因果关系模型ppt课件

计算出各种情况下因果关系模型所产生的可能性， 那么如何应用到分类判断呢？ 这取决于被试所面临的选择任务的性质。
1、Two candidate categories: 卢斯的选择公理（Luce’s choice axiom ） P(A|E)=LA(E)/[LA(E)+LB(E)]
E
A
B
2、A single novel category (in this study):
对实验组的六个特征间比较的单因素斱差分析表明在没有因果关系的条件下两特征间的连接对类别等级评定没有影响直接连接的特征间比较213243显著大亍间接连接的特征间比较314142理论模型实验中被试的等级评定数据通过因果理论模型预测的16个样例的概率如何确定是否相符根据实验组被试对参数cmbk迚行估计得到cmkb的平均值被试在迚行类别评定任务时是相信概率因果机制的存在违背因果原则的样例遵守因果原则的样例链接因果模型很好地单个特征的权重和特征间相关的敏感性因果模型理论和只考虑特征权重的理论的比较比如因果等级假设本实验的结果验证了因果模型中对特征重要性和特征间比较的预测和其他三个特征相比特征1明显重要由因果关系连接的特征间的直接比较有显著的作用在因果网络乊中更加原因的特征对归类更重要比如xyz则重要性
.08
b)]
Likeliho1o1d Equat(ico)n(smf+orba-mcabu)sal mo.d4e2l with two binary features and one causal relationship
注意：对任意取值范围为0~1的c, m, b， P(00)+P(01)+P(10)+P(11)=1
An
accelereraspteodnssFel1e. ep
? cycle
causes
a
high
1个描述Fb3因od果y 关we系Aigc的hcte图.lSe表hrFar2timedpshleaebp?itucyaclllye.feed after
Fw4aking, aHnigdhshbroFimd3ypwoenigahnAt.caccecleelreartaetdedsleep cycle sinlesetepacdyoclfeownacekeF4three tim? es a day
CmE
C
b
c: 特征C出现的可能性 m:当C出现时，连接C和E的概率机制成功运行 （即C导致E的出现）的可能性 b:当C不出现时，E出现的可能性
CmE
C
b
Exemplar(E) L(E;c,m,b) L(E;.50,.80,.2 0)
00
(1-c)(1-b)
.40
01
(1-c)(b)
.10
10
(c)[(1-m)(1-
1causal relaMtioantsehripiasls
Descriptions
FI → F2
A high quantity of the ACh
neurotransmitter causes a long-lasting
▶每个特征的基线比率（flbigahstereraspteo)n是se7. 5%
Natural categories: complex and variable
Novel categories
A 理论 介绍
B 实证 统计
Central claim:
人们的类别知识不仅包括类别特征， 而且包括连接这些特征的因果机制的 表征。
CmE
C
b
A simple causal model with two binary features and one causal relationship
• 在 因果关系模型理论中，尽管取值接近充分性和 必要性，但是违背因果关系的样例其产生的可能 性很低。
链状因果关系模型：
m
m
m
C
b
b
b
两个假设
1、特征间的三个因果关系是相互独 立的，且可能性均为m 。
16 possible combinations
m
m
m
C
b
b
b
P(0110)=(1-c)(b)(m+b-mb)[(1-m)(1-b)]
Summary:
总之，因果关系模型理论证明了特 征间的因果关系机制是如何自动影 响特征所占的比重及特征间的关系 类型。
3、实验部分 王雪
1Method 2Results 3Discussion
1Materials 2 Procedures 3 Participants
1 Materials
与因果关系的必要性（Causal necessity） 和充分性(Causal sufficiency)进行比较：
必要性: b=0.即若E出现，则一定是C 引起的， 若E不出现，则C不出现。
充分性: m=1.即若C出现，则E一定 出现， 若C不出现，则E不一定出现。
• 所以说，在因果关系模型中，确定性的因果关系 是一种限制性的案例。
与贝叶斯网络（Bayesian network） 进行比较：
1、贝叶斯定理（Bayes' theorem）是关于随机事件A和 B的条件概率（或边缘概率）的一则定理。
其中P(A|B)是在B发生的情况下A发生的可能性。 通常，事件A在事件B（发生）的条件下的概率，与事 件B在事件A的条件下的概率是不一样的；然而，这两者 是有确定的关系，贝叶斯定理就是这种关系的陈述。
Rating(E)=KLchain(E;c,m,b)
Causal Models and Derived Empirical Statistics
The central question: 在分类决定任务中， 因果关系知识对于特征及特征间联系的重要性所 产生的影响。
下面将论证如何导出特征的可能性以及因果关系 模型所产生的特征间的相互关系，以此来预测类 别成员。 分为两部分： 1、Feature Probabilities 2、Interfeature Correlations
Masters degree in Artificial Intelligence from Stanford University
a Masters and Ph.D. in Cognitive Psychology from the University of Colorado.
Last several decades: 有关分类的研究认为 人们从经验观察中学习新类别
The duration of the electrical signal to the
4个二元m属us性cl的es（isbloinnagreyr-baetctraiubsueteo)f：th1e6e个xcess
▶ 48个样 例：F2 → F3
▶因果关系
F3 → F4
Faematouurnt Dofensceruiprotitorannssmitter.
