Kausales Denken, Bayes-Netze und die Markov-Bedingung

153
8 Zusammenfassung
Die Fähigkeit, kausale Beziehungen in der Welt zu entdecken und das Wissen um
diese nutzbar zu machen, ist eine zentrale Kompetenz, um in der Umwelt erfolgreich
agieren zu können. Eine bedeutende Rolle in der aktuellen psychologischen
Forschung um eben dieses Kausalwissen spielt die Theorie der kausalen Bayes-
Netze, die Ursache-Wirkungs-Beziehungen in gerichteten Graphen formalisiert.
Zentrale Annahme dieses Ansatzes ist die Markov-Bedingung, nach der eine Variable
konditionalisiert auf ihre direkten Ursachen unabhängig von allen anderen,
nicht nachfolgenden Variablen des Systems ist. Neuere Forschung nährt jedoch
Zweifel an der Markov-Bedingung als Teil einer psychologischen Theorie des kausalen
Denkens (siehe v.a. Rehder & Burnett, 2005). So hängt die Beurteilung der
Anwesenheit eines Effektes in einer Common-Cause-Struktur gegeben der Anoder
Abwesenheit seiner Ursache im Widerspruch zur Markov-Bedingung sehr
wohl und gleichsam auch sehr deutlich vom Status der weiteren Effekte der gemeinsamen
Ursache ab.
In der vorliegenden Arbeit wird empirisch gezeigt, dass die Probanden bei
solchen Kausalinferenzen systematisch weiteres Wissen, insbesondere um die
zugrunde liegenden kausalen Prozesse, miteinbeziehen und dies zu „Markov-
Verletzungen“ führt. Aufbauend darauf wird ein computationales Modell entwickelt,
welches klassische Bayes-Netze um eine ursacheseitige Fehlerkomponente
erweitert und dabei den Schlussprozess als adaptive Fehlerattribution implementiert.
Dieses Basismodell wird dann in drei Anwendungsbereichen empirisch geprüft.
Des Weiteren wird gezeigt, dass die Inferenzen auch von den Merkmalen
der involvierten Objekte und damit von möglichen Kategorisierungen der Effektvariablen
abhängig sind, und eine entsprechende Modellerweiterung entwickelt,
die die Zielinferenz über alle möglichen Partitionierungen der Effekte bestimmt
und dabei über die Unsicherheit bezüglich der Clusterzugehörigkeit integriert.
Abschließend werden mögliche Konsequenzen der Befunde diskutiert und ein
umfassenderes, computationales Modell des Kausaldenkens skizziert, welches
zwischen einer statistischen Ebene der Ereignisse und einer kausalen Hintergrundebene,
in der die involvierten Objekte und Mechanismen repräsentiert
sind, unterscheidet.