten, Extraktion der Änderungsrate, rollierende Quantilschwellen, Persistenzbeschränkungen und Kühlmechanismen. Im Vergleich zu intensitätsgesteuerten Methoden konzentriert es sich darauf, „ob das System sich auf einen Risikozustand beschleunigt“ anstatt „ob es einen hohen Popularitätszustand erreicht hat“; im Vergleich zu semantisch- und strukturgetriebenen Methoden ist die Abhängigkeit von Annotationen, Ontologien und vollständigen Ausbreitungsgrafen schwächer. Strenge kausale Replays auf den Weibo-Datensätzen der Russland-Ukraine-Krise und den Douban-Filmbewertungs-Datensätzen zeigen, dass das Framework aggregierende Anstiegsprozesse vor Schlüsselereignissen früh mit geringer Fehlalarm-Störung erfasst und strukturelle Wiederverwendbarkeit über Szenarien hinweg zeigt. Die Ergebnisse deuten darauf hin, dass die Erkennung von Veränderungen der Ausbreitungsdynamik einen leichten, interpretierbaren und übertragbaren Weg für Online-Frühwarnungen in komplexen Systemen bietet.

Soziale Medien;Frühwarnung bei Krisen;Online-Anomalieerkennung;Kausale Dynamik;Sozialer Radar Doppler