• Korean Journal of Logic
• /
• v.3
• /
• pp.5-26
• /
• 2000

확률적 인과론은 확률관계를 통해 인과 관계를 밝히려는 이론이다. 그런데 만약 단지 C가 E의 발생 확률을 높인다는 사실을 밝히는 것으로 그치지 않고 더하여 C가 E를 발생시키는데 얼마나 기여하는지 그 기여도도 밝힐 수 있다면 우리는 원인과 결과의 관계에 대하여 훨씬 더 많은 정보를 얻을 수 있게 될 것이다. 이 글에서 나는 빼기의 개념에 기반한 멜러나 엘스의 정량적 확률적 인과론들을 살펴본 후 그 이론들이 인과적 효과도나 인과적 연관도를 밝히는데 부적절한 이론들임을 보인다. 그 후 나는 인과적 효과도클 측정하는데 보다 적절한 공식을 제시하며 이 공식에 기반하여 인과적 연관도 또는 인과적 기여도의 공식도 제시한다.

• Journal of Radiation Protection and Research
• /
• v.29 no.4
• /
• pp.221-230
• /
• 2004

The probability of causation(PC) is the measure to ascertain the likelihood that a particular cancer may be attributed to a particular prior exposure to radiation. Since the PC is involved in several uncertainties, it is desirable to use the confidence limit for the PC, not a point estimate for determining whether to award compensation. We developed the program for estimating the PC to Korean radiation workers with cancer, the so-called RHRI-PEPC, which is based on the most reasonable model for radiation cancer risk and recent Korean baseline data. RHRI-PEPC gives us the upper confidence limit for the PC after adjusting several uncertainties and therefore we can assess more reasonably the causality of radiation exposure for cancer occurred in Korean radiation workers.

• Korean Journal of Logic
• /
• v.12 no.1
• /
• pp.45-87
• /
• 2009

이 글에서 필자는 결정론적 인과를 토대로 속성 수준의 인과와 사건 수준의 인과의 연관성을 주장하는 하우스만(Hausman 1998)의 이론을 비판하고 두 수준의 인과의 관계를 바르게 이해하는 데 무엇이 필요한지를 제시한다. 하우스만은 결정론과 배경 조건의 다양성을 토대로 그리고 비결정적 상황에서는 확률에 대한 결정론적 인과를 토대로, 속성 수준의 인과는 사건 수준의 인과에서 도출된다는 의미에서 속성 수준의 인과는 사건 수준의 인과의 일반화라고 주장한다. 필자는 그 관계에 대한 문제를 제기하고 이 문제는 사건 수준의 인과에 본질적인 인과 연결을 주목하지 않은 채 변수들 간의 의존 관계만으로 두 수준의 인과의 관계를 단순히 해명하는 데에 있다고 지적한다. 필자는 두 수준의 인과의 관계는 단순히 한 가지 관점이나 방식으로 파악될 수 없고 해명, 설명, 예측 둥 다양한 관점에서 복합적으로 파악되어야 한다고 주장한다. 특히 사건 수준의 인과는 속성 수준의 인과에 개념적으로 의존하는 관계를 주목한다.

• Korean Journal of Logic
• /
• v.9 no.1
• /
• pp.31-62
• /
• 2006

이 논문은 포퍼의 후기 확률론인 성향적 확률론에 대한 것이다. 포퍼가 확률에 관한 성향이론을 제시한 가장 중요한 동기는 단일 사건에 확률값을 부여하기 위함이었다. 그의 성향이론은 전기와 후기로 나누어지는데, 전기의 이론은 성향을 반복가능한 조건들의 집합으로, 후기의 이론은 성향을 특정 시각에서의 우주의 상태로 설명한다. 이 글은 포퍼의 전기와 후기 성향이론이 성공적이지 않음을 논증한다. 전기 성향이론에 대해서는 가장 좁은 준거집합의 원리의 문제에 부딪혀서 단일 사건에 대하여 객관적인 확률값을 부여할 수 없기 때문이고, 후기 성향이론은 성향을 약한 인과라고 해석하는 문제와 함께 포퍼 자신의 의도와 달리 형이상학적인 이론이 되어버렸기 때문이다.

