劉雁伶 陳 軍 沈友田 胡竹菁

?

頻率樹類型和提問方式對因果強(qiáng)度估計模式的影響*

劉雁伶1陳 軍2沈友田3胡竹菁3

(1江西科技師范大學(xué)教育學(xué)院, 南昌 330038) (2中國科學(xué)院心理研究所, 北京 100101)(3江西師范大學(xué)心理學(xué)院, 江西省心理與認(rèn)知科學(xué)重點(diǎn)實(shí)驗室, 南昌 330022)

心理學(xué)研究的重要目的之一發(fā)現(xiàn)心理干預(yù)的途徑和方法。但截至目前, 有效干預(yù)人類被試因果推理過程的手段尚不豐富, 干預(yù)手段的效果并不穩(wěn)定。本研究采用完全隨機(jī)設(shè)計開展兩個實(shí)驗, 分別探討頻率樹是否影響大學(xué)生被試在反事實(shí)提問和能力提問因果推理問題上的作答表現(xiàn)。結(jié)果顯示：(1)在兩個實(shí)驗中都發(fā)現(xiàn)了明顯的圖形促進(jìn)效應(yīng), 大部分被試在借助提供嵌套集合關(guān)系頻率樹(而非隱藏嵌套集合關(guān)系頻率樹)輔助推理時使用PPC值估計因果強(qiáng)度; (2)頻率樹類型和提問方式共同影響被試的因果強(qiáng)度估計模式, 提供嵌套集合關(guān)系頻率樹+反事實(shí)提問的組合促使最多被試使用PPC估計因果強(qiáng)度。結(jié)果說明：明確數(shù)據(jù)之間的嵌套集合關(guān)系能極大地提高被試使用PPC估計因果強(qiáng)度的概率, 關(guān)注焦點(diǎn)集信息有助于被試明確數(shù)據(jù)間的嵌套集合關(guān)系。

因果推理; 圖形促進(jìn)效應(yīng); 頻率樹; 提問方式

1 問題提出

最近30年, 因果推理研究逐漸成為認(rèn)知科學(xué)研究的核心領(lǐng)域之一(Holyoak & Cheng, 2011), 研究焦點(diǎn)集中于確定導(dǎo)致效果的原因(Lombrozo, 2012; Powell, Merrick, Lu, & Holyoak, 2016)、判斷因果結(jié)構(gòu)特點(diǎn)(Griffiths & Tenenbaum, 2005; Lu, Yuille, Liljeholm, Cheng, & Holyoak, 2008; Cheng, Liljeholm, & Sandhofer, 2013)和估計因果之間的聯(lián)結(jié)強(qiáng)度(Cheng, 1997; 王墨耘, 傅小蘭, 2004a; Luhmann & Ahn, 2011; Yeung & Gtriffiths, 2015; Buchsbaum, Gtriffiths, Plunkett, Gopnik, & Baldwin, 2015), 形成了多種解釋被試因果推理表現(xiàn)的模型(Jenkins & Ward, 1965; Rescorla & Wagner, 1972; Cheng, 1997; Lu et al., 2008; Carroll, Cheng, & Lu, 2013), 其中影響較大的有Jenkins和Ward (1965)提出的概率對比模型(Probabilistic contrast model, 以下簡記為ΔP模型)和Cheng (1997)在修正概率對比模型基礎(chǔ)上提出的因果力理論(the causal Power theory of Probabilistic Contrast model, 以下簡記為PPC模型)。ΔP模型通過比較因果協(xié)變關(guān)系(見表1)中目標(biāo)原因出現(xiàn)前后效果出現(xiàn)的概率差來描述因果之間的聯(lián)結(jié)強(qiáng)度, 采用表1的符號, ΔP = a/(a + b) ? c/(c + d)。ΔP為正表示目標(biāo)原因能導(dǎo)致效果(協(xié)變關(guān)系被稱為產(chǎn)生式), ΔP為負(fù)表示目標(biāo)原因能消除效果(協(xié)變關(guān)系被稱為預(yù)防式), ΔP的絕對值越大說明目標(biāo)原因?qū)πЧ挠绊懥υ綇?qiáng); PPC模型假定背景原因一直存在并導(dǎo)致效果, 認(rèn)為被試基于目標(biāo)原因?qū)裹c(diǎn)集的影響來判斷因果結(jié)構(gòu)和估計因果強(qiáng)度, 產(chǎn)生式焦點(diǎn)集是表1中的d, 預(yù)防式焦點(diǎn)集是表1中的c。PPC模型分別使用ΔP/(d/(c + d))和?ΔP/(c/(c + d))來預(yù)測被試對產(chǎn)生式和預(yù)防式協(xié)變關(guān)系的強(qiáng)度估計。

目前關(guān)于因果強(qiáng)度估計的研究大多著眼于描述和解釋被試的因果推理表現(xiàn), 但心理學(xué)的研究不僅要描述和解釋心理現(xiàn)象, 還要發(fā)現(xiàn)心理干預(yù)的途徑和方法。從這個角度看, 現(xiàn)有研究對如何干預(yù)被試, 提高被試強(qiáng)度估計合理性的關(guān)注是不夠的。提高因果強(qiáng)度估計的合理性需要解決兩個問題：一是何謂合理的因果強(qiáng)度估計？二是如何幫助被試達(dá)成合理的因果強(qiáng)度估計？第一個問題的答案似乎已有共識：PPC模型的預(yù)測被認(rèn)為是因果強(qiáng)度的極大似然估計(Cheng, 1997; Griffiths & Tenenbaum, 2005; Holyoak & Cheng, 2011), 本研究也將被試使用PPC值估計因果強(qiáng)度視為合理的強(qiáng)度估計模式; 對于第二個問題, 有一些研究進(jìn)行了初步探討：雖然PPC模型的預(yù)測被認(rèn)為是因果強(qiáng)度的極大似然估計, 但是被試的強(qiáng)度估計往往偏離PPC模型的預(yù)測, Lober和Shank (2000)使用能力提問方法(以目標(biāo)原因是服用某種藥物, 效果是病人頭痛為例, 能力提問方法指向被試提問：藥物導(dǎo)致病人頭痛癥狀的能力如何？)開展的研究發(fā)現(xiàn)當(dāng)協(xié)變關(guān)系的PPC值不變時, 被試的因果強(qiáng)度估計隨ΔP值的變化而變化, Buehner, Cheng和Clliford等(2003)認(rèn)為提問方式是導(dǎo)致這些偏離的原因, 他們使用反事實(shí)提問(反事實(shí)提問指向被試提出問題：現(xiàn)有100名病人在服用藥物前不頭痛, 這些病人在服用該藥物后有多少人會頭痛？)的研究發(fā)現(xiàn)80%的被試在多數(shù)情況下使用PPC作答。但Perales和Shanks (2008)的實(shí)驗3b卻顯示在反事實(shí)提問條件下沒有一名被試真正使用PPC作答; 反事實(shí)提問條件下的因果強(qiáng)度估計還受協(xié)變關(guān)系(Liljeholm & Cheng, 2009)、因果方向(Lu et al., 2008)和實(shí)質(zhì)取樣數(shù)量(即焦點(diǎn)集大小)的影響(Liljeholm & Cheng, 2009, 劉雁伶, 陳水平, 胡竹菁, 2015)的影響, 部分被試的作答并不遵循ΔP或PPC的預(yù)測, 而是落在ΔP和PPC的預(yù)測值之間(Cheng & Buehner, 2012)?？傊? 現(xiàn)有研究顯示反事實(shí)提問不能保證大多數(shù)被試使用PPC值估計因果強(qiáng)度, 是否存在促使被試使用PPC值估計因果強(qiáng)度的其他方式？

