Kausales Denken, Bayes-Netze und die Markov-Bedingung

115
sonen eine Wand als eine präventive Ursache für das Gedankenübertragen bei
Außerirdischen ansehen – darüber macht das Modell schließlich keinerlei Vorhersagen.
Getestet werden sollte, wie sich die Inferenzen der Probanden bezüglich
der Anwesenheit eines unbeobachteten Zieleffekts durch die Einführung einer
als anwesend beobachteten präventiven Ursache verändern. Dies setzt natürlich
aber gerade voraus, dass die Versuchspersonen die Manipulation („Wände“
vs. „Offene Türen“) als eine Manipulation im Sinne des Modells, also der
Anwesenheit oder Abwesenheit einer weiteren präventiv wirkenden Ursache,
verstehen – und dies hätte deutlicher instruiert werden können.
Nichtsdestotrotz konnte das Modell auch für den Fall der Einführung einer
beobachteten präventiven Ursache ausreichend bestätigt werden. Dies ist insbesondere
deshalb interessant, da die eingeführte zusätzliche Variable direkt mit
dem im Modell angenommenen Prozess der adaptiven Fehlerattribution interagiert.
Der Fall liefert damit einen weiteren Beleg für die Richtigkeit der dem
Modell zugrunde liegenden strukturellen Annahmen.
5.4 Zusammenfassung
Im vorliegenden Kapitel wurde für das Basismodell (siehe Kapitel 4) bzw. die dem
Basismodell zugrunde liegende Idee der Einführung einer gemeinsamen
ursacheseitigen Fehlerquelle explizit getestet, indem das Modell in drei verschiedenen
Kontexten angewendet, entsprechende Vorhersagen abgeleitet und empirisch
untersucht wurden.
In Abschnitt 5.1 wurde das Modell auf eine Common-Cause-Struktur angewendet,
in der beide Zustände der gemeinsamen Ursache kausal aktiv sind
(„A/B“-Fall anstatt wie im Basismodell der „0/1“-Fall, in dem nur die Anwesenheit
der Ursache kausal aktiv ist). Hierfür musste lediglich die der Zielinferenz
zugrunde liegende bedingte Wahrscheinlichkeitstabelle angepasst werden. In
dieser Situation sagt das Modell für die Bewertung der Anwesenheit eines unbeobachteten
Zieleffekts eine Abhängigkeit vom Status der weiteren Effekte für
beide Zustände der Ursache voraus und, dass diese Abhängigkeit wie im Basismodell
in einem kausalen System mit starker gemeinsamer Fehlerursache
(„Sending“-Bedingung) deutlich größer ausfallen sollte als in einem System mit
schwacher gemeinsamen Fehlerursache („Reading“-Bedingung). Diese Vorhersa-