• Korean Journal of Cognitive Science
• /
• v.27 no.4
• /
• pp.541-572
• /
• 2016

Causal reasoning is actively studied not only by psychologists but, in recent years, also by cognitive scientists taking the Bayesian approach. This paper seeks to provide an overview of the recent trends in causal reasoning research with a focus on the power probabilistic contrast theory of causality, a major psychological theory on causal inference. The power probabilistic contrast theory (PPCT) assumes that a cause is a power that initiates or inhibits the result. This power is purported be understood through statistical correlation under certain conditions. The paper examines the supporting empirical evidence in the development of PPCT. Also, introduced are the theoretical dispute between the PPCT and the model based on Bayesian approach, and the current developments and implications of research on causal invariance hypothesis, which states that cause operates identically regardless of the context. Recent studies have produced experimental results that cannot be readily explained by existing empirical approach. Therefore, these results call for serious examination of the power theory of causality by researchers in neighboring fields such as philosophy, statistics, and artificial intelligence.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2007.12a
• /
• pp.65-67
• /
• 2007

기존 선박사고 자료를 이용하여 향후 발생 가능한 선박사고의 확률을 계산하기 위한 이론과 프로그램 및 실험결과를 나타낸다. 기본적으로 베이지안 기법을 적용하여 다양한 사고의 원인과 결과 사이에 발생하는 인과관계를 통계적 기법으로 다양한 사고들이 발생할 수 있는 사고 확률을 계산하였다. 계산을 위하여 프로그램을 개발하고, 이 프로그램을 이용하여 제안한 방법의 유용성을 검증하였다.

• Korean Journal of Logic
• /
• v.8 no.1
• /
• pp.47-67
• /
• 2005

Bayesian networks have been used in studying and simulating causal inferences by using the probability function distributed over the variables consisting of inquiry space. The focus of the debates concerning Bayesian networks is the causal Markov condition that constrains the probabilistic independence between all the variables which are not in the causal relations. Cartwright, a strong critic about the Bayesian network theory, argues that the causal Markov condition cannot hold in indeterministic systems, so it cannot be a valid principle for causal inferences. The purpose of the paper is to explore whether her argument on the causal Markov condition is valid. Mainly, I shall argue that it is possible for upholders of the causal Markov condition to respond properly the criticism of Cartwright through the continuous causal model that permits the infinite sequence of causal events.

• Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology
• /
• v.6 no.12
• /
• pp.587-594
• /
• 2016

Autonomous A.I. vehicles are seemingly soon ready for our life. One of the critical problems with autonomous vehicles is how one could assign responsibility for accidents to them. We can envisage that autonomous vehicles may confront an ethical dilemma. Then a question arises of how we are able to assign legal responsibility to autonomous vehicles. In this paper, I first introduce what the ethical dilemma of autonomous vehicles is about. Second, I show how we could be able to assign legal responsibility for autonomous vehicles. Legal probability is the received criteria for causal responsibility most of the legal theorists consider. But it remains vague. I articulate the concept of legal probability in terms of the probabilitstic theory of individual level causality while considering how one can assign causal responsibility for autonomous vehicles. My theory of causal responsibility may help one to assign legal responsibility not just for autonomous vehicles but also for people.

• Korean Journal of Logic
• /
• v.20 no.1
• /
• pp.21-67
• /
• 2017

In this paper, I critically examine Sartorio's (2006) argument for disjunctive cause, and put forth disjunctive causal structure in a different way. I show that the disjunctive causal structure meets not just what Sartorio means to claim but also our understanding of causal responsibility. First, I introduce Sartorio's argument for disjunctive cause. Second, I critically discuss Sartorio's responses to the criticisms of her arguments for disjunctive cause, and propose another problem with her arguments. Finally, I explicate in a different way Sartorio's disjunctive cause in terms of disjunctive causal structure founded on moderate variables, causal interaction, and probability trajectory. I notice, regarding the disjunctive causal structure, the role of causal interaction of cause events with moderate variables. I reveal, regarding the disjunctive causal structure, the significance of indetermination of cause events and effect events for our understanding of causal responsibility. I show that the disjunctive causal structure guides us more convincingly to assign causal responsibility to an agent. I come to three conclusions. First, there is no disjunctive cause event Sartorio argues for. Second, propensities of events to be causally connected to an effect event constitute disjunctive relation. Third, we should notice indetermination of cause events and effect events while assigning causal responsibility to an agent.

• Journal of the Korean Data and Information Science Society
• /
• v.24 no.6
• /
• pp.1189-1197
• /
• 2013

Data mining is the process of analyzing a huge database from different perspectives and summarizing it into useful information. One of the well-studied problems in data mining is association rule generation. Association rule mining finds the relationship among several items in massive volume database using the interestingness measures such as support, confidence, lift, etc. Typical applications for this technique include retail market basket analysis, item recommendation systems, cross-selling, customer relationship management, etc. But these interestingness measures cannot be used to establish a causality relationship between antecedent and consequent item sets. This paper propose causal association thresholds to compensate for this problem, and then check the three conditions of interestingness measures. The comparative studies with basic and causal association thresholds are shown by numerical example. The results show that causal association thresholds are better than basic association thresholds.