表1 目標(biāo)原因和效果之間的協(xié)變關(guān)系

效果也出現(xiàn)、目標(biāo)原因出現(xiàn)效果不出現(xiàn)、目標(biāo)原因不出現(xiàn)效果出現(xiàn)、目標(biāo)原因不出現(xiàn)效果不出現(xiàn)的頻數(shù), 在目標(biāo)原因不出現(xiàn)時效果也可能出現(xiàn)(c大于0), 此時導(dǎo)致效果的原因被統(tǒng)稱為背景原因。

對人的推理過程進(jìn)行適當(dāng)干預(yù)可以有效提高人們推理的正確率, 有助于人們在工作和生活中避免推理偏差。一個成功的例子來自貝葉斯推理領(lǐng)域：該領(lǐng)域的研究發(fā)現(xiàn)使用明確嵌套集合關(guān)系的頻率樹表征(Gigerenzer & Hoffrage, 1995; 史滋福, 邱江, 張慶林, 2006; Sirota, Kostovi?ová, & Vallée-Tourangeau, 2015)和解釋(Brase, 2014)貝葉斯問題能顯著提高被試正確解答貝葉斯問題的概率, 研究成果被廣泛應(yīng)用于醫(yī)療、管理、法律和教育(Hill & Brase, 2012; Hoffrage, Hafenbr?dl, & Bouquet, 2015)等領(lǐng)域。頻率促進(jìn)效應(yīng)的原因可能是頻率樹將數(shù)據(jù)間的嵌套集合關(guān)系形象地提供給被試(Hoffrage et al., 2015; Vallée-Tourangeau, Abadie, & Vallée-Tourangeau, 2015), 基于同樣的原因, 頻率表征還可以促進(jìn)被試解決三段論推理(Thompson & Evans, 2012)和概率推理(Oaksford & Chater, 2010)問題。在因果強(qiáng)度估計任務(wù)中, 被試使用PPC作答需要明確焦點(diǎn)集大小和目標(biāo)原因在焦點(diǎn)集中引起效果的數(shù)量, 其中焦點(diǎn)集是因果協(xié)變數(shù)據(jù)的子集, 目標(biāo)原因在焦點(diǎn)集中引起效果的部分是焦點(diǎn)集的子集, 如果頻率樹能形象地表征數(shù)據(jù)間的嵌套集合關(guān)系, 就有理由推測頻率樹能提高被試使用PPC值估計因果強(qiáng)度的概率。

Vallée-Tourangeau, Payton和Murphy (2008)使用文字、表格和頻率樹三種形式呈現(xiàn)協(xié)變關(guān)系, 發(fā)現(xiàn)頻率樹能幫助被試區(qū)分不同強(qiáng)度的因果關(guān)系, 但該研究直接移植了貝葉斯推理問題的頻率樹, 并未明確因果協(xié)變數(shù)據(jù)間的嵌套集合關(guān)系, 研究結(jié)果也不能說明頻率樹是否提高了被試使用PPC估計因果強(qiáng)度的概率。該領(lǐng)域的研究需澄清兩個問題：一是明確嵌套集合關(guān)系的頻率樹是否能提高被試因果強(qiáng)度估計的合理性？對這一問題的探討有利于發(fā)掘干預(yù)被試的有效方法; 二是因果強(qiáng)度估計有幾種典型的作答模式？分析被試的作答模式是推理心理學(xué)研究的重要內(nèi)容, 可以為避免錯誤推理模式提供建議。但因果強(qiáng)度推理領(lǐng)域的大部分研究使用所有被試的因果強(qiáng)度估計平均數(shù)為因變量, 并不注重分析每名被試的作答依據(jù)和思維過程(相關(guān)批評也見王墨耘, 傅曉蘭, 2004a), 也就無法描述和解釋被試的作答模式。為回答以上兩個問題, 本研究設(shè)計適合因果推理任務(wù)的頻率樹, 開展兩個實(shí)驗探究頻率樹對因果強(qiáng)度估計的促進(jìn)效應(yīng), 分析最典型的作答模式, 同時考察提問方式、因果方向?qū)Ρ辉囈蚬评碜鞔鹉Ｊ降挠绊? 為提高被試的因果強(qiáng)度估計合理性提供建議。

研究假設(shè)包括：研究顯示明確嵌套集合關(guān)系是圖形促進(jìn)效應(yīng)的關(guān)鍵(史滋福等, 2006; Thompson & Evans, 2012; Sirota et al., 2015)。在因果推理中使用PPC估計因果強(qiáng)度需要被試明確協(xié)變關(guān)系總次數(shù)、焦點(diǎn)集次數(shù)和目標(biāo)原因在焦點(diǎn)集中引起效果的數(shù)量三者之間的子集關(guān)系, 如果頻率樹能形象地表征因果協(xié)變的子集關(guān)系, 就有理由推測頻率樹能提高被試使用PPC估計因果強(qiáng)度的概率。所以有假設(shè)1：在所有實(shí)驗條件下, 提供嵌套集合關(guān)系的頻率樹比隱藏嵌套集合關(guān)系的頻率樹促使更多被試使用PPC估計因果強(qiáng)度。

如前所述, 現(xiàn)有研究大多以所有被試的因果強(qiáng)度估計平均數(shù)為因變量, 較少對作答模式的研究, 因此被試在不同協(xié)變關(guān)系上的作答模式是否存在差異的實(shí)驗證據(jù)還較少。Buehner等(2003)發(fā)現(xiàn)80%的被試在多數(shù)情況下使用PPC估計因果強(qiáng)度, 同時存在其他的估計模式, 但該研究未報告被試在具體協(xié)變關(guān)系上的作答模式差異?，F(xiàn)有僅見Perales和Shanks (2008)發(fā)現(xiàn)被試在ΔP值很小( = 0.1)且PPC值中等( = 0.5)的協(xié)變關(guān)系上并不使用PPC估計因果強(qiáng)度, 在ΔP值中等( = 0.45)或較大( = 0.7)的協(xié)變關(guān)系上被試基于ΔP、PPC和P (E/C)估計因果強(qiáng)度。本研究擬比較被試在ΔP小(= 0.33) PPC中等( = 0.5)、ΔP小( = 0.33) PPC大( = 0.83)、ΔP大( = 0.67) PPC大( = 0.83)協(xié)變關(guān)系上的作答模式差異, 為該領(lǐng)域研究提供更多的實(shí)證數(shù)據(jù)。結(jié)合研究假設(shè)1：提供嵌套集合關(guān)系的頻率樹可以增加被試在所有協(xié)變關(guān)系上使用PPC估計因果強(qiáng)度的概率, 從而縮小不同協(xié)變關(guān)系上的估計模式差異, 所以有假設(shè)2：在使用提供嵌套集合關(guān)系的頻率樹輔助推理時, 被試在不同協(xié)變關(guān)系上的強(qiáng)度估計模式不存在顯著差異; 在使用隱藏嵌套集合關(guān)系的頻率樹輔助推理時, 被試在不同協(xié)變關(guān)系上的作答模式存在差異, 具體的差異形式有待觀察。

