Kausales Denken, Bayes-Netze und die Markov-Bedingung

141
Domäne möglichst homogen sind, wurde eine Erweiterung des in Kapitel 4 vorgestellten
Modells entwickelt, welches die Zielinferenz über alle möglichen Partitionierungen
der Effekte des Systems bestimmt und über die Unsicherheit bezüglich
der Clusterzugehörigkeit integriert. Dieses Modell macht die Vorhersage,
dass die Bewertung der Wahrscheinlichkeit der Anwesenheit eines unbeobachteten
Zieleffekts in einer Common-Cause-Struktur umso stärker von anderen beobachteten
Effekten abhängen sollte, je ähnlicher der Zieleffekt diesen anderen
Effekten hinsichtlich kausal relevanter Merkmale ist. In einem Experiment, in
dem die Versuchspersonen in Anlehnung an die Basisexperimente in einer Common-Cause-Struktur
mit fünf Effekten die Wahrscheinlichkeit einzuschätzen hatten,
mit der ein Zielalien in einer „Sending“-Situation an „POR“ denkt, konnte die
Vorhersage bestätigt werden: Im Fall der Anwesenheit der Ursache hingen die
Bewertungen viel stärker von der Anzahl der „POR“-Gedanken zweier Aliens gleicher
Farbe (Alien-Art) ab, als von der Anzahl der „POR“-Gedanken zweier Aliens,
die eine andere Farbe als das Zielalien hatten und damit zu einer anderen Alien-
Art gehörten. Damit konnte deutlich gezeigt werden, dass die Inferenzen der
Versuchspersonen nicht nur von deren Annahmen über die zugrunde liegenden
Kausalprozesse, sondern auch von den (als kausal relevant instruierten) Merkmalen
der involvierten Objekte abhängig sind – und dass diese Abhängigkeit sehr
gut mit der in Kapitel 4 eingeführten Idee einer adaptiven Fehlerattribution beschrieben
und erklärt werden kann.