[论文解读] The Cognitive Processing of Causal Knowledge

Scott B. Morris, Doug Cork+1 more|arXiv (Cornell University)|Feb 6, 2013

Bayesian Modeling and Causal Inference参考文献 19被引用 5

一句话总结

本文提出，人类因果推理与概率因果模型（特别是贝叶斯网络）一致，通过证明关于因果折扣和认知发展的心理学研究（例如皮亚杰的研究）与贝叶斯网络中的推理和结构学习算法相吻合。其主要贡献是基于人类学习和判断中观察到的概率依赖与独立关系，为一种主观因果定义提供了认知依据。

ABSTRACT

There is a brief description of the probabilistic causal graph model for representing, reasoning with, and learning causal structure using Bayesian networks. It is then argued that this model is closely related to how humans reason with and learn causal structure. It is shown that studies in psychology on discounting (reasoning concerning how the presence of one cause of an effect makes another cause less probable) support the hypothesis that humans reach the same judgments as algorithms for doing inference in Bayesian networks. Next, it is shown how studies by Piaget indicate that humans learn causal structure by observing the same independencies and dependencies as those used by certain algorithms for learning the structure of a Bayesian network. Based on this indication, a subjective definition of causality is forwarded. Finally, methods for further testing the accuracy of these claims are discussed.

研究动机与目标

• 调查人类因果推理是否与贝叶斯网络中的概率推理相对应。
• 检验关于因果学习的发展研究（例如皮亚杰的研究）是否反映用于学习贝叶斯网络结构的算法。
• 基于对依赖与独立关系的认知处理，提出一种主观因果定义。
• 提供一个测试人类因果认知与贝叶斯网络模型之间一致性的框架。

提出的方法

• 利用基于贝叶斯网络的概率因果图模型来表示和推理因果知识。
• 应用贝叶斯网络推理算法来模拟人类在因果折扣任务中的判断，其中一种原因会降低对另一种原因的感知概率。
• 分析皮亚杰式的发展实验，以识别儿童因果推理中依赖与独立的模式。
• 将观察到的人类认知模式与用于从统计依赖关系中识别因果图的结构学习算法进行比较。
• 采用从认知数据中观察到的概率关系推导出的主观因果定义。
• 提出实证方法，以检验人类因果判断与贝叶斯网络预测之间的一致性。

实验结果

研究问题

• RQ1 人类在因果折扣任务中的判断是否与贝叶斯网络推理的预测一致？
• RQ2 皮亚杰研究中儿童的因果学习模式是否与贝叶斯网络结构学习中使用的独立与依赖结构相对应？
• RQ3 能否从认知处理概率依赖关系的过程中推导出主观因果定义？
• RQ4 心理学实验在多大程度上支持将贝叶斯网络作为人类因果认知模型？

主要发现

• 关于因果折扣的心理学研究表明，人类判断与贝叶斯网络推理算法的概率预测高度一致。
• 皮亚杰关于儿童因果推理的研究显示出依赖与独立的模式，这些模式与贝叶斯网络中的结构学习算法相吻合。
• 观察到的认知模式支持一种基于概率关系的主观因果定义，而非基于确定性或本体论标准的定义。
• 本文证明，人类因果认知可被建模为一种与贝叶斯网络一致的概率推理形式。