[论文解读] Evaluating computational models of explanation using human judgments
本文通过将计算解释模型的预测与人类判断进行比较，评估了贝叶斯网络中四种计算模型的解释能力。研究发现，因果解释树模型和最相关解释模型与人类数据的拟合度最佳，其与人类推理的一致性优于最大后验解释或解释树模型，并强调了将计算方法与心理学方法相结合在解释研究中的价值。
We evaluate four computational models of explanation in Bayesian networks by comparing model predictions to human judgments. In two experiments, we present human participants with causal structures for which the models make divergent predictions and either solicit the best explanation for an observed event (Experiment 1) or have participants rate provided explanations for an observed event (Experiment 2). Across two versions of two causal structures and across both experiments, we find that the Causal Explanation Tree and Most Relevant Explanation models provide better fits to human data than either Most Probable Explanation or Explanation Tree models. We identify strengths and shortcomings of these models and what they can reveal about human explanation. We conclude by suggesting the value of pursuing computational and psychological investigations of explanation in parallel.
研究动机与目标
- 评估计算解释模型与人类在因果推理中的认知判断的一致性。
- 使用实证人类数据，比较基于贝叶斯网络的四种解释模型的预测准确性。
- 识别哪些计算模型最能捕捉人类解释的结构与偏好。
- 探讨模型表现对理解人类解释过程的启示。
- 倡导对计算模型与心理学模型的解释进行并行研究。
提出的方法
- 开展两项受控实验，让人类参与者对因果贝叶斯网络中观察到的事件进行解释判断。
- 使用两种不同的因果结构，每种结构包含两个版本，以检验模型在多样化情景下的鲁棒性。
- 应用四种计算模型——最大后验解释、解释树、因果解释树和最相关解释——来预测人类判断。
- 收集人类对最佳解释的判断（实验1）以及对所提供解释质量的判断（实验2）。
- 使用统计拟合度量比较模型预测与人类反应，以评估模型表现。
- 使用模型比较技术识别最符合人类解释偏好的模型。
实验结果
研究问题
- RQ1哪种计算解释模型在预测贝叶斯网络中人类对解释质量的判断方面最为准确？
- RQ2不同解释模型（如最大后验解释与最相关解释）在预测人类推理方面的能力如何比较？
- RQ3因果解释树模型与最相关解释模型在多大程度上与人类解释偏好保持一致？
- RQ4模型与人类判断之间的差异揭示了人类解释本质的哪些特征？
- RQ5计算模型与人类解释的心理学研究如何相互促进？
主要发现
- 因果解释树模型和最相关解释模型在拟合人类判断数据方面显著优于最大后验解释模型和解释树模型。
- 在两项实验中，因果解释树模型在多种因果结构和解释任务中均表现出强大的预测准确性。
- 最相关解释模型在捕捉人类对简洁、相关解释的偏好方面优于其他模型。
- 最大后验解释模型虽然在逻辑上成立，但在复杂或模糊的因果情境中未能匹配人类直觉。
- 解释树模型表现中等，但其在结构复杂性上的过拟合问题大于对解释相关性的关注。
- 结果表明，强调相关性与因果结构一致性的模型更能反映人类解释行为。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。