Naukowcy z projektu AutoCause opracowali otwartościowy framework Pythona, który automatyzuje złożone decyzje eksperckie wymagane w przyczynowości szeregów czasowych środowiskowych. Problem, który rozwiązuje, jest fundamentalny: naukowcy analizujący dane środowiskowe muszą wielokrotnie podejmować subiektywne decyzje dotyczące wyboru metody, testów warunkowej niezależności, horyzontów opóźnień i kontroli błędów mnożnych. Kiedy każdy robi to inaczej, wynikowe wykresy nie można porównywać ani odtwarzać.
Framework wraps cztery ustalone metody przyczynowości z trzech różnych rodzin i dodaje modele referencyjne pozbawione przyczynowości. Kluczową innowacją jest moduł causal-audit, który rejestruje każdą decyzję analityczną i dostarcza uzasadnione wartości domyślne, zachowując jednocześnie możliwość zmian przez użytkownika. AutoCause ocenia powiązania między zmiennymi na podstawie tego, ile metod je poparło, co stanowi wyrafinowane podejście do konsensusa.
Badania na 145 zbiorach danych pochodzących z DGP-Atlas, TimeGraph i autorskiego referencyjnego zbioru CausalRivers wykazały, że poszczególne metody odkrywają różne części rzeczywistego grafu przyczynowego. Powiązania wspierane przez większość metod okazały się bardziej precyzyjne niż wyniki pojedynczych podejść w przypadku syntetycznych benchmarków, choć rezultaty były mniej zadowalające w porównaniu z topologią rzeczywistych rzek. Framework przekształca niespójną praktykę ekspercką w powtarzalną, audytowalną analizę, ale ostateczną interpretację przyczynową pozostawia analitykowi.