Die Identifizierung dessen, was im Zentrum der Bedeutung eines Wortes liegt, und dessen, was es von anderen Wörtern unterscheidet, ist eine grundlegende Aufgabe im Bereich der natürlichen Sprachinferenz. In diesem Artikel wird ein explizites Wortvektorrepräsentationsmodell (WVM) vorgestellt, das der Identifizierung diskriminativer Merkmale dient. Ein zentraler Beitrag der Arbeit besteht in einer quantitativen und qualitativen vergleichenden Analyse verschiedener Datentypen und Wissensbasen bei der Konstruktion erklärbare und explizite WVMs: (i) Wissensgraphen, die aus Wörterbuchdefinitionen abgeleitet wurden, (ii) Entität-Attribut-Beziehung-Graphen, die aus Bildern gewonnen wurden, und (iii) Alltagswissensgraphen. Mittels einer detaillierten quantitativen und qualitativen Analyse zeigen wir, dass diese Datensourcen komplementäre semantische Aspekte aufweisen und somit die Schaffung expliziter semantischer Vektorräume unterstützen. Die expliziten Vektorräume werden anhand der Aufgabe der Identifizierung diskriminativer Merkmale evaluiert und erreichen dabei eine Leistung, die mit den Stand der Technik vergleichbar ist (F1-Score = 0,69), während gleichzeitig vollständige Modelltransparenz und Erklärbarkeit gewährleistet werden.