另外, 被試的因果強(qiáng)度估計模式還受因果方向的影響。王墨耘和傅小蘭(2004a, b)發(fā)現(xiàn)與產(chǎn)生式協(xié)變關(guān)系相比, 更多被試在預(yù)防式協(xié)變關(guān)系上使用PPC估計因果強(qiáng)度; Lu等(2008)預(yù)測一個預(yù)防式優(yōu)勢：被試在ΔP小( = 0.25)且PPC最大( = 1)的預(yù)防式協(xié)變關(guān)系上的強(qiáng)度估計要高于在相應(yīng)產(chǎn)生式協(xié)變關(guān)系上的強(qiáng)度估計(根據(jù)定義, 一個協(xié)變關(guān)系的PPC值一定不小于ΔP值, 預(yù)防式優(yōu)勢暗示更多被試在預(yù)防式問題上使用PPC估計因果強(qiáng)度), 但他們的實(shí)驗僅發(fā)現(xiàn)預(yù)防式優(yōu)勢在總體上是存在的, 并未報告這一優(yōu)勢是否出現(xiàn)在單個協(xié)變關(guān)系上(相似的結(jié)果也見Liljeholm & Cheng, 2009); Yeung和Griffiths (2015)提出的實(shí)驗先驗?zāi)Ｐ蛣t預(yù)測因果方向?qū)Ρ辉噺?qiáng)度估計的影響不如Lu等(2008)預(yù)測的那么大, 被試在預(yù)防式協(xié)變關(guān)系的強(qiáng)度估計只是略高于產(chǎn)生式協(xié)變關(guān)系上的強(qiáng)度估計。綜合以上研究結(jié)果, 本研究認(rèn)為較合理的假設(shè)是因果方向?qū)?qiáng)度估計的影響在總體上是存在, 但就具體的協(xié)變關(guān)系而言, 因果方向的變化并不導(dǎo)致被試的估計模式發(fā)生顯著變化。結(jié)合研究假設(shè)1, 提供嵌套集合關(guān)系的頻率樹可以提高被試在所有協(xié)變關(guān)系上使用PPC估計因果強(qiáng)度的概率, 從而縮小因果方向?qū)е碌淖鞔鹉Ｊ讲町? 所以有研究假設(shè)3：在使用提供嵌套集合關(guān)系的頻率樹輔助推理時, 被試的強(qiáng)度估計模式不存在顯著的因果方向差異; 在使用隱藏嵌套集合關(guān)系的頻率樹輔助推理時, 被試的強(qiáng)度估計模式在總體上存在顯著的因果方向差異：更多被試在預(yù)防式問題上使用PPC估計因果強(qiáng)度, 但在具體協(xié)變關(guān)系上不存在顯著的因果方向差異。

以下先呈現(xiàn)兩個實(shí)驗, 分別探討反事實(shí)提問和能力提問條件下的圖形促進(jìn)效應(yīng), 然后討論頻率樹、因果方向、實(shí)驗材料對強(qiáng)度估計的影響, 并總結(jié)典型的因果強(qiáng)度估計模式。

2 實(shí)驗1：反事實(shí)提問條件下的圖形促進(jìn)效應(yīng)研究

2.1 實(shí)驗設(shè)計

2 × 2 × 3完全隨機(jī)實(shí)驗設(shè)計, 自變量是因果方向、頻率樹類型和協(xié)變關(guān)系, 其中因果方向有兩個水平：產(chǎn)生式、預(yù)防式; 頻率樹類型有兩個水平：提供嵌套集合關(guān)系頻率樹、隱藏嵌套集合關(guān)系頻率樹; 協(xié)變關(guān)系有3個水平, 水平1：ΔP = 0.33, PPC = 0.50; 水平2：ΔP = 0.33, PPC = 0.83; 水平3：ΔP = 0.66, PPC = 0.83, 組合形成12個實(shí)驗處理。因變量是被試使用各種作答模式的頻數(shù)。

2.2 被試

2 × 2 × 3完全隨機(jī)實(shí)驗設(shè)計共需12組被試, 實(shí)驗1的被試為469名大學(xué)生。為平衡被試專業(yè)背景對實(shí)驗結(jié)果的影響, 選擇理科(化學(xué)、數(shù)學(xué)專業(yè))、文科(文學(xué)、英語專業(yè))和文理兼收(教育、財會、體育、音樂專業(yè))的大學(xué)生, 采取整群取樣的方法, 分班級利用晚自習(xí)和班會課時間在教室施測。每次施測有一半的被試使用隱藏嵌套集合關(guān)系的頻率樹, 另一半被試使用提供嵌套集合關(guān)系的頻率樹輔助推理; 在兩部分被試中隨機(jī)發(fā)放協(xié)變關(guān)系1、2、3的材料; 為避免被試之間的相互干擾, 每名被試的前后左右各有一個空位, 主試宣讀指導(dǎo)語后要求被試獨(dú)立觀察協(xié)變關(guān)系材料并作答, 所有被試在15~30分鐘內(nèi)完成了任務(wù)。

231名大學(xué)生估計產(chǎn)生式協(xié)變關(guān)系的因果強(qiáng)度, 平均年齡20.3歲, 有39(女24)、41(女23)、41(女23)、37(女21)、39(女25)、34(女20)人分別完成ProCH1 (編碼意義見表3的標(biāo)注)、ProCO1、ProCH2、ProCO2、ProCH3、ProCO3的強(qiáng)度估計; 238名大學(xué)生估計預(yù)防式協(xié)變關(guān)系的因果強(qiáng)度, 平均年齡19.4歲, 有38(女18)、38(女22)、39(女22)、40(女23)、41(女26)、42(女28)人分別完成PreCH1、PreCO1、PreCH2、PreCO2、PreCH3、PreCO3的因果強(qiáng)度估計。

2.3 材料和程序

每名被試拿到一張答題紙和一份協(xié)變關(guān)系材料。答題紙分兩部分, 第一部分是指導(dǎo)語, 第二部分是被試作答區(qū)域。指導(dǎo)語采用Liljeholm和Cheng (2009)的服藥?頭痛背景故事; 作答區(qū)域有4個環(huán)節(jié)：

(1) 要求被試觀測協(xié)變關(guān)系材料。

協(xié)變關(guān)系材料共30頁, 每頁用文字和圖形兩種形式記載一名病人在服藥前后的頭痛情況(病人的頭痛情況是圖1a、1b、1c、1d之中的一種, 4種情況互斥且完備, 以下將一名病人服藥前后的頭痛情況簡稱為“樣例”)。為保證被試對目標(biāo)原因的因果方向有明確的認(rèn)識, 產(chǎn)生式協(xié)變關(guān)系中不出現(xiàn)藥物消除頭痛的樣例(圖1b), 預(yù)防式協(xié)變關(guān)系中不出現(xiàn)藥物導(dǎo)致頭痛的樣例(圖1a)。

