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