1 Materials
▶每个特征的基线比率（base rate)是75%
▶ 48个样 例：
▶因果关系
4个二元属性的（binary-attribute)：16个
Featur Descriptions
单属性e的s (single-attribute)：8个
F1
High amounts o7f5%ACohf Lake Victoria Shrimp hav
3单个属因性果eFFAaffs的12slah关cigtlcr(oiihge系smnltiuengp的errg-eadl’s描lat,HnLepessaoe-idot述gnnuaisnnhdlsgrtesgolt-eeeatrtlhefiapmrblcFsapiissagecuontuiachefsuntaytsntemnguetct)ritlrsie：gefsetelrtsuht.ioe7hgph8Tearf5iheoD个hvgt%AtneeehrmCissognlebcuhofgorosncLiercpdaagmrltyeuks-iaeslostwalehntsVbesoestiioicagnbtdnhgoeytr,iwaweShihgerrhiemta. sp2h5a%v
Feature Probabilities
Probability of
Cause features: P(C)/P(F1) Effect features: 函数
参数C
Pi=Pi-1m+b-Pi-1mb 也即Pi=Pi-1m(1-b)+b
可以看出，有3种因素影响Pi
c,m取值不同 时，链状模型 的特征权重及 特征间关系如 图所示
Claims of causal-model theory:
1、直接导致的特征比间接导致的特征 在类别判断中占据更大权重。 2、特征的联合是否符合类别因果关系 知识能影响类别判断。
Bird DNA→wings→fly→build nests in trees
总之，这篇文章介绍了因果关系模型 理论，并用其来解释因果关系知识是 如何影响特征及特征的特定组合在类 别判断中的重要性。
2、贝叶斯网络是一系列变量的联合概率分布的图形表示。
3、比较： 贝叶斯网络：不能表征网络中直接连接的变量间的因果关系的 更多细节内容。 因果关系模型理论：假设人们认为特征间是由可能性的因果关 系机制相连的。
The second major claim:
人们评估一种样例由类别的因果关系 模型生成的可能性，以此来做出分类 的抉择。
3个因果关系的描ne述urotrFaenastmuritetehriDgehsbcroipdtyiownesight, whereas 25%
F2
Long-lassting flhigahvte normal body weight.
提出一种分类理论，该理论可以解释理论知 识的影响效果，尤其是因果关系知识。因果 关系知识可以使得人们掌握的类别特征间相 互联系、相互影响。
类别内特征的表征
Causal-model theory
连结特征的因果机制的表征
Causal-model theory
决定单个特征在 建立类别成员时 的重要性
决定不同的特征 组合在建立类别 成员时的影响
P缺ro点ba:b忽ilis略tic了c特ate征g权ories: 特重征也随能着由他分们类在者类领别中的 影域响知力识而决变定化的事实 Formal models:特征的权 重受到感知觉特点及其在 类别内外出现频率的影响
Previous research: 当人们 通过与先前观察到的类别 成员对比时才对类别间关 系敏感 Current theories:没有解释 领域知识是如何影响特征 组合在分类时的作用的
▶ 6个新颖的类别：
两种是生物 Kehoe Ants Lake Victoria Shrimp
两种无生命的自然界的物体 Myastars Meteoric Sodium Carbonate
两种人造类别 Romanian Rogos Neptune Personal Computers)
因为很多自然类别的理论 知识经常很复杂并且因人 而异,所以用新颖的类别 进行试验控制
A Causal-Model Theory of Conceptual Representation and Categorization
Bob Rehder New York University
概念表征与分类的因果关系模型
&
1 引言 2 因果模型理论 3 实验 4 讨论与结论 5 Q&A
引言&因果模型理论 赵珂
A 作者 介绍
B 理论 发展
Bob Rehder
纽约大学心理学副教授 (NYU University of psychology)
研究方向：Cognition and perception
学习经历： a B.A. in Physics and a B.S. Computer Science from Washington University
ΔYX=P(Y|X)-P(Y|~X)
(X-cause feature ; Y-effect feature) 对于链状因果模型，公式如下：
Δi,i-1=m(1-b)
c,m取值不同 时，链状模型 的特征权重及 特征间关系如 图所示
Note:
1、Δ 随m的增大而增大，随b的减小而增大。
2、特征间的对比关系在直接相连的因果关系 中表现最强(F1&F2,F2&F3,F3&F4)； 在中间有一个介入量的特征间表现较弱 (F1&F3,F2&F4)； 在中间有两个介入量的特征间表现最弱 (F1&F4).
上图证明了因果关系机制在特征可能 性上的两方面的影响： 1、因果关系机制的出现总能增强效应的可能性。 2、随着原因（cause）特征可能性降低，效果 （effect）特征可能性也降低了。
总之，等式Pi=Pi-1m(1-b)+b可推广到任何参数 化的因果关系模型。
Interfeature Correlation
Categorization models: 1、基于表征（representative）的观点【近年来较流行】 2、基于原则加工（processing principles）的观点
解释经验观察影响力的模型：a lot! 解释先前已有知识影响力的模型：rel this article: