1.4 接下来……

人们为什么会在不相关的事件之间看到关联性?陪审团如何评估犯罪的原因?我们如何通过实验来得知某个病人应该服用哪种药物?随着我们对数据和算法的依赖程度越来越高,了解因果关系已经成为一项必须掌握的技能。我们不仅需要利用这一技能从数据中提取有用的信息,还要用它来指导日常生活中的各种决策。即使你的工作并不包括做研究或分析数据,因果推理的各种潜在用途也会对你产生影响,比如你要与别人分享什么样的个人信息,以及与哪些人分享。

为了更加准确地寻找和使用原因,我们需要知道因果推理过程中的心理活动(我们是如何感知并推理事件发生的原因的),还要知道如何评估我们手中的数据(不管是通过观察还是实验获得的),以及如何利用这些知识进行决策。尤其是要考察所收集的数据(以及我们操控这些数据的方式)是如何影响我们从中得出的结论的。在本书中,我们将探索如何利用各种论据来支持或反对某种因果关系(既是正方也是反方)、如何利用因果关系中的信号来超越那些间接的证据,以及如何准确地找到并理解这些信号。

 

注释

1.想要了解Meadow所用的数据,参见Fleming等(2000)。想要了解Meadow对使用这一数据的评论,参见Meadow(2002)。

2. Meadow因为在证词中使用了这一数据,后来被判渎职罪,并被吊销了医生执业资格,导致他不能再行医(后来他通过上诉得以恢复执业资格)。

3.参见Thompson和Schumann(1987)。还有一个著名的案例是Lucia de Berk案。Lucia de Berk是荷兰的一名护士。像Clark一样,她一开始也被误判为有罪,后来又被宣布为无罪。De Berk护理过很多意外死亡的病人,一名专家证人计算了这一情况发生的概率,得出的结果是这一情况完全是巧合的概率只有三亿四千二百万分之一。了解更多关于Lucia de Berk案的信息,请参见Buchanan(2007)。正如Clark案一样,这个数据被等价为De Berk无罪的概率。检方认为这一概率发生的可能性如此之小,所以它一定不可能发生。

4.值得注意的是,SIDS只是导致婴儿猝死的原因之一。事实上,在Clark一案中,有重要证据表明其中有一个婴儿患有炎症,并且这一炎症可能会对婴儿造成生命危险。然而,参与该案的病理学家(该病理学家后来被判严重渎职罪,并被禁止行医三年)在庭审中并未公布这一证据。

5.亚里士多德关于因果关系的论述,参见亚里士多德(1924,1936)。想要了解古希腊学者关于因果关系的论述,参见Broadie(2009)。

6.休谟(1739,1748)。

7.人们关于时间的记忆具有两个特征:不确定性和特异性,关于这两者之间的关系,参见Hripcsak等(2009)。

8.具体案例参见Lagnado和Speekenbrink(2010)。

9.注意:休谟一定不会赞成这样的评价。他认为如果原因和结果之间存在时间或空间上的间隔,那人们就会发现一系列将原因和结果连接在一起的中间原因。

10.参见Kant(1902,1998)。

11.参见Cartwright(1999,2004)和Skyrms(1984)。

12. Mackie(1974)。

13. Suppes(1970)。

14. Lewis(1973)。

15.关于这些内容的专业性介绍,参见Pearl(2000)和Spirtes等(2000)。

16. Lind(1757)。

17. Snow(1855)。

18. Koch(1932)。

19. Hill(1965)。

20. Granger(1980)。

21.想要了解更多关于实验哲学的信息,参见Alexander(2012)、Knobe和Nichols(2008)。

22.当判断因果关系的过程中存在多种文化差异时,情况更是如此。比如说,有些人可能会将技能看成是一种天生的能力,人们要么有这样的技能,要么没有,而其他人可能会认为根据环境和人们的努力程度,一个人的技能是可以改变的。

23. Appelbaum(2011)。

24.有一幅很棒的漫画向我们阐释了各种主观的规律,名叫“Electoral Precedent”。