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.
119<br />
barn wie man selbst jedoch eine Satellitenschüssel, dann wird man eher geneigt<br />
sein, zu folgern, dass der eigene Fernseher sehr wohl ein Bild zeigen wird – <strong>die</strong>s<br />
auch ohne dass man genaue Vorstellungen von der Funktionsweise der verschiedenen<br />
Übertragungssysteme hat.<br />
Im vorliegenden Beispiel scheinen also <strong>die</strong> Merkmale der involvierten Objekte<br />
– hier mithin <strong>die</strong> Fernseher <strong>und</strong> <strong>die</strong> Art ihrer Anschlüsse –, also in gewisser<br />
Weise deren Kategorisierung, für <strong>die</strong> Inferenzen eine bedeutende Rolle zu spielen.<br />
Der Einfluss kategorialen Wissens auf Kausalinferenzen wie auch der Einfluss<br />
von Kausalwissen auf <strong>die</strong> Kategorisierung von Objekten wurde dabei bereits vielfach<br />
untersucht (siehe u.a. Ahn, 1998; Ahn, Kalish, Gelman, Medin, Luhmann,<br />
Atran et al., 2001; Kemp, Goodman & Tenenbaum, 2007; Lien & Cheng, 2000;<br />
Liljeholm & Cheng, 2007; Rehder, 2003a, 2003b; Rehder & Burnett, 2005; Rehder<br />
& Hastie, 2001; Rehder & Kim, 2006; Waldmann & Hagmayer, 2006). Dabei lassen<br />
sich zwei Hauptrichtungen unterscheiden: Zum einen wurde intensiv untersucht,<br />
wie das Wissen um den kausalen Status von Merkmalen von Objekten<br />
deren Kategorisierung beeinflusst (sogenannte Causal-Status-Hypothese, siehe<br />
Ahn, 1998; Ahn et al. 2001; Rehder, 2003a, 2003b; Rehder & Kim, 2006). Die Experimente<br />
von Rehder <strong>und</strong> Burnett (2005), <strong>die</strong> in Abschnitt 2.3 ausführlich beschrieben<br />
wurden, sind z.B. aus <strong>die</strong>ser Perspektive motiviert gewesen. – Zum<br />
anderen wurde untersucht, wie Kausallernen <strong>die</strong> Kategorisierung von Ereignissen/Objekten<br />
48 beeinflusst, insbesondere bezüglich der Gruppierung von Ereignissen/Objekten<br />
im Hinblick auf <strong>die</strong> resultierende Kausalstärkeschätzung<br />
(„Causality shapes categories“; siehe u.a. Lien & Cheng, 2000, <strong>die</strong> <strong>die</strong> These vertreten,<br />
dass Menschen Kategorien dergestalt bilden, dass sie <strong>die</strong> kausale Vorhersagekraft<br />
maximieren). Auch das Gegenteil wurde bereits gezeigt, also dass vorhandenes<br />
kategoriales Wissen in bestimmten Situationen einen Einfluss auf Kausalstärkeschätzungen<br />
hat („Categories shape causality“; siehe Waldmann &<br />
Hagmayer, 2006, sowie Kemp et al., 2007, für einen Ansatz der beide Thesen<br />
integriert).<br />
48 Zwischen Ereignissen <strong>und</strong> Objekten, <strong>die</strong> <strong>die</strong>se Ereignisse hervorbringen, wird in der Literatur<br />
derzeit kein Unterschied gemacht. In der Gesamtdiskussion in Kapitel 7 soll <strong>die</strong>ses Problem<br />
nochmals aufgegriffen werden, da es dem Autor sinnvoll scheint, zwischen einer statistischen<br />
Ebene (Ereignisse, <strong>Bayes</strong>-<strong>Netze</strong>) <strong>und</strong> einer kausalen Hintergr<strong>und</strong>-Ebene (Objekte mit Merkmalen,<br />
Mechanismen etc.) zu unterscheiden.