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.
146<br />
vielmehr auf <strong>die</strong> beobachtete präventive Ursache attribuiert wird. Dies reduziert<br />
<strong>die</strong> Attribution auf <strong>die</strong> modellendogen angenommene unbeobachtete Fehlerquelle<br />
<strong>und</strong> damit den Einfluss des Zustands der weiteren Effekte auf den Zieleffekt.<br />
Diese Vorhersagen wurden in zwei Experimenten getestet, <strong>die</strong> an <strong>die</strong> Basisexperimente<br />
angelehnt waren <strong>und</strong> sich auf den „Sending“-Fall als zugr<strong>und</strong>e liegenden<br />
Mechanismus mit eher ursacheseitiger Fehlerattribution beschränken<br />
(genaueres siehe Abschnitt 5.3): Dabei zeigte sich, dass im Fall der Anwesenheit<br />
der gemeinsamen Ursache sowie der Anwesenheit einer präventiven Ursache –<br />
in <strong>die</strong>sem Fall <strong>die</strong> Einführung zweier Wände, <strong>die</strong> <strong>die</strong> beiden nicht Zieleffekt-<br />
Aliens vom Gedanken sendenden Alien abschirmten – <strong>die</strong> Einschätzung der Anwesenheit<br />
des unbeobachteten Zieleffekts von der Anzahl der als anwesend beobachteten<br />
weiteren Effekte deutlich geringer abhing, als ohne <strong>die</strong>se präventive<br />
Ursache. Damit konnte das Modell auch in einer Situation bestätigt werden, in<br />
der <strong>die</strong> postulierte Fehlerattribution direkt durch <strong>die</strong> Einführung weiterer präventiver<br />
Ursachen manipuliert wurde.<br />
In der Gesamtschau hat sich demnach <strong>die</strong> in Abschnitt 2.4 entwickelte Idee<br />
sehr gut bewährt. <strong>Markov</strong>-Verletzungen sind demnach nicht Ausdruck einer an<br />
sich <strong>Markov</strong>-konformen Kausalinferenz, <strong>die</strong> mit anderen Inferenzprozessen interagiert,<br />
wie <strong>die</strong>s noch von Rehder <strong>und</strong> Burnett (2005) angenommen wurde.<br />
Konditionale Abhängigkeiten sind demnach vor allem Ausdruck der Annahmen<br />
über <strong>die</strong> zugr<strong>und</strong>e liegenden Kausalprozesse <strong>und</strong> <strong>die</strong> damit verb<strong>und</strong>ene Fehlerstruktur<br />
(für <strong>die</strong>sbezügliche Einschränkungen siehe weiter unten). Die Kausale-<br />
<strong>Bayes</strong>-Netz-Theorie, wie sie in Abschnitt 2.2 als psychologische Theorie kausalen<br />
<strong>Denken</strong>s eingeführt wurde (siehe u.a. Gopnik et al., 2004; Sloman, 2005), muss<br />
daher erweitert werden. Die <strong>Markov</strong>-<strong>Bedingung</strong> scheint im Hinblick auf <strong>die</strong> beobachtbaren<br />
Variablen offenk<strong>und</strong>ig nicht Bestandteil der Repräsentation zu sein,<br />
auf denen das kognitive System operiert. Das hier vorgeschlagene Modell, welches<br />
das Wissen um <strong>die</strong> zugr<strong>und</strong>e liegenden kausalen Mechanismen in der Form<br />
von Annahmen über <strong>die</strong> Fehlerstruktur integriert, schlägt damit konzeptionell<br />
auch eine erste Brücke zwischen den mechanismusbasierten Ansätzen (siehe<br />
Abschnitt 2.1.3), <strong>die</strong> <strong>die</strong> Bedeutungen kausaler Mechanismen für das menschliche<br />
Kausaldenken hervorheben, <strong>und</strong> den mit den kovariationsbasierten Ansätzen