樣例數(shù)量、協(xié)變關(guān)系、估計模式的對應(yīng)關(guān)系見表2, 以產(chǎn)生式協(xié)變關(guān)系2為例, 實(shí)驗材料包括10張圖1a、18張圖1c、2張圖1d, 對應(yīng)10人服藥前不頭痛服藥后頭痛, 18人服藥前頭痛服藥后也頭痛, 2人服藥前不頭痛服藥后也不頭痛。協(xié)變關(guān)系部件中a表示服藥后頭痛的樣例數(shù), 等于28 (10張圖1a + 18張圖1c); b表示服藥后不頭痛的樣例數(shù), 等于2 (0張圖1b + 2張圖1d); c表示服藥前頭痛樣例數(shù), 等于18 (0張圖1b + 18張圖1c); d表示服藥前不頭痛樣例數(shù), 等于12 (10張圖1a + 2張圖1d)。協(xié)變關(guān)系的ΔP = a/(a + b) ? c/(c + d) = 28/30 ? 18/30 = 10/30 = 0.33, 表示服藥后比服藥前增加的頭痛人數(shù)比例; PPC = ΔP/(d/(c + d)) = (10/30)/(12/30) = 10/12 = 0.83, 表示在服藥前不頭痛的病人中服藥后頭痛的比例; 相應(yīng)地, 產(chǎn)生式協(xié)變關(guān)系1材料包含圖1a、1c、1d各10張, ΔP = a/(a + b) ? c/(c + d) =20/30 ? 10/30 = 10/30 = 0.33, PPC = ΔP/(d/(c + d)) = (10/30)/(20/30) = 10/20 = 0.5; 協(xié)變關(guān)系3的材料包含20張圖1a、6張圖1c、4張圖1d, ΔP = a/(a + b) ? c/(c + d) = 26/30 ? 6/30 = 20/30 = 0.67, PPC = ΔP/(d/(c + d)) = (20/30)/(24/30) = 20/24 = 0.83。

圖1 服藥前后是否頭疼樣例

預(yù)防式協(xié)變關(guān)系2包括10張圖1b、2張圖1c、18張圖1d分別對應(yīng)10人服藥前頭痛服藥后不頭痛, 2人服藥前頭痛服藥后也頭痛, 18人服藥前不頭痛服藥后也不頭痛。協(xié)變關(guān)系部件中a表示服藥后頭痛的樣例數(shù), 等于2 (0張圖1a + 2張圖1c); b表示服藥后不頭痛的樣例數(shù), 等于28 (10張圖1b + 18張圖1d); c表示服藥前頭痛樣例數(shù), 等于12 (10張圖1b + 2張圖1c); d表示服藥前不頭痛樣例數(shù), 等于18 (0張圖1a+18張圖1d)。協(xié)變關(guān)系的ΔP = a/(a + b) ? c/(c + d) = 2/30 ? 12/30 = ?10/30 = ?0.33表示服藥后比服藥前減少的頭痛人數(shù)比例; PPC = ?ΔP/ (c/(c + d)) = ?(? 10/30)/(12/30) = 10/12 = 0.83表示服藥前頭痛的病人中服藥后不頭痛的比例, 相應(yīng)地, 預(yù)防式協(xié)變關(guān)系1材料包含圖1b、圖1c、圖1d各10張, ΔP = a/(a + b) ? c/(c + d) = 10/30 ? 20/30 =?10/30 = ?0.33, PPC = ?ΔP/(c/(c+d)) = ?(?10/30)/ (20/30) = 10/20 = 0.5; 預(yù)防式協(xié)變關(guān)系3材料包含20張圖1b、4張圖1c、6張圖1d, ΔP = a/(a + b) ? c/(c + d) = 4/30 ? 24/30 = ?20/30 = ?0.67, PPC = ?ΔP/(c/(c + d)) = ? (?20/30)/(24/30) = 20/24 = 0.83。

表2 實(shí)驗刺激參數(shù)設(shè)置表

注：P (E/C)指目標(biāo)原因出現(xiàn)后效果出現(xiàn)的概率, 是被試在產(chǎn)生式條件下的典型作答模式之一; P (?E/C)指目標(biāo)原因出現(xiàn)后效果不出現(xiàn)的概率, 是被試在預(yù)防式條件下的典型作答模式之一。

(2) 要求被試完善提供嵌套集合關(guān)系的頻率樹(圖2)或隱藏嵌套集合關(guān)系的頻率樹(圖3)。提供嵌套集合關(guān)系頻率樹共三層信息：第一層是協(xié)變關(guān)系中的樣例總數(shù); 第二層是服藥前頭痛/不頭痛樣例數(shù), 其中服藥前頭痛樣例數(shù)是預(yù)防式問題焦點(diǎn)集, 服藥前不頭痛樣例數(shù)是產(chǎn)生式問題焦點(diǎn)集; 第三層是服藥后頭痛樣/不頭痛樣例數(shù)。隱藏嵌套集合關(guān)系頻率樹共兩層信息：第一層是協(xié)變關(guān)系中的樣例總數(shù); 第二層是服藥前不頭痛服藥后也不頭痛、服藥前不頭痛服藥后頭痛、服藥前頭痛服藥后也頭痛、服藥前頭痛服藥后不頭痛的樣例數(shù)。對同一個協(xié)變關(guān)系而言, 提供嵌套集合關(guān)系頻率樹的第一層和第三層信息與隱藏嵌套集合關(guān)系頻率樹的第一層與第二層信息是相同的, 提供嵌套集合關(guān)系頻率樹通過第二層信息強(qiáng)制被試注意焦點(diǎn)集, 幫助被試明確數(shù)據(jù)間的嵌套集合關(guān)系。

(3) 要求被試做出因果強(qiáng)度估計。采用反事實(shí)提問, 產(chǎn)生式協(xié)變關(guān)系的提問方式是：

現(xiàn)有100名病人在服用藥物前不頭痛, 請問他們之中有人在服用藥物后會頭痛？

預(yù)防式協(xié)變關(guān)系的提問方式是：

現(xiàn)有100名病人在服用藥物前頭痛, 請問他們之中有人在服用藥物后不頭痛？

(4) 要求被試在一個方框內(nèi)用文字或算式描述得出強(qiáng)度估計的思維過程。

2.4 評判標(biāo)準(zhǔn)

依據(jù)被試的強(qiáng)度估計和在方框內(nèi)描述的思維過程判定被試的作答模式, 發(fā)現(xiàn)被試在產(chǎn)生式協(xié)變關(guān)系上較有代表性的作答模式有ΔP、PPC和P(E/C)三種(P(E/C)指服藥后頭痛樣例比例, 在本研究中就是圖1a、圖1c數(shù)量之和與樣例總數(shù)30之商), 在預(yù)防式協(xié)變關(guān)系上較有代表性的作答模式有ΔP、PPC和P (?E/C)三種(P (?E/C)指服藥后不頭痛樣例比例, 在本研究中就是圖1b、圖1d數(shù)量之和與樣例總數(shù)30之商)。以協(xié)變關(guān)系1為例, 被判定為使用ΔP作答的強(qiáng)度估計為33.3或30, 且思維過程為以下三者之一：(1)文字陳述：30名病人中有10人服藥前不頭痛服藥后頭痛(預(yù)防式的文字陳述為：30名病人中有10人服藥前頭痛服藥后不頭痛) (2)算式表達(dá)：(10/30) × 100, (3)算式表達(dá)：(20/30) × (1/2) × 100; 被判定為使用PPC作答的強(qiáng)度估計為50, 且思維過程為以下二者之一：(1)文字陳述：20名服藥前不頭痛的病人中有10人(或：一半)在服藥后頭痛(預(yù)防式的文字陳述為：20名服藥前頭痛的病人中有10人(或：一半)在服藥后不頭痛); (2)算式表達(dá)：(10/20) × 100; 產(chǎn)生式協(xié)變關(guān)系上被判定為使用P (E/C)作答、預(yù)防式協(xié)變關(guān)系上被判定為使用P (?E/C)作答的強(qiáng)度估計為67或70, 且思維過程為以下二者之一：(1)文字陳述：大多數(shù)病人在服藥后頭痛(預(yù)防式的文字陳述為：大多數(shù)病人在服藥后不頭痛); (2)算式陳述(20/30) × 100。

