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