Navigation ▼

Show simple item record

dc.contributor.advisor Waldmann, Michael Prof. Dr. de
dc.contributor.author Meder, Björn de
dc.date.accessioned 2012-04-16T14:56:48Z de
dc.date.available 2013-01-30T23:50:40Z de
dc.date.issued 2006-06-20 de
dc.identifier.uri http://hdl.handle.net/11858/00-1735-0000-0006-AC65-0 de
dc.description.abstract Diese Dissertation geht der Frage nach, wie Menschen Vorhersagen über die Folgen von aktiven Interventionen in kausalen Systemen zu treffen, wenn sie diese Systeme zuvor nur passiv beobachtet haben. Die Theorie der kausalen Bayes-Netze (Spirtes, Glymour & Scheines, 1993; Pearl, 2000) stellt einen rationalen Ansatz zur Repräsentation von Kausalwissen dar und formalisiert den Unterschied zwischen passiv beobachteten Ereignissen ( seeing ) und identischen Ereignissen, die durch Interventionen aktiv erzeugt wurde ( doing ). Dadurch ermöglicht es der Formalismus, die Folgen von hypothetischen und kontrafaktischen Interventionen aus Beobachtungswissen abzuleiten. Alternative Theorien kausalen Denkens hingegen, die den Unterschied zwischen passiv beobachteten und aktiv erzeugten Ereignissen nicht berücksichtigen, generieren fehlerhafte Vorhersagen, wenn Beobachtungen und Interventionen unterschiedliche Implikationen haben. Die grundlegende Forschungsfrage der acht Experimente dieser Arbeit ist, ob Menschen die Folgen von hypothetischen und kontrafaktischen Interventionen aus Beobachtungswissen ableiten können, das in einem passiven Trial-by-Trial Lernverfahren erworben wurde. In Übereinstimmung mit der Theorie kausaler Bayes-Netze zeigte sich, dass die Versuchsteilnehmer überraschend gut darin waren, die Folgen von Interventionen aus Beobachtungswissen abzuleiten, und dass sie dabei auch die Struktur und die Parameter des beobachteten Kausalmodells einbeziehen. Zudem zeigen die Befunde, dass konfundierende Variablen bei den jeweiligen Vorhersagen adäquat berücksichtigt werden. Obwohl die Schlussfolgerungen der Versuchsteilnehmer insgesamt den Vorhersagen der Theorie kausaler Bayes-Netze entsprachen, zeigen die Befunde auch einige Randbedingungen auf. So hatten die Probanden zum Beispiel Probleme, zwischen den Implikationen von hypothetischen und kontrafaktischen Interventionen zu differenzieren. Insgesamt stützen die Ergebnisse klar die Theorie der kausalen Bayes-Netze als psychologisches Modell kausalen Denkens. Alternative Theorien kausaler Kognitionen, die die Unterschiede zwischen beobachteten und durch Interventionen erzeugten Ereignissen nicht repräsentieren, können die Ergebnisse der Experimente nicht erklären. de
dc.format.mimetype application/pdf de
dc.language.iso eng de
dc.rights.uri http://webdoc.sub.gwdg.de/diss/copyr_diss.html de
dc.title Seeing versus Doing: Causal Bayes Nets as Psychological Models of Causal Reasoning de
dc.type doctoralThesis de
dc.title.translated Beobachten versus Handeln: Kausale Bayes-Netze als psychologische Modelle kausalen Denkens de
dc.contributor.referee Lüer, Gerd Prof. Dr. de
dc.date.examination 2006-05-03 de
dc.subject.dnb 150 Psychologie de
dc.description.abstracteng This dissertation is concerned with the question of how people infer the consequences of active interventions in causal systems when only knowledge from passive observations is available. Causal Bayes nets theory (Spirtes, Glymour & Scheines, 1993; Pearl, 2000) provides a rational account of causality which explicitly distinguishes between merely observed states of variables ( seeing ) and identical states due to external interventions ( doing ), and which provides mechanisms for predicting the outcomes of hypothetical and counterfactual interventions from observational knowledge. By contrast, alternative models of causal cognition (e.g., associative theories) fail to capture the crucial difference between observations and interventions and thus are likely to generate erroneous predictions when the implications of observations and interventions differ. The basic research question of the eight experiments presented in this thesis was to investigate whether people who have observed individual trials presenting the states of a complex causal model can later predict the consequences of hypothetical and counterfactual interventions in a way predicted by causal Bayes nets. Consistent with the Bayes nets account learners were surprisingly good at inferring the consequences of interventions from observational knowledge in accordance with the structure and the parameters of the observed causal system. The experiments also show that participants were capable of taking into account the implications of confounding variables when reasoning about complex causal models. Although participants inferences were largely consistent with the predictions of causal Bayes nets, the studies also point to some boundary conditions of the competencies of lay reasoners. For example, learners had problems distinguishing hypothetical interventions from counterfactual interventions. In summary, the experiments strongly support causal Bayes nets as a model of causal reasoning. Alternative theories of causal cognition lack the representational power to express the crucial differences between observations and interventions and therefore fail to account for the results of the experiments. de
dc.contributor.coReferee Kappeler, Peter M. Prof. Dr. de
dc.contributor.thirdReferee Zippelius, Annette Prof. Dr. de
dc.subject.topic Mathematics and Computer Science de
dc.subject.ger Kausalität de
dc.subject.ger kausales Denken de
dc.subject.ger kausales Lernen de
dc.subject.eng Causality de
dc.subject.eng Causal Reasoning de
dc.subject.eng Causal Cognition de
dc.subject.eng Causal Learning de
dc.identifier.urn urn:nbn:de:gbv:7-webdoc-746-8 de
dc.identifier.purl webdoc-746 de
dc.affiliation.institute Biologische Fakultät inkl. Psychologie de
dc.identifier.ppn 517940841 de

Files in this item

This item appears in the following Collection(s)

Show simple item record