圖2 提供嵌套集合關(guān)系頻率樹

圖3 隱藏嵌套集合關(guān)系頻率樹

2.5 實(shí)驗結(jié)果

被試在各協(xié)變關(guān)系上的作答模式見表3。

表3 被試作答模式描述統(tǒng)計(反事實(shí)提問)

注：為方便陳述實(shí)驗結(jié)果, 編碼表示實(shí)驗1的12個處理。編碼含4個部分, 其中用Pro指代因果方向中的產(chǎn)生式(Product), 用Pre指代因果方向中的預(yù)防式(Prevent); C指代提問方式中的反事實(shí)提問(Counter-factual), A指代提問方式中的能力提問(Ability, 見表4); H指代頻率樹類型中的隱藏嵌套集合關(guān)系頻率樹(Hide), O指代頻率樹類型中的提供嵌套集合關(guān)系頻率樹(Offer); 數(shù)值指代協(xié)變關(guān)系1、2、3; 實(shí)驗2的12個處理采用相同的編碼系統(tǒng)。

檢驗研究假設(shè)3。對ProCH1與PreCH1、ProCO1與PreCO1、ProCH2與PreCH2、ProCO2與PreCO2、ProCH3與PreCH3、ProCO3與PreCO3共6組數(shù)據(jù)分別做作答模式(使用PPC作答、使用非PPC作答)是否受因果方向(產(chǎn)生式、預(yù)防式)影響的獨(dú)立性卡方檢驗, 6組數(shù)據(jù)的卡方檢驗結(jié)果均未達(dá)到顯著, 顯示就單個協(xié)變關(guān)系而言, 被試的作答模式不受因果方向的影響。綜合提供嵌套集合關(guān)系產(chǎn)生式ProCO1、ProCO2、ProCO3和預(yù)防式PreCO1、PreCO2、PreCO3的作答模式, 做作答模式是否受因果方向影響的獨(dú)立性卡方檢驗, 結(jié)果顯示差異并不顯著; 綜合隱藏嵌套集合關(guān)系產(chǎn)生式ProCH1、ProCH2、ProCH3和預(yù)防式PreCH1、PreCH2、PreCH3的作答模式, 做作答模式是否受因果方向影響的獨(dú)立性卡方檢驗, 結(jié)果顯示差異顯著：χ(1)2= 4.416,= 0.042, Φ = 0.132, 有更多的被試在預(yù)防式條件下使用PPC估計因果強(qiáng)度。檢驗結(jié)果顯示被試作答模式的因果方向差異在總體上是存在的, 但就單個協(xié)變關(guān)系而言, 作答模式不存在顯著的因果方向差異。結(jié)果證實(shí)研究假設(shè)3。

實(shí)驗1采用強(qiáng)制被試關(guān)注焦點(diǎn)集信息的方式為被試提供嵌套集合關(guān)系, 發(fā)現(xiàn)了效果明顯的圖形促進(jìn)效應(yīng)。但這個實(shí)驗使用的反事實(shí)提問也有引導(dǎo)被試注意嵌套集合關(guān)系的作用：如產(chǎn)生式反事實(shí)提問中“現(xiàn)有100名病人在服用藥物前不頭痛……服藥后頭痛”的措辭可能引導(dǎo)被試注意服藥前不頭痛的病人中服藥后頭痛的比例, 進(jìn)而獲得數(shù)據(jù)間的嵌套集合關(guān)系。因此被試對嵌套集合關(guān)系的理解可能是由提供嵌套集合關(guān)系的頻率樹導(dǎo)致的, 也可能是由反事實(shí)提問導(dǎo)致的。為消除提問方式對被試的引導(dǎo)作用, 實(shí)驗2使用能力提問, 探討在提問方式上不引導(dǎo)被試關(guān)注嵌套集合關(guān)系時, 頻率樹是否影響被試因果推理作答模式。

3 實(shí)驗2：能力提問條件下的圖形促進(jìn)效應(yīng)研究

3.1 實(shí)驗設(shè)計

同實(shí)驗1。

3.2 被試

大學(xué)生被試463人, 采用與實(shí)驗1相同的方法平衡無關(guān)因素的影響, 被試來自理科(數(shù)學(xué))、文科(英語)和文理兼收(教育、財會)專業(yè)。其中238人估計產(chǎn)生式協(xié)變關(guān)系的因果強(qiáng)度, 平均年齡18.4歲, 有43(女24)、39(女24)、41(女26)、38(女23)、39(女21)、38(女21)人分別完成ProAH1、ProAO1、ProAH2、ProAO2、ProAH3、ProAO3的強(qiáng)度估計; 225人估計預(yù)防式協(xié)變關(guān)系的因果強(qiáng)度, 平均年齡18.6歲, 有36(女18)、38(女23)、38(女21)、38(女22)、37(女15)、38(女25)人分別完成PreAH1、PreAO1、PreAH2、PreAO2、PreAH3、PreAO3的強(qiáng)度估計。

3.3 材料和程序

實(shí)驗材料同實(shí)驗1, 只是答題紙的提問部分改用王墨耘和傅小蘭(2004b)使用的能力提問, 產(chǎn)生式能力提問方式是：

該藥物導(dǎo)致病人頭痛癥狀的能力是：。(使用0~100的數(shù)字描述該藥物導(dǎo)致病人頭痛癥狀的能力：0表示該藥物完全不會導(dǎo)致病人頭痛, 100表示該藥物一定會導(dǎo)致病人頭痛, 你認(rèn)為該藥物導(dǎo)致病人頭痛的能力越強(qiáng)就給出越大的數(shù)值)

預(yù)防式能力提問方式與產(chǎn)生式相同, 只是將所有的“導(dǎo)致”修改為“消除”。

實(shí)驗程序同實(shí)驗1, 所有被試在12~30分鐘內(nèi)完成了任務(wù)。

3.4 評判標(biāo)準(zhǔn)

同實(shí)驗1。

3.5 實(shí)驗結(jié)果

被試在各協(xié)變關(guān)系上的作答模式見表4。

表4 被試作答模式描述統(tǒng)計(能力提問)

綜合兩個實(shí)驗的結(jié)果, 提供嵌套集合關(guān)系的頻率樹在反事實(shí)提問和能力提問條件下都能提高被試推理的合理性; 協(xié)變關(guān)系差異比較微弱但穩(wěn)定出現(xiàn)在隱藏嵌套集合關(guān)系的實(shí)驗處理中, 因果方向差異穩(wěn)定出現(xiàn)在隱藏嵌套集合關(guān)系的實(shí)驗處理中。

