Kausales Denken, Bayes-Netze und die Markov-Bedingung

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 An- oder 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.

Author dc:creator

• Mayrhofer, Ralf

Contributors dc:contributor

• Waldmann, Michael R. Prof. Dr.
• Nückles, Matthias Prof. Dr.

• 150 Psychologie
• Psychologie
• Kausales Denken
• Bayes-Netze
• Markov-Bedingung
• Causal reasoning
• Bayes nets
• Markov condition
• 77.31
• FAB 000: Kognitionspsychologie

Licence

• https://creativecommons.org/licenses/by-nc-nd/3.0/

Language dc:language

ger

Identifier

urn:nbn:de:gbv:7-webdoc-2382-6
webdoc-2382
620700246

OAI identifier oai:identifier

oai:ediss.uni-goettingen.de:11858/00-1735-0000-0006-AD94-D