解释 -- 探寻“这件事引起了那件事”这句话意味着什么

2019/04/10 10:10
阅读数 23

1. 如何看待因果解释?从一个梦游症暴力案件说起

一名居住在堪萨斯州的男子在经历了一系列梦游事件之后,去了一家睡眠障碍的诊所,想要查出他到底得了什么病。一个多月后,他被确诊为非快速眼动睡眠异常症。这种睡眠障碍可能会导致人们做出一些奇怪的行为,比如在睡眠中导出走动或吃东西等,但大脑不会记住这些事情。在他被确诊两个月后,医生增加了他的用药量,而在增加用药量的两天后,他被捕了,并且被控告杀死了自己的妻子。

睡眠异常症患者以外杀人的案例十分罕见,但这个案例会是其中之一吗?

从证据的角度来看,这个案例似乎真的是睡眠异常症患者意外杀人的案例,这名男子在被捕之前拨打了911,他在电话里的表现非常奇怪,似乎对已经发生的事情(实施暴力)感到十分困惑。鉴于他有睡眠异常症病史,所以这这一切听起来就好像他还在睡眠中一样。

然而,进一步调查之后发现,梦游时的暴力行为的很多其他常见特征在本案中并未出现,例如:

  • 他和妻子有过争吵,这就构成了一种故意伤人的动机,但梦游时的暴力行为通常没有任何动机
  • 他和妻子之间的距离很远,但梦游者通常必须要靠近他人才会出现暴力行为
  • 他使用了多种武器,但梦游时的暴力行为通常只用一种武器

最终,经过刑侦调查,这个案子水落石出,被证实为一起谋杀案件。

这个案子的重点是,不能只因为睡眠异常症可能会导致谋杀,而这个案子里既有睡眠异常症也有谋杀,就理所当然地认为一定是睡眠异常症导致了这一起特定的杀人事件。 

在这个案件里,检察官是如何发现证据存在的异常的呢?事实上,检察官所使用的方法称为“类型层面先验知识推理法”,按照类型层面先验知识,该案件中出现被告声称的结果的概率是十分低的,而如果有人声称出现了这个低概率的结果,那就很有可能是一个异常推理

当我们询问某件事为什么会发生时,我们想要的是一个事件为什么会发生或者为什么未发生的因果关系解释,比如:

  • 为什么会发生某一场暴动?
  • 为什么两个人会发生车辆碰擦事故?
  • 为什么某个候选人会赢得选举?

 

2. 因果关系解释的分类

0x1:实体原因

对特定对象的的某个具体结果来说,解释行为的目标就是要找到一些导致特定事件发生的原因,也就是所谓的实体原因

例如:

  • 大部分情况下,我们想要解释的都是出了问题的事件。比如:
    • 马克7月4日没有涂防晒霜在海滩上待了一整天,结果他的皮肤被晒伤了。紫外线会导致皮肤晒伤是普遍知识,但是到这个具体的case,马克被晒伤则是因为他自己没有做好防晒措施
    • 我想知道我在4.1号的C1919航班为什么晚点了。航班晚点的一般原因可能是因为天气和空中交通管制等原因,但是到这个具体的case,C1919航班晚点的原因是因为机械故障
  • 我们可能也会想要知道为什么某件事没有发现,例如人们是如何成功地躲避某场核灾难,或者人们是如何成功让某种传染性疾病停止传播的。

实体原因的特点是,具体问题具体分析,是后验数据驱动的因果推断

0x2:类型层面原因 

类型层面上的因果关系让我们能够深入认识事物的一般属性,比如:

  • 阳光照射会引起皮肤伤
  • 万有引力导致星球之间形成彼此环绕的方式旋转

在类型层面上,我们想要获得的是可以用来预测未来事件的知识,或者是可以用来在普遍意义上(比如针对整个人口群体的政策)改变事件发展进程的知识,这种知识不受时间上的限制,这有点类似于笔者在另一篇文章中谈到的动力学模型