4 討論

本研究使用提供/隱藏嵌套集合關(guān)系的頻率樹探究頻率樹對因果強(qiáng)度估計的促進(jìn)作用, 結(jié)果顯示不管是在反事實(shí)還是能力提問條件下, 提供嵌套集合關(guān)系的頻率樹都能提高被試使用PPC作答的概率, 只有少數(shù)使用隱藏嵌套集合關(guān)系頻率樹的被試使用PPC作答, 說明提供嵌套集合關(guān)系的頻率樹才具有促進(jìn)作用, 實(shí)驗結(jié)果與貝葉斯推理和三段論推理領(lǐng)域的研究結(jié)果是一致的。本研究的新發(fā)現(xiàn)是促進(jìn)推理合理性的圖形應(yīng)隨推理任務(wù)的不同而發(fā)生變化, 使用焦點(diǎn)集提供嵌套集合關(guān)系的頻率樹是提升因果推理合理性的合適圖形。Vallée-Tourangeau等(2008)將貝葉斯推理研究中的頻率樹應(yīng)用于因果推理研究, 實(shí)驗結(jié)果并不能證明大多數(shù)被試使用PPC估計因果強(qiáng)度。本研究使用的提供嵌套集合關(guān)系頻率樹的構(gòu)建方式是總樣例——焦點(diǎn)集(服藥前頭痛/不頭痛樣例數(shù))——服藥后頭痛/不頭痛樣例數(shù), 發(fā)現(xiàn)大部分借助該頻率樹輔助推理的被試使用PPC估計因果強(qiáng)度(人數(shù)比例在48.72% ~ 89.19%之間, 平均70.6%)。同時, 不管是反事實(shí)還是在能力提問條件, 不管是產(chǎn)生式還是在預(yù)防式協(xié)變關(guān)系條件, 也不管協(xié)變關(guān)系的ΔP值和PPC值, 與借助隱藏嵌套集合關(guān)系的頻率樹輔助推理相比, 有顯著更多的被試在借助提供嵌套集合關(guān)系頻率樹輔助推理時使用PPC估計因果強(qiáng)度, 暗示提供嵌套集合關(guān)系的頻率樹可以有效提高被試的因果推理合理性, 干預(yù)效果具有普遍意義。這一促進(jìn)效應(yīng)的原因可能是因為提供嵌套集合關(guān)系頻率樹形象化地表征了焦點(diǎn)集樣例與目標(biāo)原因?qū)е滦Ч麡永g的關(guān)系, 減輕了被試使用PPC估計因果強(qiáng)度的認(rèn)知負(fù)荷, 這也被認(rèn)為是貝葉斯推理領(lǐng)域圖形促進(jìn)效應(yīng)的原因(Hoffrage et al., 2015), 后續(xù)研究可以將提供嵌套集合關(guān)系頻率樹應(yīng)用于提升青少年因果推理能力的教育實(shí)踐和糾正成人的因果推理偏差, 拓展圖形促進(jìn)效應(yīng)研究成果的外部效度。

協(xié)變關(guān)系的呈現(xiàn)方式有序列呈現(xiàn)(Perales & Shanks, 2007; Luhmann & Ahn, 2011; Lu, Rojas, Beckers, & Yuille, 2016; Bramley, Dayan, Griffiths, & Lagnado, 2017)和集中呈現(xiàn)(Buehner et al., 2003; Lu et al., 2008; Yeung & Gtriffiths, 2015)兩種, 序列呈現(xiàn)指逐個呈現(xiàn)目標(biāo)原因是否導(dǎo)致結(jié)果的樣例, 一個樣例呈現(xiàn)后被后續(xù)樣例覆蓋, 被試不能記錄樣例信息; 集中呈現(xiàn)指使用文字、表格和圖形等形式概括呈現(xiàn)全部因果樣例。被試在序列呈現(xiàn)范式上的強(qiáng)度估計常因目標(biāo)原因?qū)е滦Ч臉永谛蛄兄械奈恢米兓l(fā)生改變, 表現(xiàn)為近因效應(yīng)或首因效應(yīng)(Luhmann & Ahn, 2011; Lu et al., 2016); 集中呈現(xiàn)方式則存在一些威脅因果推理根本假設(shè)的問題, 如不能保證背景原因在不同組(服藥組和不服藥組)導(dǎo)致相同數(shù)量的效果, 不能保證被試對目標(biāo)原因的作用方向(預(yù)防式或產(chǎn)生式)有統(tǒng)一的認(rèn)識等, 這些問題可能導(dǎo)致被試認(rèn)為協(xié)變關(guān)系與因果推理沒有關(guān)系(Lu et al., 2008)。本研究使用樣例冊提供協(xié)變關(guān)系信息, 通過服藥前、后的設(shè)計保證背景原因效力的一致性; 通過產(chǎn)生式協(xié)變關(guān)系不出現(xiàn)圖1b, 預(yù)防式協(xié)變關(guān)系不出現(xiàn)圖1a保證被試對目標(biāo)原因的作用方向只能形成一種認(rèn)識; 通過樣例冊和頻率樹保證被試的作答不受記憶負(fù)荷的影響。從本質(zhì)上看樣例冊是一種集中呈現(xiàn)信息的方式, 它相較于其他集中呈現(xiàn)方式的優(yōu)勢包括：(1)綜合了序列呈現(xiàn)和集中呈現(xiàn)的優(yōu)點(diǎn), 保證被試對背景原因的效力和目標(biāo)原因的因果方向有正確認(rèn)識; (2)每頁呈現(xiàn)一個樣例的形式模擬了人類被試在日常生活中接觸因果事件的真實(shí)過程, 是生態(tài)化的協(xié)變關(guān)系呈現(xiàn)方式。事實(shí)上, 絕大多數(shù)以動物(Dwyer & Waldmann, 2016)和人類兒童(Vul, Goodman, Griffiths, & Tenenbaum, 2014; McCormack, Bramley, Frosch, Patrick, & Lagnado, 2016)為被試的因果推理研究都采用逐個呈現(xiàn)樣例的方式(近年綜述見Blaisdell, Sawa, Leising, & Waldmann, 2006和Gopnik, 2012); (3)樣例之間互斥且完備, 使頻率樹的構(gòu)建成為可能。鑒于樣例冊有助于消除被試對因果關(guān)系的模糊認(rèn)識, 后續(xù)研究可將樣例冊應(yīng)用于檢驗啟發(fā)式因素對因果推理的影響力, 這些因素包括總體取樣和實(shí)質(zhì)取樣(Liljeholm & Cheng, 2009)、協(xié)變關(guān)系中a的大小和目標(biāo)原因?qū)е滦Ч麡永某霈F(xiàn)順序(Luhmann & Ahn, 2011)等。

圖4 分實(shí)驗條件的估計模式條形圖

注：X軸編碼H指隱藏嵌套集合關(guān)系, O指提供嵌套集合關(guān)系, A指能力提問, C指反事實(shí)提問; ***表示顯著性水平< 0.001, ns表示無顯著性差異。

與大多數(shù)頻率促進(jìn)領(lǐng)域的研究為被試提供完整頻率樹不同, 本研究提供不完整頻率樹, 要求被試在整理樣例冊信息后完善頻率樹。與直接獲得完整圖形表征相比, 完善不完整圖形需要更多的認(rèn)知加工, 但在大多數(shù)條件下無損于被試的推理表現(xiàn)(Cosmides & Tooby, 1996, 實(shí)驗4的維尼圖條件; 史滋福等2006, 實(shí)驗2; Brase, 2009, 實(shí)驗2), 在頻率格條件下還可能提升被試的推理表現(xiàn)(Cosmides & Tooby, 1996, 實(shí)驗4), Cosmides和Tooby (1996)認(rèn)為完善圖形的促進(jìn)作用可能是因為完善圖形需要被試提供問題涉及的信息：如一個使用最為廣泛的貝葉斯推理問題是“檢測結(jié)果為陽性的病人中有多少人罹患癌癥”, 而完善圖形的任務(wù)包括填充檢驗結(jié)果為陽性的人數(shù)和罹患癌癥的人數(shù), 被試因此只需進(jìn)行簡單的除法運(yùn)算就能得到正確結(jié)論, 并不需要進(jìn)行復(fù)雜的貝葉斯推理(P35)?？赡苷腔谶@樣的原因, 不完整頻率樹在推理能力培養(yǎng)的過程中能發(fā)揮重要作用(Sedlmeier & Gigerenzer, 2001)。但是以上證據(jù)都來自于貝葉斯推理或概率推理領(lǐng)域而非因果推理領(lǐng)域, 完整/不完整頻率樹對被試因果推理的影響是否存在差異尚未得到直接檢驗。結(jié)合以往研究和本研究的實(shí)驗結(jié)果, 我們形成以下有待檢驗的假設(shè)：(1)與直接獲得完整頻率樹相比, 被試基于樣例冊信息完善頻率樹需要更多的認(rèn)知加工, 但由于絕大多數(shù)成人被試都能正確完善頻率樹, 獲得與完整頻率樹條件相同的圖形表征, 因此在多數(shù)條件下不完整頻率樹并不影響被試的因果推理表現(xiàn); (2)在借助提供嵌套集合關(guān)系頻率樹輔助推理時, 提問方式(反事實(shí)提問、能力提問)與頻率樹性

