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.
143<br />
personen bei der Beurteilung der Anwesenheit eines nicht beobachteten Zieleffekts<br />
gegeben der Anwesenheit der gemeinsamen Ursache deutlich sensitiver<br />
hinsichtlich des Zustands weiterer Effekte <strong>die</strong>ser gemeinsamen Ursache waren,<br />
wenn <strong>die</strong> gemeinsame Ursache als Gedankensender („Sending“-<strong>Bedingung</strong>) als<br />
wenn <strong>die</strong> Effekte als Gedankenleser („Reading“-<strong>Bedingung</strong>) instruiert wurden. In<br />
der „Sending“-<strong>Bedingung</strong> stiegen <strong>die</strong> Beurteilungen hinsichtlich der Anwesenheit<br />
des Zieleffekts sehr stark mit steigender Anzahl weiterer als anwesend beobachteter<br />
Effekte an, während <strong>die</strong> Abhängigkeit in der „Reading“-<strong>Bedingung</strong> deutlich<br />
geringer ausgeprägt war. Im Fall der Abwesenheit der Ursache, also wenn <strong>die</strong>se<br />
kausal nicht aktiv war, waren <strong>die</strong> Bewertungen wie erwartet unabhängig von der<br />
Manipulation hinsichtlich der zugr<strong>und</strong>e liegenden Kausalprozesse.<br />
Diese Bef<strong>und</strong>e zeigen deutlich, dass <strong>die</strong> Probanden bei ihren Kausalinferenzen<br />
sensitiv sind für <strong>die</strong> dem kausalen System zugr<strong>und</strong>e liegenden Prozesse <strong>und</strong><br />
dass <strong>Markov</strong>-Verletzungen damit in der Kausalinferenz selbst begründet sind.<br />
Dies weicht deutlich von den bisherigen Theorien ab, <strong>die</strong> – wie oben beschrieben<br />
– <strong>Markov</strong>-Verletzungen als Ergebnis einer Interaktion zwischen <strong>Markov</strong>konformer<br />
Kausalinferenz <strong>und</strong> anderen Inferenzprozessen erklärt haben,<br />
<strong>Markov</strong>-Verletzungen damit also gerade nicht als „kausales Phänomen“ betrachten.<br />
In Experiment 3 wurde explizit getestet, ob sich <strong>die</strong> Annahmen bezüglich<br />
der Kausalprozesse in unterschiedlichen Annahmen über <strong>die</strong> zugr<strong>und</strong>e liegende<br />
Fehlerstruktur des kausalen Systems äußern. Im Fall der Anwesenheit der Ursache,<br />
jedoch der Abwesenheit aller ihrer beobachteten Effekte attribuierten <strong>die</strong><br />
Versuchspersonen <strong>die</strong>ses Problem in der „Sending“-<strong>Bedingung</strong> auf <strong>die</strong> Ursache,<br />
in der „Reading“-<strong>Bedingung</strong> jedoch auf <strong>die</strong> Effekte. Der Bef<strong>und</strong> scheint damit auf<br />
eben <strong>die</strong>se unterschiedliche Fehlerattribution zurückzuführen zu sein. Als formale<br />
Erklärung wurde in Kapitel 4 ein bayesianisches Modell hergeleitet, das <strong>die</strong><br />
Inferenz als adaptive Fehlerattribution modelliert. Dazu wurde dem <strong>Bayes</strong>-Netz,<br />
welches das kausale System (der beobachtbaren Variablen) repräsentiert, eine<br />
zusätzliche Fehlerquelle hinzugefügt, <strong>die</strong> gleichermaßen präventiv auf alle Links<br />
innerhalb einer Common-Cause-Struktur wirkt. Unterschiedliche Annahmen über<br />
<strong>die</strong> Stärke <strong>die</strong>ser gemeinsamen Fehlerquelle führen in <strong>die</strong>sem Modell zu unter-