0x3:实体原因和类型层面原因的绑定关系

在很多案例中,实体因果关系都起了非常重要的作用。然而,有时可能会出现一些一次性事件,这种事件永都不会发生第二次。在这种情况下,我们可能在事件发生之前都不知道还存在这样的因果关系。例如:

  • 法国和墨西哥之间的那场在某种程度上由甜品引发的战争,这种引发战争的原因闻所未闻
  • 药品的某些副作用或相互作用可能从来没有在临床试验中出现过,但当这种药品被用在更大且更多样化的人群中时,可能就会出现这样一些副作用

实体因果关系的这种特征导致了人们难以确定实体因果关系,因为如果我们不能把类型层面的原因当作实体原因,那么即使这些原因出现了,我们又如何才能得知某件事情为什么会发生呢?

换句话说,我们的先验知识(类型层面原因)和我们的后验观察结果(实体原因)需要能够形成某种程度的绑定与调和,我们才能形成一个完整的贝叶斯判断

很多方法都能够帮助我们理解这两种类型的原因是如何组合在一起的,

  • 演绎法(一般到具体):我们可以先找到事物的一般属性,然后将这些属性套用到具体事物上
  • 归纳法(具体到一般):我们也可以先从具体案例出发,然后得出一般性的结论

  

3. 寻找某个事件发生的原因

在实际工程实践和生活中,我们常常会遇到如下一些涉及到因果解释的问题,

  • 我们知道破旧的洗衣机会让水龙头漏水,但是仅知道这一点是否就能解释为什么上周二Ann家的水龙头为什么会滴水呢?
  • 由于机场的安检队伍太长,结果Bernie没有赶上他乘坐的航班,我们是否可以由此推断出安检队伍是导致旅客误了航班的原因呢?

上一章我们说到,对过因果解释,我们有实体层面(具体案例具体分析)和类型层面(一般化原理)的解释角度,在面对具体案例的时候,我们是使用两者其一还是两者结合起来使用呢?

这一章我们来详细讨论这个话题,我们先使用类型层面的原因来解释实体原因,然后讨论一下这种分析方法面临的一些挑战,然后返送类型原因和实体原因之间的联系,最后,我们会尝试完全切断类型原因和实体原因之间的纽带。

0x1:出现多重原因时,如何解释因果关系

1、类型层面原因如何解释多重因果关系

假设我们想知道是什么导致了某一场车祸。虽然我们无法从一场车祸中找到某一条规律,但是可以使用我们的先验知识来解释这一场车祸。

例如,我们可以使用Mackie的 INUS条件(非必要充分条件中的非充分必要部分)来找到好几组导致车祸的因素,如果这几组因素中至少有一组因素的各个组成部分都出现了,那么车祸这个结果就一定会发生。但是,可能有多组因素都足以导致车祸这一结果。

2、实体原因如何解释多重因果关系

如果我们想证实路面结冰是导致这场具体交通事故的实体原因,那我们还要知道令路面结冰导致交通事故的其他因素也存在于现场,比如能见度低,因为在这个案例中,路面结冰本身并不足以导致交通事故。

但是问题是,如果路面结冰和能见度低这两个因素都出现了,驾驶员又醉酒,而且交通也非常拥挤,情况又会怎么样呢?

从上图中可以看到,这些组合都足以引起交通事故了。由于这个超定事件中出现了多重充分原因,所以实体原因分析法无法确切找到事件发生的原因。

虽然有很多困难,但是也不是完全没有办法。分析具体案例的另一种方法是假设法

  • 假如路面没有结冰的话,这起交通事故还会发生吗?
  • 假如驾驶员没有喝酒的话,事情的结果会有什么不同吗?
  • 假如我没有吃这个药,我还会康复吗?
  • 假如我没有熬夜而是早点睡觉,我还会头疼吗?
  • 如果我穿越街道的时候没有那么匆忙,我还会被绊倒吗?

