Kausales Denken, Bayes-Netze und die Markov-Bedingung

29
Daran anschließend wurde die Bayes-Netz-Theorie eingeführt, die sich mathematisch
als Verknüpfung von gerichteten kausalen Graphen und dem Wahrscheinlichkeitskalkül
darstellt. Zentrale Annahme ist die Markov-Bedingung, nach
der eine Variable in einer Kausalstruktur konditionalisiert auf ihre direkten Ursachen
unabhängig von den anderen Variablen ist, die nicht Nachfolger der Variablen
sind. Darauf aufbauend wurde gezeigt, wie Kausalstrukturen mit den
Constraint-based-Methoden und mittels bayesianischen Hypothesentesten entdeckt
werden können und dass Probanden in solchen Aufgaben oft sehr schlecht
abschneiden. Menschen scheinen daher auch weitere Informationen, wie die
zeitliche Abfolge von Ereignissen und das Ergebnis von Interventionen, und abstraktes
Vorwissen, wie es in kausalen Grammatiken formal beschrieben werden
kann, zu nutzen, um Kausalrelationen zu identifizieren.
Als Brückenschluss zurück zu den psychologischen Ansätzen wurde das
Causal-Support-Modell von Griffiths und Tenenbaum (2005) eingeführt. Dieses
formalisiert das Lernen elementarer Ursache-Effekt-Relationen im Bayes-Netz-
Framework. Griffiths und Tenenbaum konnten zeigen, dass die psychologischen
Maße und Causal Power beide Maximum-Likelihood-Schätzer der Kausalstärke
unter unterschiedlichen Annahmen bezüglich der funktionalen Verknüpfung
von Ursache und Hintergrund sind.
Des Weiteren sind die empirischen Arbeiten von Rehder und Burnett
(2005) genauer vorgestellt worden. Diese nähren Zweifel an der Markov-
Bedingung als Teil einer psychologischen Theorie des kausalen Denkens. Die Beurteilung
der Anwesenheit eines Effektes in einer Common-Cause-Struktur gegeben
der An- oder Abwesenheit seiner Ursache hängt im Widerspruch zur
Markov-Bedingung sehr wohl und gleichsam auch sehr deutlich vom Status der
weiteren Effekte der gemeinsamen Ursache ab. Darauf aufbauend und in Abgrenzung
zu den akausalen Erklärungsversuchen von Rehder und Burnett wurde
die Idee entwickelt, dass Probanden bei Kausalinferenzen systematisch weiteres
Wissen, insbesondere um die zugrunde liegenden kausalen Prozesse und die
damit verbundene Fehlerstruktur, miteinbeziehen. Dies soll im folgenden Kapitel
genauer untersucht werden.