相关性及原因关系

Skovgaard-Olsen, N., Singmann, H., & Klauer, K. C. (2017). Relevance and Reason Relations. Cognitive Science, 41, 1202–1215. https://doi.org/10.1111/cogs.12462

本文考察了命题A对命题C的感知相关性的前因和结果。 在实验1中，研究者检验了Δ P = P ( C | A )- P ( C | ~A )是感知相关性和原因关系评分的良好预测指标，并检验了它是否是比差异测量( P ( C | A )- P ( C ) )更好的预测指标。 在实验2中，研究者在不确定的“ and-to-if ”推断中检验了相关性对概率一致性的影响。结果表明，Δ P比差异测量更好地预测了感知相关性和原因关系，被试在“ and-to-if ”推理中的概率一致性比最初假设的要低，或者他们不遵循P(if A ,thenC) = P ( C | A ) 这一等式。根据最近的结果，研究者对结果进行了讨论，认为在不相关或负相关的情况下，等式可能不成立。

Spohn (2012)：解释了命题A在另一个命题C信度上的差异。 A is a reason for C iff P ( C | A )> P ( C | ~A ) (1) A is a reason against C iff P ( C | A )< P ( C | ~A ) (2)

  1. 证实Spohn (2012)的预测：Δ P 与认知相关性及原因关系评级高度相关。
  2. 在不确定和假设推理(从“A and C”中推断出’if A then C“)中考察相关性对被试概率一致性的影响。

来自欧美、澳洲的 725人线上参与，剔除重复标准后剩余475人，年龄范围为18 ~ 73岁平均年龄为38.91岁，55.8 %受教育程度为本科及以上。

混合设计 3因素：决定前件A和后件C的内容及关系 有2个因素在被试内存在差异： Relevance：正相关(PO)、负相关(NE)、零相关(IR) Priors：HH , HL , LH , LL （HL:P(A) = high ，P(C) = low） 另一个因素在被试间存在差异： 无关类型 ：内容相同和内容不同

被试被随机分配到两个无关条件中的一个，每个场景实现了一个概念上的区分，即A是否与主题相关或与C无关。实验2中只使用无关条件下不同内容。

研究者创设了18个不同情境，每个情境16个条件（PO的4个条件×NE的4个条件；2个IR条件无区别）。每个被试在12（3×4）个被试内条件中的每个条件中随机选择一个场景。实验分为12个blocks，每个block一个被试内条件。 每个block包括两页任务： 第一页 被试需要根据场景文本后面随机呈现的2个问题对陈述的概率进行打分（0%-100%），以测量两个句子的先验概率。 第二页 被试需要完成4类问题： 1.测量给定先行词后件的条件概率P ( C | A ) 2.测量给定先行词后件的条件概率的否定P ( C | ~A ) 3.The relevance rating 相关性评级 4.The reason relation scale作答原因关系量表

研究者采用线性混合模型(linear mixed model, LMM )进行分析，对参与者和分析的场景进行交叉随机效应（crossed random effects）的分析。

图1

图1 ：显示了两个模型的估计效果，清楚地表明Δ P的效果明显强于差异测量(虚线)的效果。此外，对于以相关性为因变量的模型，ΔP是一个显著的预测因子。

研究者测试了当P(if A ,then C)=P ( C | A )时，在指示性条件句的负相关性和无关性操纵下，被试的概率一致性程度是否下降。

Skovgaard-Olsen等人报告中的348名被试，数据通过网络进行收集。

实验2采用与实验1相同的12个被试内条件的混合设计。 此外，条件句的类型在被试间存在差异，具有两个水平: Participants 指示性： If A ,then C Concessive 让步性： Even if A ,then still C

从实验1中的18个场景中选择了12个场景，所有的被试内条件都是最精确的。12个参与者的条件被随机分配到12个不同的场景中。此外，与实验1不同的是，参与者报告的概率从0 %到100 %不等。除此之外，实验2按照实验1的方案进行设计。

每个block包括3页任务： 第一页 被试需要根据场景文本后面随机呈现的2个问题对陈述的概率进行打分（0%-100%），以测量两个句子的先验概率。 第二页 评估了条件句的可接受性或概率。 第三页 给被试呈现一个简短的argument，其前提是conjection，结论是conditional。 举例： Premise：Julia starts to exercise AND Julia will gain weight. Conclusion：Therefore, IF Julia starts to exercise, THEN Julia will gain weight.

研究者估计了"and - to - if"推理中不同关联操作的概率相关性。这就需要将 observed coherence rates 与chance coherence rate进行比较。

如表1所示，除了指示性条件句的概率连贯性外，所有情况下所有关联条件的连贯性或一致性反应的比例都在78 %左右。描述性数据似乎证实了研究者的预测。对于指示性条件句，只有PO的参与者的概率一致性高于机会水平，而对于让步条件句，参与者的概率一致性高于所有相关条件的机会水平。

表1

表1还显示了独立于不确定和假想推理任务(也就是说,从每个被试内条件的第一页的两个响应)，被试的概率评价是否符合P ( C | A )≥P( A , C)。

该实验有两个LMM；每个类型是条件组(即,指示性和让步性)的一个。研究者再次估计了具有最大随机斜率的参与者和场景的交叉随机效应。对于指示性条件句，统计分析证实了预测，即相关性会影响概率一致性。对概率符合性也有影响，但影响程度较小。对于让步条件句，研究者发现了一个显著的截距，以表明general above chance responses和 relevance condition的影响，但没有进一步的影响，这说明概率测量的类型对让步条件句没有影响。

在这项研究中，研究者使用一组新的场景(见补充材料)来操纵相关性和先验概率。 实验1提供了Δ P与感知相关性和原因关系评分之间高度一致的证据，并表明Δ P是一个比差异测量更好的预测指标。实验2则研究了相关性对不确定推理任务的作用，证实了Cruz等人（2015年）的研究结果。