11. Induktives Denken Flashcards
Arten des Induktiven Denkens
- Testen von Hypothesen anhand von Beobachtungen: Aus Einzelfällen Regeln erschliessen (Spezialfall: aus Beobachtungen auf Kausalbeziehungen schliessen), Aus Symptomen auf Ursachen schliessen.-2. Schliessen von bekannten auf unbekannte Fälle: Verallgemeinern aufgrund von Ähnlichkeit, AnalogieSchlüsse.-3. Schliessen mit / auf Wahrscheinlichkeiten: unsichere Schlüsse, keine Sicherheit bezüglich Resultate. Wichtig: Stochastik an sich ist deduktiv, aber diese Wahrscheinlichkeiten angewandt sind deduktiv.
Hypothesentesten: Ein Experiment (Wason, 1966)
Finden sie die Regel: „2,4,6“, … -Aufgabe: Generieren weiterer Zahlentripel -> Feedback, ob die Tripel der Regel entsprechen oder nicht. So lange möglich, bis sich Versuchspersonen sicher waren, welche Regel die Zahlentripel generiert.-Typische Vorschläge: „8,10,12“, „20,22,24“ -> Idee: Zahlen in zweier Schritten aufwärts-Tatsächliche Regel: beliebige Zahlen in einer aufsteigenden Reihenfolge.-Versuchspersonen sind relativ schlecht darin, diese Regel zu finden. Es zeigt sich eine Bestätigungstendenz -> Es werden nur Zahlentripel gefragt, die einer erdachten Regel aus dem ersten Tripel folgen. Es wird keine Falsifikation vorgenommen.-Experimentelle Manipulation:-Instruktion, die eigene Hypothese zu widerlegen -> hilft nichts-Instruktion, an alternative Hypothesen zu denken -> schlechtere Ergebnisse!
Analyse der „2-4-6“-Aufgabe (Klayman & Ha 1987)
Zwei empirische Hypothesen für jede vermutete Regel „R“:-Wenn Beispiel Regel R folgt, dann „JA“-Wenn Beispiel Regel R verletzt, dann „Nein“-Positive Teststrategie: Positives Beispiel -> Hoffnung auf „JA“?-Negative Teststrategie: Negatives Beispiel -> „NEIN“?-Positive Teststrategie ist keine Bestätigungstendenz! Es gibt die Möglichkeit, dass auch bei positivem Beispiel verneint wird.-Der „Trick“ in der 2-4-6-Aufgabe: Aufgestellte, hypothetische Regel ist vollständige Teilmenge der wahren Regel -> wird nie verneint -> positive Teststrategie führt immer zur Bestätigung der Hypothese.-Übliche Situation: Hypothese und wahre Regel haben nur kleine gemeinsame Teil, ist nicht komplette Teilmenge der wahren Regel. Hier würden positive und negative Teststrategie zum Ziel führen. Positive Teststrategie ist gar nicht so irrational -> gibt auch Raum klar an, in welchem mal fragen soll, während negative Teststrategie sehr unorganisiert und willkürlich ist -> hohe Chance auf Nein-Antworten, was zu keiner Überarbeitung der Hypothese führt
Negative Teststrategie durch die Hintertür (Tweney et al, 1980)
-2 Kategorien von Zahlentripeln: DAX vs. MED-DAX = entspricht der Regel-MED= verletzt die Regel-Beide Teststrategien als „positiv“ repräsentiert:-Wenn Beispiel der DAX-Regel entspricht, dann Rückmeldung“DAX“-Wenn Beispiel der MED-Regel entspricht, dann Rückmeldung „MED“-Jeweils positive Strategie für die eine Kategorie und gleichzeitig negative Strategie für die andere -> gute Ergebnisse.
Positive und negative Teststrategie in Vierfeldertafeln
Test eines neuen Medikaments („Dolofix“)-Hypothese: Wenn ein Patient Dolofix nimmt, hat er/sie keine Schmerzen (positive Teststrategie)-Wenn ein Patient kein Dolofix nimmt, hat er Schmerzen (negative Teststrategie). -> Kontrollgruppe in der experimentellen Psychologie-Für Generalisierbarkeit braucht man positive und negative Teststrategie-Vierfelder-Tafel, die alle möglichen Ausgänge eines Experiments repräsentiert-Hypothese: -Wenn U, dann E (positive Teststrategie)-Wenn nicht U, dann nicht E (negative Teststrategie)
„Probabilistischer Kontrast“ (Cheng & Novick 1992)
Kausalstärke ~ ∆P = p(E|U) - p(E|¬U)-P(E|U) = a/(a+b) -> 11/23-P(E|¬U) = c/(c+d) –Häufiger Befund: Gewichtung der Zellen a>b>c>d = Positive Teststrategie: Was passiert, wenn Ursache vorliegt?-Wenn man probabilistischen Kontrast machen würde, dann wären alle Zellen gleich gewichtet -> es wird nicht gemacht.
Ein Problem mit dem probabilistischen Kontrast-Modell
Bsp:Testen eines neuen Düngers „Rotoxan“-Von 1000 Einftagsfliegen mit Rx starben 995-Von 1000 Eintagsfliegen ohne Rx. Starben 985-Probabilistischer Kontrast = 0.01 -> Geringe Schädliche Wirkung des Düngers?-> Deckeneffekt! Eintagsfliegen sterben sowieso, also kann Rotoxan gar nicht so viel mehr umbringen!-Umformuliert: Von 15 noch lebenden Fliegen 10 umgebracht!
Die Power-PC Theorie (Cheng 1997)
Causal Power: Kraft der Ursache, den Effekt hervorzubringen. Wirksamkeit der Ursache ins Verhältnis dazu setzen, wie viel Raum für Veränderung überhaupt noch da ist.-Gedankenexperiment: Die erste CP-Formel gilt für erzeugende Ursachen - wie ist es mit verhindernden Ursachen? (Dolofix verringert Kopfschmerzen) -> Wie gross ist der Effekt im Vergleich zu dem Effekt ohne die Ursache (Abstand vom Boden)
Ein Test der causal Power Theorie (Buehner et al. 2003)
Test neuer Allergie-Medikamente auf Nebenwirkungen-Kopfschmerzen hervorrufen / unterdrücken / kein Effekt?-10 Medikamente: Variation von P(E|¬U) und ∆P-Wenn Leute nur Probabilistischen Kontrast für Urteil verwenden dann spielt nur ∆P eine Rolle, wenn aber Causal Power Theorie dann auch P(E|¬U).-Resultate:-Rote Linie: Spricht für Causal Power Theorie, sonst wäre sie aufgrund des probabilisitschen Kontrasts horizontal -> immer gleiche Kausalstärke. Weil die Einschätzung nach oben geht, folgt sie eher der Linie der Causal Power.
Wovon hängt die gelernte Kausalstärke ab?
Gelernte Kausalstärke hängt ab von -Kovariation von Ursache und Effekt (=∆P)-Basisrate des Effekts (Raum für Wirkung)
Das Bayes-Theorem
K
Natürliche Häufigkeiten (Cosmides & Tooby, 1996, Gigerenzer 1995)
Posterior Probability: Bezug setzen von Symtpm vorhanden / Diagnose wahr zu Symptom Vorhanden / Diagnose Falsch
Häufigkeitsformat: Macht Beziehungen zwischen Mengen transpaewnr
