Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Kausales Denken, Bayes-Netze und die Markov-Bedingung
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
141<br />
Domäne möglichst homogen sind, wurde eine Erweiterung des in Kapitel 4 vorgestellten<br />
Modells entwickelt, welches <strong>die</strong> Zielinferenz über alle möglichen Partitionierungen<br />
der Effekte des Systems bestimmt <strong>und</strong> über <strong>die</strong> Unsicherheit bezüglich<br />
der Clusterzugehörigkeit integriert. Dieses Modell macht <strong>die</strong> Vorhersage,<br />
dass <strong>die</strong> Bewertung der Wahrscheinlichkeit der Anwesenheit eines unbeobachteten<br />
Zieleffekts in einer Common-Cause-Struktur umso stärker von anderen beobachteten<br />
Effekten abhängen sollte, je ähnlicher der Zieleffekt <strong>die</strong>sen anderen<br />
Effekten hinsichtlich kausal relevanter Merkmale ist. In einem Experiment, in<br />
dem <strong>die</strong> Versuchspersonen in Anlehnung an <strong>die</strong> Basisexperimente in einer Common-Cause-Struktur<br />
mit fünf Effekten <strong>die</strong> Wahrscheinlichkeit einzuschätzen hatten,<br />
mit der ein Zielalien in einer „Sending“-Situation an „POR“ denkt, konnte <strong>die</strong><br />
Vorhersage bestätigt werden: Im Fall der Anwesenheit der Ursache hingen <strong>die</strong><br />
Bewertungen viel stärker von der Anzahl der „POR“-Gedanken zweier Aliens gleicher<br />
Farbe (Alien-Art) ab, als von der Anzahl der „POR“-Gedanken zweier Aliens,<br />
<strong>die</strong> eine andere Farbe als das Zielalien hatten <strong>und</strong> damit zu einer anderen Alien-<br />
Art gehörten. Damit konnte deutlich gezeigt werden, dass <strong>die</strong> Inferenzen der<br />
Versuchspersonen nicht nur von deren Annahmen über <strong>die</strong> zugr<strong>und</strong>e liegenden<br />
Kausalprozesse, sondern auch von den (als kausal relevant instruierten) Merkmalen<br />
der involvierten Objekte abhängig sind – <strong>und</strong> dass <strong>die</strong>se Abhängigkeit sehr<br />
gut mit der in Kapitel 4 eingeführten Idee einer adaptiven Fehlerattribution beschrieben<br />
<strong>und</strong> erklärt werden kann.