Kausales Denken, Bayes-Netze und die Markov-Bedingung

5
ursacheseitigen Fehlerquelle im Hinblick auf die adaptive Fehlerattribution konkurriert.
Das Modell wird sodann in Kapitel 6 im Hinblick auf die Frage beleuchtet,
inwieweit die Inferenzen in kausalen Systemen auch von den weiteren, auf den
ersten Blick nicht kausalen Eigenschaften, insbesondere den Merkmalen (Features)
der involvierten Objekte und damit von möglichen Kategorisierungen der
Variablen abhängig sind. Unter der Annahme, dass die durch die ursacheseitig
eingeführte Fehlerquelle implizierten konditionalen Abhängigkeiten nur zwischen
Effekten bestehen, die einem Cluster zugeordnet sind, und dass solche
Cluster im Hinblick auf kausal relevante Merkmale der involvierten Objekte möglichst
homogen sind, wird eine Erweiterung des in Kapitel 4 vorgestellten Modells
entwickelt, welches die Zielinferenz über alle möglichen Partitionierungen
der Effekte des Systems bestimmt und über die Unsicherheit bezüglich der Clusterzugehörigkeit
integriert. Aus diesem erweiterten Modell werden dann entsprechend
ebenfalls Vorhersagen abgeleitet und in einem Experiment getestet.
Die Arbeit schließt in Kapitel 7 mit einer Gesamtdiskussion und einem Ausblick.
Zum einen sollen hierbei das Modell und die durchgeführten Experimente
in ihrer Gesamtschau gewürdigt werden. Zum anderen wird aufbauend auf den
in der Arbeit entwickelten Ideen ein umfassenderes, computationales Modell des
Kausaldenkens skizziert, das zwischen der rein statistischen Ebene der Ereignisse
und einer kausalen Hintergrundebene, in der die involvierten Objekte und auch
Mechanismen repräsentiert sind, unterscheidet.