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.
17<br />
menschlichen Bedürfnisses, aktiv seine Umwelt zu manipulieren. Und so mag es<br />
nicht verw<strong>und</strong>ern, dass <strong>die</strong> Möglichkeit der Intervention das Lernen um <strong>die</strong> richtige<br />
kausale Struktur erheblich beschleunigt oder gar erst ermöglicht (siehe u.a.<br />
Campbell, 2007; Hagmayer, Sloman, Lagnado & Waldmann, 2007; Lagnado &<br />
Sloman, 2004; Meder, 2006; Meder, Hagmayer & Waldmann, 2008; Schulz,<br />
Gopnik & Glymour, 2007; Schulz, Kushnir & Gopnik, 2007; Sloman & Lagnado,<br />
2005; Sommerville, 2007; Waldmann & Hagmayer, 2005). Dabei profitieren nicht<br />
nur Menschen von der Möglichkeit des Intervenierens. Auch Ratten scheinen<br />
sensitiv für <strong>die</strong> Konsequenzen ihrer Interventionen in Kausalsysteme zu sein<br />
(Blaisdell, Sawa, Leising & Waldmann, 2006; Leising, Wong, Waldmann &<br />
Blaisdell, 2008).<br />
Kausale Grammatiken. Stehen weder Wissen um <strong>die</strong> zeitliche Abfolge noch <strong>die</strong><br />
Möglichkeit einer Intervention <strong>und</strong> nur eine sehr beschränkte Menge an Beobachtungsdaten<br />
zur Verfügung, so scheint ein Lernen zugr<strong>und</strong>e liegender Kausalrelationen<br />
schwierig bis ausgeschlossen. Dennoch identifizieren erwachsene<br />
Probanden wie auch Kleinkinder kausale Zusammenhänge in einigen Experimenten<br />
bereits nach der Beobachtung weniger Lerntrials (siehe u.a. Meltzoff, 2007;<br />
Sobel & Kirkham, 2007; Sobel, Tenenbaum & Gopnik, 2004). Eine Erklärung hierfür<br />
scheint zu sein, dass <strong>die</strong> Probanden abstraktes Wissen über das kausale System<br />
nutzen, um den Hypothesenraum einzuschränken oder Beobachtungen restriktiver<br />
zu interpretieren. Dieses abstrakte Vorwissen, z.B. dass Risikofaktoren<br />
Krankheiten <strong>und</strong> Krankheiten ihre Symptome verursachen, kann in einer kausalen<br />
Grammatik formalisiert werden (siehe Griffiths & Tenenbaum, 2007b;<br />
Tenenbaum, Griffiths & Niyogi, 2007; für einen weniger formalisierten, ähnlichen<br />
Ansatz siehe bereits Waldmann, 1996, 2007; für verwandte Ansätze siehe auch<br />
Kemp, Perfors & Tenenbaum, 2007; Kemp & Tenenbaum, 2008; Kemp &<br />
Tenenbaum, in press; Tenenbaum, Griffiths & Kemp, 2006). Eine kausale Grammatik<br />
beschreibt dabei in Anlehnung an probabilistische Grammatiken im sprachlichen<br />
Bereich (siehe u.a. Chater & Manning, 2006; Xu & Tenenbaum, 2007) einen<br />
generativen Algorithmus, der <strong>die</strong>jenigen Strukturen – hier also <strong>die</strong> verschiedenen<br />
<strong>Bayes</strong>-<strong>Netze</strong> bzw. Strukturhypothesen – produziert, über denen <strong>die</strong> Inferenz<br />
stattfindet <strong>und</strong> der <strong>die</strong> Strukturen in der Regel auch mit einer A-priori-