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