假设法分析方法中,我们将原因定义为某种能够改变事件发展进程的事物,即如果这个原因没有出现的话,事情的结果将和我们知道的实际发生的结果大不相同

这本质上就是我们讨论过的反事实推理法,我们知道,反事实依赖性是指:如果原因没有发生的话,结果也不会发生;如果原因发生了,结果也一定会发生

反事实推理法主要用于解释事件发生的原因,其核心思想是影响事件的发展过程,在心理学领域这被称为归因。

但是需要注意的是!反事实推理并不能完全解释归因过程!

  • 在有些情况下,反事实推理法认为事件之间不存在因果关系,但人们根据先验知识并不赞成这样的结论;
  • 在另一些情况下,虽然人们认为两个事物之间不存在因果依赖性,但反事实推理法却发现它们之间存在反事实依赖性

3、多重原因中的责任比例划分

在某些案例中,我们可以说多重因素共同导致了某个结果。例如对一个行刑队而言,可能所有开枪的队员都是导致犯人死亡的原因,但我们不需要知道致命的一枪究竟是哪个队员开的。

但是在另一些案例中,比如说法律案件,我们却不得不进行责任划分。

在法律案件中,我们需要根据每一个因素对原告造成的伤害程度来划分其应该承担的责任比例。

  • 假设一个人由于长期在噪声很大的环境中工作(原因之一)并且脑部受了外伤(原因之二),从而丧失了听力
  • 另一个人完全是由于工作场所的噪声(唯一原因)而丧失了听力

那么这两种情况下法院所判的赔偿是不一样的,而且,法院判给第一个人的赔偿还需要由这两个原因的责任方按照责任比例共同承担。但这里最困难的问题是,我们很难准确地知道不同原因所占的比例应该是多少。

有学者认为,当我们无法确定某个因素是否应该承担责任时,可以根据每个因素在整个人中导致的某种结果的比例来确定这个因素所应承担的责任比例,或者根据这个因素相对于所有潜在的风险因素而言能够导致某种结果的比例来确定这个因素所应承担的责任比例,这本质上还是在类型层面原因的理论范畴

这种建议假设了事件发生的一般性概率可以直接适用于某一个具体事件,但事实上,我们无法确定普遍性的一般统计规律,对具体的每一个人是否还能使用。通过概率统计,我们在用一些方法来计算具体案例的发生概率方面已经取得了一些成绩,但是这些方法要求我们对事件发生的背景知识有着充分的了解。这方面典型的例子就像我们之前讨论过的SIDS案例

笔者思考

根据一般性规律,对未来的具体案例进行因果解释,并不是一个纯理论问题。我们在机器学习中常常提到一个叫“模型泛化”的概念,我们希望基于先验知识和先验大数据样本得到的模型,能够对未来可能出现的各种情况,都具备较好的解释能力。对这个问题,数据分析师需要十分谨慎,泛化能力成立的前提条件是我们对事件发生的背景知识有着充分的了解。换句话说,除非我们找到了事件发生的完整动力学模型、或者拿到了代表事件概率分布的完整典型集,否则我们的模型就不能被称为是类型层面原因模型,自然也无法达到我们所期望的泛化能力

0x2:解释可能具有主观性

我们需要知道,即使是两个人使用同一推理方法也可能会得出不同的因果结论,这里面存在很多主观因素会影响到最终对因果的解释,例如:

  • 我们选择的测量对象和描述测量对象的方式(比如用体重和身体理化指标)都会影响到类型层面的推理
  • 我们对结果是否出现、以及出现程度的判断存在主观因素,比如,有人一年只听一次非常喧闹的演唱会,而有人则是摇滚乐队的成员或者每周都会去听一次非常喧闹的演唱会,那么对于这两种人而言,由于噪声丧失听力的风险是不一样的

在因果推理过程中,由于我们是基于数据量化来界定一组变量(比如将身高和体重转换成身体质量指数),然后从这组变量中寻找变量之间的关系。而由于主观因素导致的量化界定不清晰问题,就可能会严重影响我们进行因果推理的准确度甚至结论本身。

在实体因果关系案例中,我们将实际情况与我们掌握的类型层面的知识联系在一起。

例如可能有一项研究发现运动量大的人静态心跳率比较低,但现在我们想知道的是,Tracy的静态心跳率比较低是否是运动量大导致?

先前的研究可能会准确地告诉我们一个人必须锻炼多少次、每次锻炼多长时间(比如一周6次、每次30分钟)才能降低静态心跳率。但除此之外,我们还需要考虑很多问题,

  • 只有锻炼3个月以上的人身上才会出现这种关系吗?
  • 所有的锻炼形式都一样吗?
  • 要不要单独考虑瑜伽和游泳这两种锻炼方式?
  • 如果Tracy只在天气暖和的时候才锻炼,在冬天的时候根本不锻炼,这会影响这种关系吗?

我们之所以要将实体层面的观察和类型层面的知识结合起来,是因为在确定事实真相的过程中,人们可能会不自觉地带入自己的主观性,从信息论的角度来看,主观性就是一种不提供任何信息的冗余噪声。我们需要通过精确的条件限制与定义,将真正的原因内核提取出来,将和原因无关的信息都剔除,以此得到一种精简的因果推理模型。

0x3:时空因素对寻找原因的影响

1、原因出现的时间

使用类型层面的原因来解释实际案例时,让问题复杂化的第三个因素就是时间。即使我们掌握的类型层面的信息并没有告诉我们某个原因需要多长时间才能导致某种结果,我们仍然不可避免地要考虑到时间因素,因为时间因素决定着哪些信息与实际案例有关

  • 如果我们假设一场交通事故是酒驾引起的,那么在事故发生时,驾驶员应该处于醉酒状态。驾驶员一个星期之前喝的一次酒,一般不可能是引起这次事故的主要原因
  • 而对于那些潜伏期很长的传染病来说,我们则会假设病人一定是在过去的某个时间区间内(1-14天)解除了传染病原。

假设有一种药物可以在30分钟到60分钟内减轻头痛症状,Charlie得了头痛症之后吃了这种药物,结果在62分钟之后他的头疼症状减轻了。那么,这种药物对Charlie的头痛症有没有帮助呢?

要回答这个问题,我们需要先定义清楚时间因素和结果解释之间的关系是怎么样的。

在找到那些类型层面的因果关系时,我们需要清楚地定义这些时间窗到底是"某个结果可能会出现的唯一时间段(硬边界)",还是"某个结果最有可能出现的时间段(概率分布)"

2、时间因素对结果出现的概率性影响

要想解决上述问题,唯一的办法就是放松类型层面的关系与实体层面的关系之间的联系。

出于很多原因,我们观察到的东西和我们已有的认知并不吻合。因此,我们可以将这种不确定性融入我们的解释过程中。

  • 有人在服药29分钟之后头痛症状消失了,有人在服药290分钟之后头痛症状才消失,与第二个案例相比,第一个案例的药物更有可能(但不是100%确定)是头痛症状消失的原因。这体现了我们的先验知识中的不确定性
  • 我们并不确定Charlie有没有服用补热息痛,但我们看到有一盒打开的补热息痛放在一杯水旁边,于是就可以使用这些间接信息来估算他服用药物的概率。这种方法的基本原理体现了我们对实体案例中的信息的不确定性

Mackie的 INUS方法假设了我们对事物的运行机制有着充分的了解,所以能够界定确定因果关系复合体,比如一组因素的出现总能带来某个结果。但是,很多因果关系的出现都是有一定概率的,这可能是事物本身的不确定性导致的,也可能是我们对世界的认知不够全面导致的。