質(zhì)(完整、不完整)交互影響被試的因果推理：在完整頻率樹條件, 反事實(shí)提問和能力提問導(dǎo)致的因果推理差異較小; 在不完整頻率樹條件, 由于被試完善頻率樹的部分信息與反事實(shí)提問采用的措辭(“現(xiàn)有100名病人在服用藥物前不頭痛……服藥后頭痛”)相吻合, 反事實(shí)提問可能比能力提問導(dǎo)致更多的被試使用PPC估計因果強(qiáng)度。后續(xù)研究可進(jìn)一步驗證這些假設(shè)。

與王墨耘和傅曉蘭(2004b)、Perales和Shanks (2008)的研究結(jié)果一樣, 本研究發(fā)現(xiàn)了3種典型的作答模式：ΔP、PPC、P (E/C) (產(chǎn)生式)或P (?E/C) (預(yù)防式), 作答模式隨實(shí)驗條件的變化而變化, 如在反事實(shí)提問+ 提供嵌套集合關(guān)系頻率樹條件, 大部分被試使用PPC作答; 但在能力提問+隱藏嵌套集合關(guān)系頻率樹條件并未發(fā)現(xiàn)占優(yōu)勢的作答模式。鑒于作答模式的多樣性, 本研究認(rèn)為使用一種作答模式來預(yù)測所有被試在所有條件下的作答表現(xiàn)是不合適的, 接納多種作答模式應(yīng)該成為后續(xù)模型建構(gòu)的方法之一。包含多個作答模式的模型既可以解釋被試的因果強(qiáng)度估計在PPC不變時隨ΔP變化而變化, 在ΔP不變時隨PPC變化而變化的現(xiàn)象, 也可解釋實(shí)驗任務(wù)差異、實(shí)驗條件差異造成的作答模式差異。Perales和Shanks (2007)使用加權(quán)后的ΔP模型和PPC模型構(gòu)建的HPN模型是一個有益的嘗試, 但這類研究還很少, 需要構(gòu)建更多包含多個作答模式的模型來解釋和預(yù)測人類被試的因果推理表現(xiàn)。

5 研究結(jié)論

(1) 明確數(shù)據(jù)之間的嵌套集合關(guān)系能極大地提高被試使用PPC估計因果強(qiáng)度的概率, 提供焦點(diǎn)集的頻率樹可以幫助被試明確嵌套集合關(guān)系;

(2) 頻率樹類型和提問方式共同影響被試的因果強(qiáng)度估計模式, 提供嵌套集合關(guān)系頻率樹+反事實(shí)提問的條件組合促使最多被試使用PPC估計因果強(qiáng)度, 但提問方式促進(jìn)效果的普遍性不及頻率樹類型。

(3) 在借助隱藏嵌套集合關(guān)系的頻率樹輔助推理時, 觀察到一個微弱但穩(wěn)定的協(xié)變關(guān)系差異：更多被試在ΔP小且PPC大的協(xié)變關(guān)系上使用PPC估計因果強(qiáng)度, 同時觀察到一個穩(wěn)定的因果方向差異：在不區(qū)分協(xié)變關(guān)系時, 更多被試在預(yù)防式問題上使用PPC估計因果強(qiáng)度, 但該差異在單個協(xié)變關(guān)系上并不顯著。

致謝：感謝江西科技師范大學(xué)材料與機(jī)電學(xué)院劉庭芝博士、經(jīng)管學(xué)院劉偉老師、數(shù)信學(xué)院易云輝老師，研究生魏臻、龍兵、陳素清在收集整理數(shù)據(jù)和論文撰寫過程中提供的幫助。

Brase, G. L. (2009). Pictorial representations in statistical reasoning., 369–381.

Brase, G. L. (2014). The power of representation and interpretation: Doubling statistical reasoning performance with icons and frequentist interpretations of ambiguous numbers., 81–97.

Buehner, M. J., Cheng, P. W., & Clliford, D. (2003). From covariation to causation: A test of the assumption of causal power., 1119–1140.

Bramley, N. R., Dayan, P., Griffiths, T. L., & Lagnado, D. A.(2017). Formalizing neurath’s ship: Approximate algorithmsfor online causal learning.,301?338

Buchsbaum, D., Griffiths, T. L., Plunkett, D., Gopnik, A., & Baldwin, D. (2015). Inferring action structure and causal relationships in continuous sequences of human action., 30–77.

Blaisdell, A. P., Sawa, K., Leising, K. J., & Waldmann, M. R. (2006). Causal reasoning in rats., 1020–1022.

Cheng, P. W. (1997). From covariation to causation: A causal power theory., 367–405.

Cheng, P. W., & Buehner, M. J. (2012). Causal learning. In K. J. Holyoak & R. G. Morrison (Eds),pp.210–233). New York: Oxford University Press.

Cheng, P., Liljeholm, M., & Sandhofer, C. (2013). Logical consistency and objectivity in causal learning. In M. Knauff, M. Pauen, N. Sebanz, & I. Wachsmuth (Eds.),(pp. 2034–2039). Austin, TX: Cognitive Science Society.

Carroll, C., Cheng, P. W., & Lu, H. (2013). Inferential dependencies in causal inference: A comparison of belief-distribution and associative approaches., 845–863.

Cosmides, L., & Tooby, J. (1996). Are humans good intuitive statisticians after all? Rethinking some conclusions from the literature on judgment under uncertainty., 1–73.

Dwyer, D. M., & Waldmann, M. R. (2016). Beyond the information (not) given: Representations of stimulus absence in rats ().(3), 192–204.

Gopnik, A. (2012). Scientific thinking in young children: Theoretical advances, empirical research, and policy implications., 1623–1627.

Gigerenzer G., & Hoffrage U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats., 684?704.

Griffiths, T. L., & Tenenbaum, J. B. (2005). Structure and strength in causal induction., 334–384.

Hill, W. T., & Brase, G. L. (2012). When and for whom do frequencies facilitate performance? On the role of numerical literacy.,2343–2368.

Holyoak, K. J., & Cheng, P. W. (2011). Causal learning and inference as a rational process: The new synthesis., 135–163.

Hoffrage, U., Hafenbr?dl, S., & Bouquet, C. (2015). Natural frequencies facilitate diagnostic inferences of managers., 642.

Jenkins, H., & Ward, W. (1965). Judgment of contingency between responses and outcomes., 1–17.

