Kausales Denken, Bayes-Netze und die Markov-Bedingung

117
anderen beobachteten Effekte wirkt. In diesem Fall dient die beobachtbare präventive
Ursache als Erklärung für die mögliche Abwesenheit von Effekten und
reduziert damit die Attribution auf die modellendogen angenommene unbeobachtete
Fehlerquelle. In einem ersten Experiment, das an die Basisexperimente
angelehnt war, wurden für den „Sending“-Fall drei experimentelle Bedingungen
bezüglich einer solchen präventiven Ursache konstruiert. Neben zwei Kontroll-
Bedingungen ohne eine solche Ursache wurden in einer weiteren Bedingung
Wände zwischen dem Gedanken sendenden Alien und den beobachteten Effektaliens
eingefügt. In dieser Bedingung war der Einfluss der Anzahl der als anwesend
beobachteten weiteren Effekte auf die Zielinferenz zwar etwas geringer als
in den beiden Kontrollbedingungen, dieser Unterschied konnte statistisch jedoch
nicht abgesichert werden, was vermutlich vor allem an der mangelnden expliziten
Instruktion in Verbindung mit der interindividuellen Manipulation gelegen
haben mag. In einem weiteren Experiment wurde nur für den Fall der Anwesenheit
der gemeinsamen Ursache die Anwesenheit einer präventiven Ursache
(„Wände“ und „Offene Türen“) intraindividuell und damit in der Bedeutung etwas
offensichtlicher manipuliert. Wie vorhergesagt zeigte sich eine deutlich geringere
Abhängigkeit der Einschätzung der Anwesenheit eines unbeobachteten
Zieleffekts von der Anzahl der als anwesend beobachteten Effekte für die Testfälle
mit anwesender präventiver Ursache („Wände“). Das Modell hat sich damit
auch in einem Kontext bewährt, in dem in die betrachtete Common-Cause-
Struktur explizit eine weitere präventive Ursache eingeführt wurde, die direkt
mit der modellendogenen Fehlerquelle im Hinblick auf die Fehlerattribution konkurriert.
Insgesamt konnte das Modell bzw. die dem Modell zugrunde liegende Idee
einer adaptiven Fehlerattribution somit in sehr verschiedenen Kontexten bestätigt
werden. Die gute Übereinstimmung der Modellvorhersagen mit den Befunden
der Basisexperimente kann also im Hinblick auf die Ausführungen in Abschnitt
4.6 als überzeugend gelten. Sie ist offenkundig weder Ergebnis zu hoher
Modellflexibilität – wie in Abschnitt 4.5 dargelegt –, als sie auch nicht schlichtes
Ergebnis zu hoher Modellierungsflexibilität sein kann, wie durch die gute Bestätigung
in den expliziten Tests im vorliegenden Kapitel belegt wurde.