即使某个原因导致某种结果的概率很低,但它在实体案例中仍有可能成为导致某个事件发生的原因之一,而我们计算出的概率或原因强度可以告诉我们这种情况发生的可能性有多大。然后,我们可以利用这些砝码来评估各种因果解释的依据。

假设我们想知道Irene昨晚为什么会失眠,我们测量了各个原因的显著性值,然后发现喝4盎司的浓缩咖啡在4小时内导致失眠的显著性值为0.9。如果我们了解到Irene睡前3小时曾去过一家咖啡店,并且喝了4盎司浓缩咖啡,那么喝浓缩咖啡导致她失眠的显著性值就会是0.9。但是,如果她从咖啡店回来之后又熬夜看了一会儿电视,而实际上是在喝咖啡6个小时之后才出现失眠的,那么由于失眠发生在浓缩咖啡影响睡眠的时间范围之外,因此浓缩咖啡导致失眠的显著性值应该比0.9要低一些。

由于6小时位于灰色长条所示的已知时间窗之外,所以Irene那时候失眠似乎就不太可能是因为哈咖啡导致的,换句话说,喝咖啡后6小时候依然导致失眠是一个小概率异常事件。

但是这里有一点要注意的是!

当我们对同一个原因在不同的时间段对于结果的显著性值进行加权时(或者在解释某个原因对不同时间段的影响时),应该讲这种概率和显著性值结合在一起考虑。这意味着,一个对结果影响比较大的原因即使和已知的时间段不太吻合,它的显著性依然比一个对结果影响比较小但是实际出现的时间段与已知时间段完全吻合的原因更大。这就是所谓的瘦死的骆驼比马大。

换句话来说,我们对结果的原因解释实际上是按照数学期望的方式进行度量的,

原因对结果的影响显著性期望 = 该原因的对结果的先验影响(类型层面) * 该原因的发生概率(实体层面)

举例来说,如果Irene睡觉时房间里有点太暖和了,就可能会增加她睡不好觉的概率。但是,我们可能依然会认为3.5小时前喝浓缩咖啡才是导致她失眠的罪魁祸首。

这种方法的基本思路是:根据我们所掌握的实体层面的信息来对类型层面的显著性值进行加权处理,对于具体案例而言,由于各个事件发生的时间不同或者具有不确定性,通过这种加权处于可以对类型层面的先验知识实现微调效果,这实际上就是贝叶斯推断的核心思想

 

4. 类型层面原因、实体层面原因的矛盾与调和

0x1:传统因果解释方法的矛盾

类型层面原因和实体层面原因,体现了我们看待世界的两种不同方式,分别代表了先验知识主义、和后验数据估计主义。这一章,我们用概率的理论体系将二者调和在一起,用一个统一的视角来看待他们。

花的生存需要水分,如果我们不提供充足的水分,花就是死,这是一条普遍常识,是一种类型层面原因。但是如果某一天,你没有给花浇水,但花并没有死。第二天依然没有浇水,花依然没有死....

我们该如何解释这种现象呢?这个花本来应该已经死了,但是它却没有死,发生了花缺水的事件,但是它却不是导致花活下来的原因。

第一天没有给花浇水,花幸存下来的概率降低了。随着不给花浇水的时间越长花幸存下来的概率逐渐降低。虽然某个因素的出现让一件事发生的可能性降低了,但是这件事还是发生了。那么,从只觉得上讲,这件事的发生并不是某个因素导致的,而是在出现了某个不利因素的情况下仍然发生了。

同理,虽然某个因素的出现让某件事发生的可能性提高了,但是这件事仍然没有发生,那么,这件事之所以没有发生也不是某个因素导致的,而是在出现了某个有利因素的情况下仍然没有发生。比如说,尽管我们拥有良好的医疗服务条件,但是某个病人仍然可能死亡。

