A seleção do melhor algoritmo de descoberta causal para qualquer novo conjunto de dados é um processo difícil e demorado, pois exige que o investigador tenha conhecimento prévio sobre os algoritmos padrão de aprendizagem de estruturas existentes. Esta investigação propôs uma nova abordagem de metaaprendizagem para este problema. Metaaprendizagem refere-se à aprendizagem sobre algoritmos de aprendizagem, em que diferentes tipos de metadados, tais como propriedades do problema de aprendizagem, medidas de desempenho de diferentes algoritmos e padrões anteriores derivados dos dados, são utilizados para selecionar o melhor ou uma combinação de algoritmos de aprendizagem para resolver eficazmente um determinado problema de aprendizagem. Várias redes bayesianas na literatura foram manipuladas, amostradas para gerar milhares de conjuntos de dados e características específicas foram extraídas de cada uma delas para metaaprendizagem. Três algoritmos de aprendizagem de estrutura padrão foram executados em cada um dos conjuntos de dados gerados para descobrir redes causais subjacentes e seu desempenho foi avaliado. Com as nossas novas técnicas, fomos capazes de implementar uma ferramenta para gerar muitos modelos causais, amostrar muitos conjuntos de dados de cada modelo e, posteriormente, determinar os melhores algoritmos ou uma combinação deles para novos conjuntos de dados por meio da metaaprendizagem.