Luhmann, C. C., & Ahn, W. K. (2011). Expectations and interpretations during causal learning., 568–587.

Liljeholm, M., & Cheng, P. W. (2009). The influence of virtual sample size on confidence and causal-strength judgments., 157–172.

Liu, Y. L., Chen, S. P., & Hu, Z. J. (2015). A research on virtual sample alter causal strength estimate.(1), 146–151.

[劉雁伶, 陳水平, 胡竹菁. (2015). 實(shí)質(zhì)取樣對因果強(qiáng)度估計的影響.(1), 146–151.]

Lombrozo, T. (2012). Explanation and abductive inference. In K. J. Holyoak & R. M. Morrison (Eds.),(pp. 260–276). New York: Oxford University Press.

Lober, K., & Shanks, D. R. (2000). Is causal induction based on causal power? Critique of Cheng (1997)., 195–212.

Lu, H., Yuille, A., Liljeholm, M., Cheng, P. W., & Holyoak, K. J. (2008). Bayesian generic priors for causal learning., 955–984.

Lu, H., Rojas, R. R., Beckers, T., & Yuille, A. L. (2016). A Bayesian theory of sequential causal learning and abstract transfer., 404–439.

McCormack, T., Bramley, N. R., Frosch, C., Patrick, F., & Lagnado, D. (2016). Children’s use of interventions to learn causal structure., 1?22.

Oaksford, M., & Chater, N. (2010)New York: Oxford University Press.

Powell, D., Merrick, M. A., Lu, H. J., & Holyoak, K. J. (2016). Causal competition based on generic priors., 62–86.

Perales, J. C., & Shanks, D. R. (2007). Models of covariation-based causal judgment: A review and synthesis., 577–596.

Perales, J. C., & Shanks, D. R. (2008). Driven by power? Probe question and presentation format effects on causal judgment., 1482–1494.

Rescorla, R. A., & Wagner, A. R. (1972). A theory of Pavlovian conditioning: Variations in the effectiveness of reinforcement and nonreinformecement. In A. H. Black & W. F. Prokasy (Eds.),(pp. 64?99). New York: Appleton-Century-Crofts.

Sedlmeier, P. & Gigerenzer, G. (2001). Teaching Bayesian reasoning in less than two hours., 380–400.

Sirota, M., Kostovi?ová, L., & Vallée-Tourangeau, F. (2015). How to train your Bayesian: A problem-representation transfer rather than a format-representation shift explains training effects., 1–9.

Shi, Z. F., Qiu, J, & Zhang, Q. L. (2006). Facilitating effect of transparent nested-sets relations on Bayesian reasoning., 833?840.

[史滋福, 邱江, 張慶林. (2006). 明確嵌套集合關(guān)系對貝葉斯推理的促進(jìn)效應(yīng)., 833–840.]

Thompson, V., & Evans, J. St. B. T. (2012). Belief bias in informal reasoning., 278–310.

Vul, E., Goodman, N. D., Griffiths, T. L., & Tenenbaum, J. B. (2014). One and done? Optimal decisions from very few samples., 599–637.

Vallée-Tourangeau, G., Abadie, M., & Vallée-Tourangeau, F. (2015). Interactivity fosters Bayesian reasoning without instruction., 581–603.

Vallée-Tourangeau, F., Payton, T., & Murphy, R. A. (2008). The impact of presentation format on causal inferences., 177–194.

Wang, M. Y., & Fu, X. L. (2004a). Causal judgments in the concentrative presentation of information with different external representations.,298–306.

[王墨耘, 傅小蘭. (2004a). 用不同外部表征方式集中呈現(xiàn)信息條件下的因果力判斷., 298–306.]

Wang, M. Y., & Fu, X. L. (2004b). A test of the power PC theory with the paradigm of comparing causal power.,160–167.

[王墨耘, 傅小蘭. (2004b). 因果力比較范式下對效力PC理論的檢驗., 160–167.]

Yeung, S., & Griffiths, T. L. (2015). Identifying expectations about the strength of causal relationships., 1–29.

The promotion of frequency tree type and questioning format on causal strength estimation

LIU Yanling1; CHEN Jun2; SHEN Youtian3; HU Zhujing3

(1Department of Education, Jiangxi Science and Technology Normal University, Nanchang 330038, China)(2Institute of Psychology, Chinese Academy of Sciences, Beijing 100101, China)(3Department of Psychology, Jiangxi Normal University; Key Laboratory of Psychology and Cognition Science, Ministry by Jiangxi Province, Nanchang 330022, China)

There are lots of evidences showing that participant’s performance on Bayesian inference, syllogistic reasoning and probability reasoning could be promoted by cumulative frequency tree. However, very few study focuses on the promotion effect of frequency tree on causal reasoning. This study carried out two experiments to investigate the effect of frequency tree on causal strength inference. The research hypotheses include: (a) Frequency tree featuring a explicit nest-sets structure (ENS) can improve the rationality of participant’s reasoning, while the frequency tree featuring a concealed nest-sets structure (CNS) can’t improve rationality of reasoning; (b) Participants estimate the causal strength of different contingencies by different modes in experimental treatment which used frequency tree featuring a CNS; and (c) There are more participants estimate the causal strength by Power–PC model in preventive contingency rather than in productive contingency.

2 (Frequency tree, level 1: featuring a ENS, level 2: featuring a CNS) × 2 (causal direction, level 1: productive, level 2: preventive) × 3 (contingency, level 1:DP = 0.33 and Power – PC = 0.5; level 2:DP = 0.33 and Power – PC = 0.83; level 3:DP = 0.67 and Power – PC = 0.83) completely random design were used in two experiments. 469 undergraduate students participated in Experiment 1 which adopted counter–factual question, and 463 undergraduate students participated in Experiment 2 which adopted ability question. Contingency was offered by a booklet which contains 30 pages, and each page presents one sample related to the causality. Participant completed a frequency tree based on contingency, and estimated the causal strength of contingency individual. The frequency tree featuring a ENS consists of three types of information: the number of total samples, the number of samples in focus set, and the number of samples that represent effect emerge or not, while frequency tree featuring a CNS consists of the number of total samples and samples that represent effect emerge or not.

The study found that (a) There are three common models of causal reasoning:D, Power–PC and P (E/C) for productive contingency (or P(-E/C) for preventive contingency), the most popular model changes with different experiment treatments; (b) 70.06 % of participants estimate causal strength by Power–PC model when they used frequency tree featuring a ENS, and only a few participants (about 21.28 %) estimate causal strength by Power–PC model when they used frequency tree featuring a CNS; (c) The type of frequency tree and the format of question have combining influence on causal strength evaluation, and the type of frequency tree have more influences on strength evaluation than the format of question; (d) Both contingency effect and causal direction effect are present from the experimental treatment which used frequency tree featuring a CNS. Experiment results significantly support research hypotheses (a), (b) and (c).

These results indicate that frequency facilitating effect depends on supply nest-sets structure or not, whether in counter–factual question treatment or in ability question treatment. According to above two experiments, it is suggested that participant tends to make rational inference when they use frequency tree featuring a ENS or they were questioned by counter–factual format.

causal inference; promotion effect; frequency tree; question format

2016-11-09

* 國家自然科學(xué)基金(31460252)、江西省社會科學(xué)十三五規(guī)劃課題(16JY17)、江西科技師范大學(xué)博士科研啟動基金(3000990102)資助。

胡竹菁, E-mail: huzjing@ jxnu.edu.cn

B842