要解决这个看似矛盾的问题,我们必须要调整我们的思维方式。

传统考察事件的方法,都存在一个很关键的局限性,就是我们一直在依赖一般性的信息来解释具体的案例,并且假设某种因果关系在类型层面的显著性与实体层面的显著性是一致的

0x2:用概率变化的视角来看待因果关系,世界是概率的

哲学家 Ellery Eells 提出了一个研究概率变化的方法:观察在某个原因出现之后,某个事件发生的概率是如何变化的,并且这个概率是如何随着时间的变化而变化的

这种方法讲究的是事件实际发生的概率是如何随着时间的变化而变化的。通过研究我们想要解释的具体案例发生的概率,我们能够将一般会发生的事情和实际发生的事情区分开来,并且意识到一个一般情况下可以预防某种结果出现的原因也可能会成为导致这种结果出现的原因,总之,一切都是概率,没有什么是绝对的。 

这种方法能够修正我们的分析,让分析结果能够符合观察到的内容。

  • 在一个事件发生后,另一个事件发生的概率开始上升,并且一直上升到真正发生为止,那么人们就会认为另一个事件的发生是由第一个事件导致的;
  • 相反,如果一个事件发生后,另一个事件发生的概率下降了,而在这种情况下另一个事件还是发生了,那么人们就会认为这个事件是在尽管有不利因素的情况下仍然发生了

笔者思考

在进行因果解释的时,不要只看结果会不会发生,而是要看结果是否会以不同的方式发生。假如某个病人没有吃一种特定的药,那么和没有吃药的人相比,他康复的速度是否有变快或变慢,因为其实什么药都不吃,人体本来也具备一定的自愈能力。我们需要了解的是,原因对结果发生概率的影响,而不是仅仅看结果是否发生与否

 

5. 解释过程自动化

0x1:因果建模

我们在之前的章节讨论了类型层面原因和实体层面原因、以及通过概率变化来量化评估原因对结果的影响程度。接下来的问题是,我们如何能够通过一定步骤的计算,获得这样的信息呢?

解决这个问题的思路和贝叶斯推理的方式类似,我们需要为研究的系统建一个模型,通过模型,将抽象的问题转化为一个数值优化问题。 

以预测击打高尔夫球后预测时候会进洞为例,根据一些简单的物理学知识以及我们对风和其他影响因素出现的可能性的一些假设,我们可以对高尔夫球的每一个位置进行多次模拟,从而计算出球从那一点出发之后落入球洞的概率。

当球离球洞很远时,风或其他不太可能出现的事件导致球的运行轨迹发生变化的概率很高,但当球靠近球洞时,要想让球偏离球洞,就必须出现更大的变故才行(例如有松鼠推了球一下)。使用反事实推理法,我们可以模拟其他可能出现的情形,从而从数量上来观测各种情形之间的相似程度,以及在某个原因没有出现的情况下,某个结果出现的概率。

这和现在气象预测里的外推法、微积分法的思想是类似的。

在医学领域,一般情况下,我们并没有足够的信息来如实模拟各种疾病有可能出现的发展过程。但是,我们可以使用来自其他病人的时间序列数据。假设我们想知道,一个病人在被确诊为肺炎的两周后存活下来是否是因为服用了抗生素,也就是说,我们想要确定,抗生素是否导致存活下来的概率变大了。

那么,在服用抗生素之前,我们要利用我们所了解的关于这个病人的所有数据来搜集与这个病人具有相似病史的病人的信息,并计算出那些病人在两周后存活下来的概率。然后,只要将其与一开始就接受了抗生素治疗的那组病人的存活率相比较,就能看出病人在服用了抗生素后的存活率发生了什么样的变化。

笔者插入

在前面高尔夫球的案例中,我们限制了高尔夫球的运行轨迹,一旦高尔夫球到达某一位置,我们就只考虑它从那个位置出发后的运行轨迹。而在抗生素的案例中,随着时间的变化,我们将以同样的方式来限制用于对比的病人群体。在对结果的因果解释中,我们对结果的绝对值并不关注,相反,我们更关注的是原因对结果影响的相对量。通俗地说,我们寻找的是:因为你,有什么不同,而不仅仅是,因为你,有了什么

