Kaus.htmlTEXTUmü6:E(£»╝╫ú»─Euüü ┬ Kausalwissen

Der Erwerb von Kausalwissen

Universität Tübingen
Psychologisches Institut
 Friedrichstr. 21
72072 Tübingen


Index:

E-mail-Adressen
Abstracts
Sonstige Projekte
Literatur

Noch Zeit zum Lesen?

E-mail:

Ausgewählte Abstracts veröffentlichter Arbeiten:

Waldmann, M. R., & Holyoak, K. J. (1992)

Predictive and diagnostic learning within causal models: Asymmetries in cue competition

Several researchers have recently claimed that higher-order types of learning, such as categorization and causal induction, can be reduced tolower-order associative learning. These claims are based in part on reports of cue competition in higher-order learning, apparently analogous to "blocking" in classical conditioning. We report three experiments in which subjects had to learn to respond on the basis of cues that were defined either as possible causes of a common effect (predictive learning) or as possible effects of a common cause (diagnostic learning). The results indicate that diagnostic and predictive reasoning, far from being identical as predicted by associationistic models, are not even symmetrical. Although cue competition occurs among multiple possible causes during predictive learning, multiple possible effects need not compete during diagnostic learning. The results favor a causal-model theory.

Waldmann, M. R., Holyoak, K. J., & Fratianne, A. (1995)

Causal models and the acquisition of category structure

This article proposes that learning of categories based on cause-effect relations is guided by causal models. In addition to incorporating domain-specific knowledge, causal models can be based on knowledge of such general structural properties as the direction of the causal arrow and the variability of causal variables. Five experiments tested the influence of common-cause models and common-effect models on the ease of learning linearly separable and non-linearly separable categories. The results show that causal models guide the interpretation of otherwise identical learning inputs, and that learning difficulty is determined by the fit between the structural implications of the causal models and the structure of the learning domain. These influences of the general properties of causal models were obtained across several different content domains, including domains for which subjects lacked prior knowledge.

Waldmann, M. R., & Hagmayer, Y. (1995)

Causal paradox: When a cause simultaneously produces and prevents an effect

Many philosophers and psychologists argue that causal inferences are solely based on the observation of contingencies between potential causes and effects. By contrast, causal-model theory postulates that the interpretation of the learning input is governed by prior causal assumptions. Simpson's paradox is an example of this basic claim of causal-model theory. Identical observations may result in dramatically different causal impressions depending on the partitioning of the event space. Two experiments are presented that show that participants' assessment of a contingency between a potential cause and an effect is moderated by their background assumptions about the causal relevance of additional variables, and the ordering of the learning items. Despite the fact that all participants received identical learning inputs, participants' assumptions about the causal relevance of an additional grouping variable led either to the impression that the cause facilitated the effect or to an impression that it prevented the effect. Thus, the acquisition of new causal knowledge is crucially dependent on causal knowledge that is already available at the outset of the induction process.


Sonstige Projekte:

Dissertationsprojekt Ulf-Dietrich Reips

(Abstract aus dem Beitrag zur 37. TEAP
in Bochum 1995)

Die Berücksichtigung von Diagnostizität nach Transfer zwischen kausalem Prädiktions- und Diagnoselernen

Kausalwissen kann auf unterschiedliche Weise angeeignet werden. Geht man beispielsweise von gegebenen Krankheiten aus und lernt vorherzusagen, welche Symptome von diesen Krankheiten produziert werden, dann erwirbt man das Krankheitswissen in der prädiktiven Richtung (von Ursachen zu Effekten). Geht man hingegen von Symptomen als gegeben aus und lernt zu diagnostizieren, welche Krankheiten wahrscheinlich verantwortlich sind für die beobachteten Symptome, dann handelt es sich um diagnostisches Lernen (von Effekten zu Ursachen). Eine interessante Frage im Hinblick auf Techniken der Wissensvermittlung ist nun, ob mit der Wissensaneignung in einer Richtung gleichzeitig das Wissen in der anderen Richtung korrekt vermittelt wird oder ob es zu systematischen Verzerrungen kommt.
Um dieser Frage nachzugehen, haben wir Experimente durchgeführt, in denen die Versuchsteilnehmer zunächst Wissen über artifizielle Krankheiten in der Diagnose- oder der Prädiktionsrichtung erwarben und dann Testfragen erhielten, die ihr Wissen in der Diagnoserichtung abgriffen. Die Aufgabe der Versuchsteilnehmer bestand während der Testphase darin, sich für dasjenige Symptom zu entscheiden, das ihrer Meinung nach am besten geeignet ist, eine angemessene Diagnose zu fällen.
Variiert wurden sowohl die Typikalität der Symptome als auch deren Diagnostizität. Es ist beispielsweise möglich, daß ein Symptom sehr typisch für eine Krankheit ist (z.B. Kopfschmerzen bei Grippe), dennoch wenig diagnostisch, da es auch andere Krankheiten gibt, die dieses Symptom produzieren. Umgekehrt gibt es auch den Fall, daß ein Symptom sehr gut zwischen Krankheiten diskriminiert, dennoch vergleichsweise wenig typisch für diese Krankheiten ist. Besteht das Ziel darin, eine möglichst treffsichere Diagnose zu fällen, dann ist es normativ angemessen, sich für das diagnostischere Symptom zu entscheiden.
Aus der Theorie der Kausalmodelle (Waldmann, 1994) läßt sich die Hypothese ableiten, daß beim prädiktiven Lernen stärker auf typische und beim diagnostischen Lernen stärker auf diagnostische Symptome fokussiert wird. Beim prädiktiven Lernen geht es vorwiegend darum, die statistische Beziehung zwischen Ursachen und Effekten einzuschätzen. Diese Einschätzung beinhaltet die Berücksichtigung von Typikalität, während die Diagnostizität keine Rolle dabei spielt. Diagnostisches Lernen hingegen involviert die Beachtung von Diagnostizität, so daß dieser Aspekt bei dieser Lernform stärker beachtet werden sollte. Diese Hypothese wurde in mehreren Experimenten überprüft.

