Marchant, N., Quillien, T. and Chaigneau, S.E. (2023), A Context-Dependent Bayesian Account for Causal-Based Categorization. Cognitive Science, 47: e13240.
26 de enero, 2023
Ver Publicación
The causal view of human categories assumes that categories are represented in the mind by their properties and their causal relationships. To study the effect of causal knowledge on categorization, research has extensively used the so-called Bayesian causal models. Within that framework, categorization can be understood as an implicit probability calculation, in which the probability of finding a case exhibiting a certain combination of characteristics is estimated, given the causal model of the category. But, it can also be understood as a calculation of the probability that the case in question belongs to the category, given its characteristics. Through three experiments, in combination with computational modelling, we found evidence that categorization is best explained by assuming that people calculate the second of the above probabilities, even though the two probabilities are closely related. This result contrasts with existing analyzes of causal categorization. We also found that people are capable of calculating probabilities on a closely related task that requires judgments of «consistency» rather than judgments of category membership. Our analyzes show that people use causal probabilistic information as prescribed by the Bayesian model, but flexibly calculate probabilities depending on the task. These results contrast sharply with the prevailing view in contemporary psychology that people do not know how to deal with probabilities and can only approach them using heuristic rules that simplify problems to make them more manageable.
Traducción
Una cuenta bayesiana dependiente del contexto para la categorización basada en causas.
La visión causal de las categorías humanas asume que las categorías están representadas en la mente por sus propiedades y sus relaciones causales. Para estudiar el efecto del conocimiento causal en la categorización, las investigaciones han usado profusamente los llamados modelos causales Bayesianos. Dentro de ese marco, la categorización se puede entender como un cálculo implícito de probabilidad, en el cual se estima la probabilidad de encontrar un caso que exhibe una cierta combinación de características, dado el modelo causal de la categoría. Pero, también puede entenderse como un cálculo de la probabilidad de que el caso en cuestión pertenezca a la categoría, dadas sus características. A través de tres experimentos, en combinación con modelamiento computacional, encontramos evidencia de que la categorización se explica mejor asumiendo que las personas calculan la segunda de las probabilidades mencionadas más arriba, aunque ambas probabilidades están estrechamente relacionadas. Este resultado contrasta con análisis existentes de categorización causal. También encontramos que las personas son capaces de calcular las probabilidades en una tarea estrechamente relacionada que requiere juicios de “consistencia” en lugar de juicios de membresía de categoría. Nuestros análisis muestran que las personas usan información probabilística causal según lo prescrito por el modelo Bayesiano, pero que calculan de forma flexible las probabilidades dependiendo de la tarea. Estos resultados contrastan fuertemente con la visión preponderante en la psicología contemporánea de que las personas no saben operar con probabilidades y solo logran aproximarse a ellas usando reglas heurísticas que simplifican los problemas para hacerlos más manejables.