• 논리연구
• /
• 제8권1호
• /
• pp.47-67
• /
• 2005

베이즈망은 탐구 공간을 구성하는 변수들 사이에 성립하는 확률적 관계를 이용하여 그 변수들 사이에 성립된다고 가정되는 인과 관계를 추론하는데 이용된다. 베이즈망에 관한 철학적 논쟁의 대상은 특정한 변수들의 확률적 독립성을 가정하는 인과적 마코프 조건이다. 베이즈망 이론에 대한 강력한 비판자인 카트라이트는 인과적 마코프 조건이 비결정적 세계에서는 성립될 수 없기 때문에 인과적 추리에 대한 타당한 원리가 될 수 없다고 주장한다. 이글의 목적은 인과적 마코프 조건이 인과적 추리에 대한 타당한 원리가 될 수 없다는 카트라이트의 비판이 타당한가를 검토하는 것이다. 나는 인과적 사건들의 연쇄를 허용하는 연속모델은 카트라이트의 비판을 벗어날 수 있다고 주장한다.

• 감성과학
• /
• 제24권1호
• /
• pp.59-72
• /
• 2021

개념과 범주는 관찰하지 못한 속성을 추론할 수 있는 기반을 제공한다. 무의미 속성을 사용한 범주기반 속성추론 연구들은 범주 및 속성의 유사성이 추론을 설명하는 핵심 요인이라는 것을 제안했다(Rips, 1975; Osherson et al., 1990). 이후 연구들은 사람들의 사전지식이 범주기반 추론에 막대한 영향을 미치며 심지어 유사성 효과가 완전히 사라지는 경우도 있음을 보고했다. 본 연구는 범주 속성들이 사전지식의 한 종류인 인과적 지식에 의해 사슬구조로 연결되었을 때의 범주기반 속성추론을 검증했으며 그 결과를 예측하는 속성추론모형을 제안했다. 참가자들은 네 개의 속성들이 사슬구조를 이루는 인과적 범주를 학습한 뒤 해당 범주의 다양한 범주 예시들의 숨겨진 속성에 대한 추론을 실시했다. 그 결과 인과적으로 직접 연결된 속성뿐만 아니라 다른 속성 노드에 의해 차폐된 속성들도 추론에 영향을 미치는 비독립성이 나타났다(인과적 마코프 조건의 위배). 인과모형이론(Sloman, 2005)에 기반한 속성추론모형을 적용하여 참가자들의 추론을 모델링한 결과 인과적 연결의 직접 효과뿐만 아니라 간접 효과 즉 인과추론의 비독립성도 예측하는 것으로 나타났다. 다만 간접적으로 연결된 속성들은 인과적 거리와 무관하게 참가자들의 추론평정에 동일하게 영향을 미쳤지만 모형은 거리가 멀어짐에 따라 추론에 미치는 영향이 작아짐을 예측했다.

• 인지과학
• /
• 제28권4호
• /
• pp.329-347
• /
• 2017

범주기반 속성추론에 대한 초기연구들은 전형성, 다양성, 유사성 효과 등 인간 사고에서 나타나는 다양한 현상들을 보고하였다. 이후 연구들은 이러한 추론에서 참가자들의 사전지식이 광범위한 영향을 미친다는 것을 발견하였다. 본 연구에서는 다양한 사전지식들 중 하나인 인과적 지식이 속성추론에 미치는 영향을 검증하고 이를 모델링하였다. 이를 위해 참가자들은 네 개의 속성으로 구성된 범주에서 속성들이 공통원인 혹은 공통효과 인과구조로 연결되었을 때 속성추론과제를 실시하였다. 그 결과 전형성 효과와 더불어 공통원인 구조에서 인과적 마코프 조건(causal Markov condition)에 대한 위배와 공통효과 구조에서 인과적 절감(causal discounting)이 관찰되었다. 이를 모델링하기 위해 참가자들은 표적속성이 존재하는 범주예시와 존재하지 않은 범주예시가 존재할 가능성에 대한 차이값 (즉, $p(E_{F(X)}{\mid}Cat)-p(E_{F({\sim}X)}{\mid}Cat)$에 근거하여 속성추론을 수행한다고 가정하였다. 인과모형이론(Rehder, 2003)에 기반하여 범주예시들의 확률값을 계산한 후 각 표적속성에 대한 추론에 적용하였다. 그 결과 모형은 참가자들의 데이터에서 관찰된 전형성 효과뿐만 아니라 인과적 마코프 조건에 대한 위배 및 인과적 절감을 모두 예측한다는 것이 확인되었다.

• 예술인문사회 융합 멀티미디어 논문지
• /
• 제8권8호
• /
• pp.845-852
• /
• 2018

마이어-쉔베르거와 쿠키어(Mayer-Schönberger and Cukier, 이하 MSC)는, 빅 데이터의 세계에서는 인과성보다 상관성이 실용적으로 더 유용하고 효율적이라고 주장한다.[4] 더 나아가, 빅 데이터의 세계에서는 인과성에 토대한 분석이나 예측이 상관성에 토대한 분석이나 예측에 밀려 주목받지 않거나 도태될 것이라 주장한다. 이 글에서 필자는, 상관성이 빅 데이터의 현상을 분석하고 이를 토대로 미래를 예측하는 데에 충분하다는 MSC의 논증들을 비판적으로 검토한다. 2장에서는 빅 데이터의 세계에서 상관성이 우월하다는 MSC의 논증을 소개한다. 3장에서는 상관성은 그 자체만으로 충분히 실용적이고 유용하다는 MSC의 논증을 비판한다. 상관성과 인과성의 차이에 대한 오해를 지적하고 심슨(Simpson) 역설로 그 차이가 왜 중요한지를 보여준다. 4장에서는 빅 데이터 분석에서 인과성이 상관성보다 비효율적이라는 MSC의 논증을 비판한다. 특별히 인과성을 증명하는 수학적 방법이 없다는 주장의 오류를 보여준다. 구조방정식에 토대한 인과 모형의 수학적 이론들을 제시하고, 이들 이론으로 인과성이 빅 데이터 분석에서 매우 유의미하고 유용한 역할을 할 수 있다는 것을 보여준다.