Zur Einleitung der am 5.3.97 eingereichten Dissertation . (Am 29.4.97 wurde die Promotion abgeschlossen.)

Zurück nach oben:

WWW-Labor-Projekt Ulf-Dietrich Reips

Zurück nach oben:

Literatur (chronologisch rückwärts) :

Waldmann, M. R., & Reips, U.-D. (1997). Base rate appreciation after predictive and diagnostic learning. Manuskript in Vorbereitung.

Waldmann, M. R. (in Druck a). Der Erwerb von Kausalwissen: Prädiktives und diagnostisches Lernen mit Kausalmodellen. Göttingen: Hogrefe-Verlag.

Waldmann, M. R. (1997). Wissen und Lernen. Psychologische Rundschau, 48, 84-100.

Waldmann, M. R. & Holyoak, K. J. (1997). Determining whether causal order affects cue selection in human contingency learning: Comments on Shanks and Lopez (1995). Memory & Cognition, 25, 125-134.

Reips, U.-D. (1997). Der Einfluß der Lernrichtung beim Erwerb von Kausalwissen: Die Berücksichtigung von Diagnostizität. Unveröffentlichte Dissertation. Universität Tübingen.

Waldmann, M. R. (1996a). Wissensgeleitetes Lernen. In J. Hoffmann und W. Kintsch (Hg.), Enzyklopädie - Kognition, Band II: Lernen (S. 323-355). Göttingen: Hogrefe Verlag.

Waldmann, M. R. (1996b). Knowledge-based causal induction. In D. R. Shanks, K. J. Holyoak, & D. L. Medin (Eds.), The psychology of learning and motivation: Vol 34. Causal learning (pp. 47-88). San Diego, CA: Academic Press.

Waldmann, M. R. (1996c). Competition among causes in predictive and diagnostic learning . Manuskript eingereicht zur Publikation.

Waldmann, M. R., & Hagmayer, Y. (1995). Causal paradox: When a cause simultaneously produces and prevents an effect. In J. D. Moore & J. F. Lehman (Eds.), Proceedings of the Seventeenth Annual Conference of the Cognitive Science Society (pp. 425-430). Mahwah, NJ: Erlbaum.

Waldmann, M. R., Holyoak, K. J., & Fratianne, A. (1995). Causal models and the acquisition of category structure. Journal of Experimental Psychology: General, 124, 181-206.

Cheng, P. W., Melz, E. R., Holyoak, K. J., & Waldmann, M. R. (1993). Cue competition in human categorization: Contingency or the Rescorla-Wagner learning rule? Comments on Shanks (1991). Journal of Experimental Psychology: Learning, Memory, and Cognition, 19, 1398-1410.

Waldmann, M. R., & Holyoak, K. J. (1992). Predictive and diagnostic learning within causal models: Asymmetries in cue competition. Journal of Experimental Psychology: General, 121, 222-236.

Waldmann, M. R., & Holyoak, K. J. (1990). Can causal induction be reduced to associative learning? In: Proceedings of the 12th Annual Conference of the Cognitive Science Society, 190-197. Hillsdale, NJ: Erlbaum.

