Kausales Denken, Bayes-Netze und die Markov-Bedingung

116
gen wurden experimentell in einem für den „A/B“-Fall angepassten, auf dem
Paradigma der Basisexperimente beruhenden Experiment getestet. Hierfür wurden
beide Gedanken der Außerirdischen („TUS“ und „POR“ statt nichts und
„POR“) als kausal aktiv beschrieben und mit der bekannten „Reading“-vs.-
„Sending“-Manipulation kombiniert. Wie vorhergesagt, zeigte sich eine Abhängigkeit
vom Status der weiteren Effekte für beide Zustände der Ursache, und
zwar deutlich stärker in der „Sending“-Bedingung.
In Abschnitt 5.2 wurde die dem Modell zugrunde liegende Idee der Einführung
einer gemeinsamen, an die Ursache gebundenen Fehlerquelle auf eine
Causal-Chain-Struktur angewendet. Für diesen Fall sagt das Modell vorher, dass
der Unterschied zwischen einer „Reading“- und einer „Sending“-Bedingung verschwinden
sollte, da es bei der Bewertung der potentiellen Anwesenheit des
ultimativen Effekts in einer kausalen Kette nicht darauf ankommt, ob mögliche
Fehler ursache- oder effektseitig attribuiert werden. Die Vorhersagen wurden
experimentell dergestalt getestet, dass das in den Basisexperimenten verwendete
Paradigma für eine kausale Kette angepasst wurde, indem den Probanden
(entsprechend je nach Bedingung) erklärt wurde, das in einer Reihe von Außerirdischen
jeweils links stehende Alien verursache die Gedanken des jeweils rechts
stehenden. Wie vorhergesagt unterschieden sich die Bewertungen der Probanden
hinsichtlich der Anwesenheit des ultimativen Effekts, dem Gedanken des
letzten Aliens in der Kette, nicht im Hinblick auf die „Reading“-vs.-„Sending“-
Manipulation. Die dem Modell zugrunde liegende Idee einer adaptiven ursachevs.
effektseitigen Fehlerattribution konnte damit auch in einer kausalen Struktur
bestätigt werden, für die das Modell nicht entwickelt worden war.
In Abschnitt 5.3 wurde schließlich getestet, welchen Einfluss es hat, wenn
in eine Common-Cause-Struktur weitere beobachtbare präventive Ursachen eingeführt
werden, die mit der modellendogenen Fehlerquelle bei der
Fehlerattribution konkurrieren. Das Modell sagt in diesem Fall vorher, dass die
Einschätzung bezüglich der Anwesenheit eines unbeobachteten Zieleffekts deutlich
weniger von der Anzahl der weiteren als anwesend beobachteten Effekte
abhängen sollte, wenn in das kausale System eine als anwesend beobachtete
präventive Ursache eingeführt wird, die nicht auf den Zieleffekt, aber auf alle