[논문 리뷰] Abductive, Causal, and Counterfactual Conditionals Under Incomplete Probabilistic Knowledge

Niki Pfeifer, Leena Tulkki|arXiv (Cornell University)|2017. 03. 09.

Bayesian Modeling and Causal Inference인용 수 5

한 줄 요약

이 연구는 비완전한 확률 지식 하에서 사람들이 추론하는 방식을 분석하기 위해 확률적 진리표 작업을 사용하여 추론, 인과적, 반대가정 조건문에 대해 연구한다. 연구 결과 조건부 이벤트 해석이 응답에서 지배적이며, 작업 기억을 절약하는 히ュ리스틱으로서 새로운 '중간' 전략(상한 및 하한)이 나타나며, 이는 불확실한 추론을 위한 합리적 프레임워크로서 일관성 기반 확률 논리의 지지를 받는다.

ABSTRACT

We study abductive, causal, and non-causal conditionals in indicative and counterfactual formulations using probabilistic truth table tasks under incomplete probabilistic knowledge (N = 80). We frame the task as a probability-logical inference problem. The most frequently observed response type across all conditions was a class of conditional event interpretations of conditionals; it was followed by conjunction interpretations. An interesting minority of participants neglected some of the relevant imprecision involved in the premises when inferring lower or upper probability bounds on the target conditional/counterfactual ("halfway responses"). We discuss the results in the light of coherence-based probability logic and the new paradigm psychology of reasoning.

연구 동기 및 목표

• 비완전한 확률 지식이 있을 때 사람들이 추론, 인과적, 반대가정 조건문을 어떻게 해석하는지 조사하기 위해.
• 인과적 또는 추론적 관계(예: 인과적 또는 추론적)가 비인과적 조건문과 비교해 추론 패턴에 유의미한 영향을 미치는지 평가하기 위해.
• 불확실성 하에서 추론을 위한 합리적 프레임워크로서 일관성 기반 확률 논리를 평가하기 위해.
• 특히 '중간' 응답 전략(하한, 상한, 또는 둘 다)을 식별하고, 이들의 인지적 함의를 분석하기 위해.

제안 방법

• 80명의 참가자를 대상으로 한 확률적 진리표 작업을 실시하여, 전제 및 결과 문장의 네 가지 진리표 사례에 대해 모호한(구간) 확률을 할당하였다.
• 전제가 연관 확률(예: p(A∧C), p(A∧¬C) 등)의 범위를 할당하고 결론이 조건문에 대한 신념 정도임을 가정하여 추론을 확률 논리적 추론 문제로 정형화하였다.
• 핵심 확률 전파 규칙로 조건부 이벤트 해석(p(C|A) = p(A∧C)/p(A))를 사용하였으며, 물리적 조건문, 결합, 이항조건문 해석과 대비하였다.
• 비인과적 명제(C1), 인과적 명제(C2), 추론적 조건문(C3), 반대가정 조건문(C4)의 네 가지 조건에서 수행하였으며, 추론 복잡도 수준이 다양하였다.
• 신뢰도 평가를 비교하기 위해 통계 분석(홀름-보너페리 보정이 적용된 ANOVA)을 사용하였다.
• 응답을 조건부 이벤트, 결합, 물리적 조건문, '중간' 응답(하한, 상한, 또는 둘 다)으로 분류하여 빈도와 인지적 함의를 분석하였다.

실험 결과

연구 질문

• RQ1 비완전한 확률 정보가 주어졌을 때 사람들은 추론, 인과적, 반대가정 조건문을 어떻게 추론하는가?
• RQ2 인과적 또는 추론적 관계가 비인과적 조건문과 비교해 응답 패턴에 유의미한 영향을 미치는가?
• RQ3 '중간' 응답 전략—즉, 조건부 확률의 하한 또는 상한만 추정하는 방식—이 인지 히ュ리스틱으로 얼마나 자주 나타나는가?
• RQ4 반대가정 및 추론적 추론 작업에서의 신뢰도 평가가 인지 부담 또는 개념적 난이도로 인해 유의미하게 낮아지는가?
• RQ5 일관성 기반 확률 논리가 비완전한 확률 지식 하에서 인간의 추론을 모델링하는 데 합리적 프레임워크로 기능할 수 있는가?

주요 결과

• 모든 조건에서 조건부 이벤트 해석(p(C|A))이 가장 빈도 높은 응답 유형이었으며, 이는 불확실성 하에서 추론 시 지배적인 방식임을 시사한다.
• '중간' 응답 전략—즉, p(C|A)의 하한 또는 상한만 추정하는 방식—은 하한 기반 응답 11.6%와 상한 기반 응답 12.8%에서 관찰되었으며, 이는 작업 기억 절약 히ュ리스틱으로서의 가능성을 시사한다.
• '중간 상한' 응답 전략이 '중간 하한' 전략보다 더 흔하여, 보수적인 확률 추정 경향이 있을 수 있음을 시사한다.
• C4(반대가정) 조건에서의 신뢰도 평가가 유의미하게 낮았으며, 이는 결과에서 원인으로 추론하는 데서 오는 인지 난이도와 사실적 진술과의 모순으로 인한 것이다.
• 기대와는 달리, 인과적/추론적 조건문과 비인과적 조건문 간의 응답 패턴에 유의미한 차이가 없었으며, 이는 추론 관계가 추론 패턴을 변화시킨다는 추론주의 가설에 도전한다.
• 결과는 비완전한 확률 지식 하에서도 다양한 조건문 유형에 걸쳐 일관성 기반 확률 논리가 인간의 추론을 모델링하는 데 합리적 프레임워크로 기능할 수 있음을 지지한다.