Zurück nach oben:

Zurück zur SoCo-Hauptseite:

(V'VFu entscheiden.
Aus der The Kaus.htmlTEXTUmü6TEXTUmü6»╝╫ú:E(£bleiten, daß beim prädiktiven Lernen stärker auf typische und beim diagnostischen Lernen stärker auf diagno':÷  UVUUUU  UVUUUU  UVUUUU  "a»/Q$  UVUUUU,  UVUUUUy  UVUUUUÇ  á  UVUUUUú  UVUUUU¬  ∩  UVUUUU≥  UVUUUU∙    UVUUUU   UVUUUU'  W  UVUUUUZ  UVUUUUÇ  2  UVUUUU5  6  UVUUUU?  A  UVUUUUH  J  UVUUUUf  i  UVUUUUm  z  UVUUUU}  UVUUUU╒±  UVUUUU⌡°  UVUUUU²  UVUUUU#  UVUUUU'*  33ÖÖY▌▌q  UVUUUUu▌▌x  UVUUUUɪ  UVUUUU⌐¡  UVUUUU═╫  UVUUUU▄  ÖÜff╠╠∩  UVUUUU√   UVUUUU   <  UVUUUU D  U  UVUUUU X  33ÖÖ q  ▌▌ z  UVUUUU ï  £  UVUUUU ƒ  UVUUUU ╓  τ  UVUUUU Ω  UVUUUU  UVUUUU A  E  UVUUUU e  i  UVUUUU  ÖÜff╠╠  UVUUUU  UVUUUU  UVUUUU   UVUUUU   !  UVUUUU $  ▌▌ s  33ÖÖ w   B  F  UVUUUU N  `  UVUUUU c f  UVUUUU ╜  UVUUUU ╙  σ  UVUUUU Φ  δ  UVUUUU 2  UVUUUU >  O  UVUUUU R  U  33ÖÖ e ▌▌ ╛  UVUUUU ╟  UVUUUUóÑ  UVUUUU╞  UVUUUU╥  Σ  UVUUUUτ Ω  UVUUUU?  C  UVUUUUK  \  UVUUUU_ b  33ÖÖr ▌▌⌐  UVUUUU▓  s  UVUUUUéà  UVUUUUª  UVUUUU▓  ─  UVUUUU╟ ╩  UVUUUU  UVUUUU  +  UVUUUU. 1  33ÖÖD ▌▌æ  UVUUUUÜ  q  UVUUUUu  y  UVUUUU}Ç  UVUUUUáú  UVUUUUº  ╣  UVUUUU╝┐  UVUUUUΩ  UVUUUUⁿ #  UVUUUU(  Q  UVUUUUU  k  UVUUUUo Φ  UVUUUUφ  UVUUUU!)  UVUUUU#>  UVUUUU%ε  UVUUUU)  UVUUUU)  33ÖÖ)L ▌▌)Z  UVUUUU)╫  UVUUUU)⌠  UVUUUU*  UVUUUU**  ¬½*k  33ÖÖ*o  *r  UVUUUU*ô *╖  UVUUUU*╝  ¬½+U  33ÖÖ+Y  UVUUUU+\  UVUUUU+q  UVUUUU+Æ  UVUUUU+º  UVUUUU+°  UVUUUU,8  ,J  UVUUUU,M,P  33ÖÖ,h,r  UVUUUU,ü,ñ  UVUUUU,½,¼  UVUUUU,▒  UVUUUU,π  UVUUUU-'  -C  UVUUUU-F  -g  UVUUUU-j  UVUUUU-╦  UVUUUU-ε  UVUUUU.  .<  UVUUUU.@  .H  UVUUUU.K  UVUUUU.²  UVUUUU/$  UVUUUU/(  UVUUUU0^  UVUUUU0╛  UVUUUU0≡  UVUUUU1"  UVUUUU1)  UVUUUU2  UVUUUU2   2<  UVUUUU2?  UVUUUU2ü  UVUUUU2«  UVUUUU2╡  UVUUUU2╝  2╬  UVUUUU2╤  UVUUUU2ε  2   UVUUUU3  ▌▌3A  33ÖÖ3E  UVUUUU3┬  UVUUUU4  UVUUUU4A  4D  UVUUUU4H  4K  UVUUUU4O  4a  UVUUUU4d  4g  33ÖÖ4z  UVUUUU4╗  4╠  UVUUUU4╧  UVUUUU5$  5U  UVUUUU5Y  5b  UVUUUU5f  5i  UVUUUU5m  UVUUUU66  UVUUUU6ä  UVUUUU6ô  UVUUUU6Ü  UVUUUU6í  6│  UVUUUU6╢  UVUUUU6╨  6ß  UVUUUU6Σ  UVUUUU7ë  UVUUUU7╛  UVUUUU7╠  UVUUUU7╙  8C  UVUUUU8F  UVUUUU8ù  UVUUUU8╝  UVUUUU8╩  UVUUUU8▀  UVUUUU9  UVUUUU9  ¬½9V  33ÖÖ9Z  UVUUUU9^  9b  UVUUUU9ü  UVUUUU9⌐  UVUUUU9╖  9┴  UVUUUU9─  UVUUUU9╩  UVUUUU:*  UVUUUU:<  UVUUUU:D  :K  (V'VFσDhA^FstylsoupÇ  Θ£Ç  'R±y¿