解释条件推理中的隐式否定效应：概率、经验和对比集

文献：

原文

  • 偏差 biases

对判断、决策、推理的解释中的大多数解释了偏见，同时保留了经典二元逻辑（心理逻辑/心理模型）或贝叶斯概率论给出的理性规范标准。这些解释援引贝叶斯概率论作为规范标准，然而，自相矛盾的是，判断和决策中的贝叶斯推理似乎同样有偏见。

它还开辟了一种可能性，即在判断和决策中解释偏见的方式也可能适用于演绎推理的心理学。

极性偏差（Polarity biases）：当否定（“非”）在条件句中变化时，就会出现极性偏差。

  • 否定和推理

亚里士多德的逻辑基础，即不矛盾原则，没有否定就无法表述，一个命题p不能同时为真或为假，not(p and not p)

否定使我们能够否认他人的主张，设置必须通过论证解决的矛盾。

Horn (1989, p. xiii)认为“逻辑中肯定命题和否定命题之间可定义的绝对对称性并没有通过语言结构和语言使用的可比对称性反映出来。”，与形式逻辑的标准相比，人们的否定推理 显得有些偏颇。

  • 条件句推理的方式

MT：if p then q, ¬q, therefore, ¬p。当if p then q有否定的结论时/ if not-p then q 有肯定结论时， 人们更赞同MT。

这种现象发生在否定范式中的所有四个条件句中，当否定在前件和后件之间系统地变化时（如果 p 则 q，如果 p 则 ¬q，如果 ¬p 则 q，如果 ¬p则 ¬q）。然而，这种负面结论偏差会产生戏剧性的影响：通过在分类前提中使用隐含否定的简单操作，它就会消失。例如，通过断言他乘汽车旅行而不是他没有坐火车来否认 MT 推理的结果。（p 是 乘坐火车， ¬p 的外显表达“没有乘坐火车”，内隐：“乘坐汽车”）

尽管 隐式否定消除了负面结论偏差，但它们并没有导致逻辑表现。 它们减少了对逻辑有效推论（MP、MT）的结论支持，与逻辑谬误（DA、AC）一样多。

对这种效应的解释可能区分了贝叶斯新范式方法、启发式和MMT。但是没有进行关键检验。本研究将进行关键检验。

预测不同的获得性分布应该能够在条件句推理中创建或消除隐含的否定效应。

  • 新贝叶斯范式的几个假设

首先，条件句不是一个二元真值函数运算符，如在标准逻辑中，它许可 MP 和 MT 的有效性，而不是 AC 和 DA 的有效性。 其次，条件句的概率是条件概率，Pr(if p then q) = Pr(q|p).3 这个假设被称为“方程”（Edgington, 137 1995）。 第三，概率是主观的，与个人的信念程度有关。 最后，条件概率是假设的，由 Ramsey 检验确定：假设 p 为真，将其添加到您的信念库中，并读出您对 q 的信念程度。

  • 联合概率分布 (JPD)

本文假设在联合概率分布 (JPD) 上计算的分类前提下，推理得出结论的概率是其条件概率。

表1

Pr0：被试有理由相信，如果他前往曼彻斯特 (p)，他会乘坐火车（q)。

p 和 ～p是相矛盾的，绝对对称。从可靠来源获得了“如果约翰尼不去曼彻斯特，他就不会坐火车。”的信息，会修正信念，得到新的JPD Pr1。

本实验为人们提供了相关的经验，以将他们的信念从 Pr0 修改为 Pr1，其中 Pr1 实施了设计操作来测试对隐含否定效应的解释。接下来，将模型拟合到之前的数据中，以估计人们的默认先验信念 Pr0。

  • 对比集

自然语言中有很多表达否定的方式，识别对比集不能是它们的唯一功能，但是他们可以解释极性偏差，以及内隐否定效应。

表2

  • 经验学习

经验学习似乎比描述更容易让人们获取有关实用程序和概率的信息。

内隐否定被假设仅破坏构建前提的表面语言形式的适当逻辑表示的过程。

没有对隐含否定效应的概率对比集解释进行实证研究。第一个实验使用了一个学习阶段，参与者对表 2 中的分布进行抽样以修正他们的信念（如从 Pr0 到 Pr1 的过渡）。

  • 假设1: 对比集的结构如表 2 所示，根据概率理论，但除此之外，我们应该观察到 MP 而非 AC 的隐含否定效应。所以预测了一个交互作用：其中 MP-Not > MP-Con，AC-Not = AC-Con，MP-Con < AC-Con，并且 AC-Not = MP-Not。

  • 假设2: 在预学习推理任务中，AC 的隐含否定效果将大于 MP。

  • 假设3: 表 2 的主观概率估计，当用于计算 适当的条件概率时，应该是在推理任务中支持 推理的几率的良好预测指标，尽管 JPD 的学习程度可能会缓和 这种影响。

  • 假设4: 主观概率将直接预测置信度，信心将缓和主观概率和推理之间关系的强度。

被试内设计：6（推理和否定 [InfNeg]：MP-Not、MP-Con、AC-Not、AC-Con、DA、MT）* 2（学习阶段：Pre、Post）。

MP 和 AC 以显式 (Not) 和隐式 (Con) 形式呈现。 DA 和 MT 被包括在本实验中作为填充项目，并进一步检查参与者对表 2 的理解。

这些材料涉及兽医看到的不同物种（猫、狗、兔子）和颜色（黑色、白色、棕色）的动物的比例。这些根据表 1 变化，p1 = 猫，p2 = 狗 p3 = 兔子，q1 = 黑色，q2 = 棕色，q3 = 白色。参与者还在实验的两个点执行了条件推理任务。条件或大前提有一个否定的前件和后件（如果 ¬p1 则 ¬q1）。参与者被告知：

“兽医正在考虑以下关于她看到的动物的规则：

If it is not a cat, then it is not black.

兽医被告知下一只她会看到的动物是：

为每个问题提供了以下分类或次要前提之一：不是猫（MP-Not）、狗（MP-Con）、不是黑色（AC-Not）、白色（AC-Con）、猫（DA ) 和黑色 (MT)。

然后参与者被问到：“请选择下面最能描述她应该对下一只动物得出什么结论的选项。”

图1

表3

实验 1 的结果支持了主要假设。在预学习阶段，为表 2 中的 JPD 提供单个事件概率，导致先前研究预测的标准默认效应证实了 H2。 AC 有一个隐含的否定效应，但 MP 没有。相比之下，通过简短的学习阶段提供这些概率的经验，克服了与 H1 一致的高相关组的默认先验。对于学习过 JPD 的参与者，MP 有隐含的否定效应，而 AC 则没有。 低相关组继续得出与默认先验一致的推论。从参与者的 JPD 估计中得出的每个推论的计算条件概率，也是支持推论的概率的最佳预测指标 (H3)。此外，置信度是通过计算的条件概率预测的，并没有缓和其对推理背书的影响（H4）。这些结果与隐含否定效应的其他理论不一致，这些理论都预测 MP 和 AC 的隐含否定效应。

使用极端概率操作

表6

已经证明可以通过改变MP和AC的相关对比集的学习概率来产生/消除内隐否定效应。实验3试图推广到MT和DA推论中。

  1. 内隐否定代表更多可能性–可能世界？

  2. JPD和P（p）、P（q)之间的的关系。