When is a Cause the “Same”? Incoherent Generalization across Contexts
Notice bibliographique
Résumé
A theory or model of cause such as Cheng's power (p) allows people to predict the effectiveness of a cause in a different causal context from the one in which they observed its actions. Liljeholm and Cheng demonstrated that people could detect differences in the effectiveness of the cause when causal power varied across contexts of different outcome base rates, but that they did not detect similar changes when only the cause-outcome contingency, ∆p, but not power, varied. However, their procedure allowed participants to simplify the causal scenarios and consider only a subsample of observations with a base rate of zero. This confounds p, ∆p, and the probability of an outcome (O) given a cause (C), P(O|C). Furthermore, the contingencies that they used confounded p and P(O|C) in the overall sample. Following the work of Liljeholm and Cheng, we examined whether causal induction in a wider range of situations follows the principles suggested by Cheng. Experiments 1a and 1b compared the procedure used by Liljeholm and Cheng with one that did not allow the sample of observations to be simplified. Experiments 2a and 2b compared the same two procedures using contingencies that controlled for P(O|C). The results indicated that, if the possibility of converting all contexts to a zero base rate situation was avoided, people were sensitive to changes in P(O|C), p, and ∆p when each of these was varied. This is inconsistent with Liljeholm and Cheng's conclusion that people detect only changes in p. These results question the idea that people naturally extract the metric or model of cause from their observation of stochastic events and then, reasonably exclusively, use this theory of a causal mechanism, or for that matter any simple normative theory, to generalize their experience to alternative contexts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».