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.
120<br />
Nichtsdestotrotz lässt sich obiges Beispiel nicht mit den bereits bekannten<br />
Theorien erklären, da <strong>die</strong> Inferenz auf der Ebene der Kausalstruktur <strong>und</strong> nicht<br />
etwa auf der Ebene der Kausalstärkeschätzung stattfindet. Für das obige Beispiel<br />
liegt es daher nahe, dem Basismodell (Kapitel 4) entsprechend für jede Kategorie<br />
von Objekten (Fernseher mit Kabelanschluss, Fernseher mit Satellitenanschluss)<br />
eine eigene gemeinsame Fehlerquelle zu definieren, <strong>die</strong> jeweils nur <strong>die</strong> zu einer<br />
Kategorie gehörenden Effekte betrifft. Im obigen Beispiel würde man dann<br />
inferieren, dass <strong>die</strong> zum Kabelanschluss gehörende Fehlerquelle aller Wahrscheinlichkeit<br />
nach anwesend ist <strong>und</strong> damit nicht der eigene Fernseher betroffen<br />
ist.<br />
In anderen als den im obigen Beispiel benutzten technischen Kontexten<br />
(z.B. sozialen oder natürlichen Kontexten) mag <strong>die</strong> Inferenz nicht so klar sein, da<br />
<strong>die</strong> kausalen Konsequenzen der beobachteten Merkmale weniger offensichtlich<br />
oder mit mehr Unsicherheit behaftet sind <strong>und</strong> auch mehrere Merkmale in Frage<br />
kommen. In <strong>die</strong>sen Fällen bietet es sich an, über <strong>die</strong> verschiedenen möglichen<br />
Kategorisierungen (oder mehr technisch: Partitionierungen) zu integrieren <strong>und</strong><br />
<strong>die</strong>se jeweils mit deren Wahrscheinlichkeit gegeben der beobachteten Merkmale<br />
zu gewichten (siehe dazu das Causal-Schemata-Modell von Kemp et al., 2007).<br />
Im Folgenden soll daher eine entsprechende Modellerweiterung hergeleitet<br />
werden, <strong>die</strong> für den Fall eines Merkmals <strong>die</strong> Zielinferenz, also <strong>die</strong> Einschätzung<br />
der Wahrscheinlichkeit der Anwesenheit eines unbeobachteten Zieleffekts<br />
gegeben des Status der gemeinsamen Ursache sowie der weiteren Effekte, beschreibt.<br />
Aus <strong>die</strong>sem Modell werden sodann Vorhersagen abgeleitet <strong>und</strong> in einem<br />
Experiment getestet.<br />
6.2 Modellierung<br />
Aus Gründen der Übersichtlichkeit beschränkt sich <strong>die</strong> Ableitung im Folgenden<br />
auf <strong>die</strong> wesentlichen Schritte. Eine ausführliche Variante findet sich in Anhang K.<br />
6.2.1 Ableitung der Zielinferenz<br />
Ausgangspunkt für <strong>die</strong> Modellierung ist wie in den vorhergehenden Experimenten<br />
wieder <strong>die</strong> Zielfrage, <strong>die</strong> <strong>die</strong> Versuchspersonen zu beantworten hatten, also<br />
<strong>die</strong> Beurteilung der Wahrscheinlichkeit der Anwesenheit eines unbeobachteten