0x2:因果推理自动化的挑战

从数据中寻找类型层面的原因一直是计算机科学研究中的一个主要领域,也取得了非常多丰硕的成果。

但是,关于解释过程自动化的方法研究,却面临非常多的挑战,主要的原因有:

  • 我们很难将反事实推理这样的方法转换成计算机可以执行的指令。要想设计出一个程序,让它能够接收一些关于某个情形的信息,并且告诉我们导致某个结果的原因是什么,那就需要将解释原因的过程通过编码转换成一系列无须人为判断或主观想法就可以执行的步骤。
  • 要如何去评估这些程序的效能?想要知道一个计算程序是否有用,我们需要将它得出的结果和正确答案做对比。然而,对于实体因果关系来说,我们并不是能够知道正确答案是什么。

 

6. 法律活动中的因果关系

在之前的文章中,我们讨论了 Sally Clark 蒙冤入狱的案例。由于人们误用了概率,未能理解因果关系的本质。但是,除了虚假的统计数据以外,上诉法庭又是如何做出不同判定的?为何陪审员们在听到同样的证据后,商议了好几个星期也无法达成一致意见?

理解法律活动中的因果关系,特别是理解陪审团是如何做出判定的,这有助于我们更好地评估其他情景中的证据。

在法律活动中,人们需要处理的是大量十分复杂而又相互矛盾的信息、和事件的整个发展过程(而不仅仅只是一个原因和一个结果)、以及紧密相连的信息(认证如果说了一句错误的证词,有可能会降低他其余证词的可信度)。

在医学或历史学领域,专家们从多年的培训或经验中获得了一些技能,他们运用这些技能来解释病人身上出现不寻常症状,或者找出某场政治运动为什么会在某个特定时间发生的原因。与这些专家不同,陪审员并不是法律方面的专家,也不是他们听审的案件细节的专家。正是由于这一点,法律活动中的因果推理才格外值得研究。

  • 陪审员可能不得不去评估环境因素和医学生的证据,以便确定癌症疫情密集爆发是否是一件不寻常的事
  • 虽然他们不是肿瘤学家或遗传学家,但他们却不得不去确定DNS证据能否明确指出导致癌症疫情密集爆发的嫌疑人

因此,陪审员的推理活动和我们日常生活中的推理活动更为相似。在日常生活中,出于各种实际的原因,我们常常需要解释一些问题,但又不一定非要对相应的领域有十分深刻的了解

 

0x1:要不是因为,就.....

1、反事实推理在超定发了事件中的局限

假设一名司机未能及时踩刹车,结果撞上了另一辆车。但司机不知道汽车的刹车实际上早就失灵了,所以即便他踩了刹车,也无法把车停下来。

这个案例在法律推理中非常经典,法律案件中用来确定因果关系的核心方法之一是建立在反事实推理的基础之上的

在法律案件中,我们常常会问“要不是某个人的行为,或不作为”,这一结果会出现吗?这种推理也被称为“事实因果关系”,与反事实推理法完全一样,这种方法假设原因制造了差异,没有原因结果就不可能出现。

使用这种方法的主要障碍是无法处理超定问题,即即使车的刹车早就坏了,但是司机自己也没有及时踩刹车。撞上另一辆车这一结果可能无论如何都会出现,既有可能是刹车问题导致的,也有可能是司机过失导致的。

在超定案例中,两个或两个以上的因素都可能是导致某个结果的原因,其中任何一个都无法被判定为导致某个结果的唯一原因。

相反,在优先权案例中,可能导致某种结果的因素有两个,但实际上起作用的因素只有一个。比如说,一个病人得了致命了疾病,在他死于疾病之前,护士先撤去了各种帮他维持生命的机器。

