Kausales Denken, Bayes-Netze und die Markov-Bedingung

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