<div> 摘　要:有两种关于辛普森悖论的解释，逻辑-基础的解释和因果的解释。前一个解释为哲学家普拉桑塔&middot;班德亚帕德耶所坚持，后一种解释为计算机科学家朱迪亚&middot;珀尔所主张。班德亚帕德耶在他近几年的文章中，强调有三个关于辛普森悖论的问题需要得到充分的分析才能够说明这个悖论得到了解决：1.辛普森悖论为什么是悖论；2.辛普森悖论是在什么条件下产生的；3.遇到辛普森悖论该如何做？第三个问题他服膺珀尔的方法，认为因果性只会在第三个问题有作用，但是前两个问题他认为珀尔的解释都错了，应该给予逻辑-基础的解释。在这一篇文章中，我试图证明哲学家班德亚帕德耶对珀尔前两个问题及相关因果解释的批评都是不正确的，且他自己的逻辑-基础的解释也可商榷。</div> <div> &nbsp;</div> <div> 关键词: do-演算 &nbsp;后门准则 &nbsp;可交换性 &nbsp;可坍塌性 &nbsp;因果性</div> <div> &nbsp;</div>

<p>摘要：刘易斯把因果定义为实际事件之间因果依赖的传递闭包,可以解决困扰规则性理论的诸多问题,但是也确证了因果是传递的。在随后的讨论中因果传递性的反例不断涌现,从而间接地否定了刘易斯因果定义的合理性。希区柯克提出了结构方程模型的因果理论,他也认同通过反事实来理解因果,但和刘易斯不同,他引入了结构方程的工具来清晰地刻画具体的情形,并通过&quot;活跃路径&quot;来定义因果关系,他指出我们可以在不付出因果是传递性这个代价的情况之下,也可以合理地获得刘易斯因果定义的那些好处,而且还能够解决困扰他的定义的那些反例。笔者试图证明所有用以反驳因果传递性的反例都存在一种潜在的概念偷换,并不构成对刘易斯因果理论的反驳,并给出反例说明希区柯克所自信的那些结构因果模型的优点,比如清晰地刻画具体的情形,也有其界限,在具体的问题讨论中也有其无法克服的&quot;言不尽意&quot;处。</p><p><br/></p><p>关键词：实际因果;反事实;结构方程;传递性问题</p><p><br/></p>

<p>摘 要：近三十年因果研究取得了长足的进步，除了被誉为“统计学因果推断革命”的潜在结果模型，还有朱迪亚·珀尔所主导的结构因果模型。这个理论在深刻改变社会科学、神经科学和行为科学研究范式的同时，也走出了一条不同于（同时也裨益于）机器学习（深度学习）智能研究的新思路，为人工智能进入“小数据、大任务”的范式发展提供了可能性与光照。本文将对结构因果模型的根本设想、数学化进程及其人工智能愿景做细致地评述。</p><p><br/></p><p>关键词：贝叶斯网络&nbsp; 结构因果模型&nbsp; 因果推断引擎&nbsp; do-演算</p><p><br/></p>

<p>摘　要：相当多证据表明，因果学习和因果理解能力极大地增强了人类操纵物理世界的能力，是将人类与其他灵长类动物区分开来的重要因素。如何让蠢笨的机器人因果地思考、回答“为什么”的问题，甚至理解此类问题的意义，是实现人工智能的关键之一。朱迪亚·珀尔认为要实现类人智能，先从模仿孩子的智能开始，于是提出“因果推断引擎”帮助未来的人工智能进行因果推理，以通过迷你图灵测试，甚至成为明辨善恶的道德主体。本文的目标是，既根据人工智能的理论设想和建构目标为儿童教育的发展提供思路，又根据儿童教育的实践来反观人工智能的因果模型径路。</p><p><br/></p><p>关键词：因果推断引擎 反事实 自由意志 科学教育</p><p><br/></p>