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.
140<br />
ten Effekt: Da nunmehr besonders inhomogene Cluster ein großes Gewicht bekämen,<br />
würde <strong>die</strong> Inferenz über den Zieleffekt nunmehr stärker von den Effekten<br />
abhängen, <strong>die</strong> dem Zieleffekt möglichst unähnlich sind. 61<br />
Die Hyperparameter hinsichtlich eines bestimmten Merkmals können dabei<br />
– entsprechende Lerndaten vorausgesetzt – im Gr<strong>und</strong>e gelernt werden, da<br />
<strong>die</strong> Parameter im bayesianischen Framework gegeben eines Lerninputs geschätzt<br />
werden können. Treten zum Beispiel bei der Beobachtung eines kausalen Systems<br />
vornehmlich konditionale Abhängigkeiten im Hinblick auf Effekte auf, <strong>die</strong><br />
für ein betrachtetes Merkmal <strong>die</strong> gleiche Ausprägung aufweisen, jedoch keine<br />
konditionalen Abhängigkeiten zwischen Effekten unterschiedlicher Merkmalsausprägung,<br />
dann handelt es sich um ein relevantes Merkmal mit entsprechend<br />
kleinen Hyperparametern (etwa denen für <strong>die</strong> Modellvorhersage verwendeten).<br />
Sind <strong>die</strong> konditionalen Abhängigkeiten unabhängig vom betrachteten Merkmal,<br />
dann ist es nicht relevant mit entsprechenden Hyperparametern nahe 1. In <strong>die</strong>sem<br />
Sinne ist es also möglich, <strong>die</strong> Relevanz von Merkmalen zumindest dem<br />
Gr<strong>und</strong>e nach zu lernen. Fraglich bleibt allerdings, ob <strong>die</strong> Schätzung der entsprechenden<br />
Hyperparameter ohne weitere strukturelle Annahmen mit realistischem<br />
Lerninput überhaupt möglich <strong>und</strong> stabil ist.<br />
6.5 Zusammenfassung<br />
In Kapitel 4 wurde auf der Basis der in Kapitel 3 dargestellten Experimente ein<br />
Modell entwickelt, dass <strong>die</strong> Sensitivität der Probanden hinsichtlich ihrer Annahmen<br />
über <strong>die</strong> zugr<strong>und</strong>e liegenden Kausalprozesse in einer Common-Cause-<br />
Struktur als adaptive Fehlerattribution implementiert. Im vorliegenden Kapitel<br />
wurden <strong>die</strong>se Überlegungen ergänzt im Hinblick auf <strong>die</strong> Frage, inwieweit <strong>die</strong> Inferenzen<br />
in kausalen Systemen auch von den weiteren, auf den ersten Blick nicht<br />
kausalen Merkmalen (features) <strong>und</strong> damit möglichen Kategorisierungen der involvierten<br />
Objekte abhängig sind. Unter der Annahme, dass konditionale Abhängigkeiten<br />
nur zwischen Effekten bestehen, <strong>die</strong> einem Cluster zugeordnet sind,<br />
<strong>und</strong> dass solche Cluster im Hinblick auf kausal relevante Merkmale der kausalen<br />
61 Daher ist <strong>die</strong> gute Übereinstimmung des Modells mit den in Experiment 8 gef<strong>und</strong>enen Bef<strong>und</strong>en<br />
auch nicht als sonderlich überzeugend im Sinne von Roberts <strong>und</strong> Pashler (2000) einzustufen,<br />
da bei entsprechender Parameterwahl hinsichtlich der Abhängigkeit der Zielinferenz von der<br />
Ähnlichkeit der Effekte jedwede Vorhersage modelliert werden könnte.