2、NESS(充分条件组合中的必要成分)理论框架

反事实推理法的缺陷之一在于,这种方法是将每一个原因分开考虑,而不是将每个原因当做导致某种结果的整体背景中的一部分

因此,Richard Wright 提出了一个叫做 NESS(充分条件组合中的必要成分)的理论框架,这个框架与 Mackie 的 INUS条件类似,其主要思想是:如果某个事件是一个充分(sufficient)条件组合(set)中的必要(necessary)成分(element),那么这个事件就是一个原因

这意味着,

  • 如果整个充分条件组合都出现了,那么结果就已一定会出现,而原因只是充分条件组合中的一个成分;
  • 相反,如果充分条件组合中缺少某一个成分,那结果就一定不会出现

在汽车交通事故案例中,刹车失灵是整个充分条件组合中的一部分,而没有踩刹车则是充分条件组合中的另一部分。那么,这两者都是 NESS条件。根据 NESS理论框架,它们都难逃其就。

0x2:近因 -- 法律推理中对时空因素的考量

假设有人吓走了一只鸽子。鸽子飞走的时候,惊到了一位正在穿越街道的路人。路人驻足观望,结果导致一辆正在朝他骑过来的自行车不得不在最后一秒急转车头。自行车避让行人后,正好起到了一辆出租车形势的车道上。出租车为了避让自行车,结果撞上了一个消防栓。消防栓出水导致了附近一栋大楼的地下室被淹,破坏了地下室的供电设施。

虽然吓走鸽子是启动整个原因链的原因,我们也可以认为是吓走鸽子这件事导致了后面的一系列事件,但很少有人会认为吓走鸽子的那个人应该对之后出现的一系列事件负法律责任。因此,在法律上,一个没有责任方的事故仍有可能存在一个原因。

除了要考虑“要不是,就....”原因并进行 NESS测试以外,我们还需要掌握原因和结果之间的距离,以便解释原因和结果之间发生的那些有可能干预并改变结果的中间事件。

近因就是和结果直接相连的原因,法律上的近因还具有可预见性,也就是说,人们应该能够遇见该原因可能会导致某个结果

但在吓走鸽子的案件中,情况并非如此,所以吓走鸽子这件事可能是一个“要不是,就...”原因,却不是近因。

近因才是我们用来区分因果关系和责任的因素。将责任局限于近因可以防止人们将其归咎于那些遥远的事件。那些遥远的事件可能触发了一系列事件,但是最终导致的结果确实无法预见的

0x3:陪审团面临的挑战

1、案情故事模型理论

在日常生活中,当我们想要解释一些事件的时候,可以寻找新的信息来支持或者否定我们的假设。比如说,

  • 你可以去咨询尽可能多的专家,问问他们你隔壁房子过于花哨的装饰是否会降低你房子的市值
  • 你可以审查每一个专家的资格信息、阅读关于房价的研究报告并且进行一些实验,等等

但是,陪审团成员面对的则是一组他们无法控制来源的事实,在某些案件中,陪审团也许能够向证人提一些问题,但是在绝大部分情况下,他们只能评估并整合证据,而不能直接获得证据。

更麻烦的是,所有这些复杂的证据信息可能都不是按照时间顺序提供给陪审员的。面对这样的信息,陪审员需要将它们结合在一起,并搞清楚究竟发生了什么事。

陪审员在听审的过程中,不会把每一条新的证据都放进互不相干的证据库中,以便最后一次性对所有证据做一个评估;也不会在每一个时间点对已有的证据做一个阶段性总结,然后不断微调被告有罪或无罪的结论。

大部分陪审员在听审过程中,都会将获取的信息组织成一个故事。这种故事模型论最早由 Nancy Pennigton 和 Reid  Hastie 提出,主要的理论思想是,陪审员们会将庭审提供给他们的证据(以及他们对证据的评估)和他们的先验知识以及经验结合在一起,组织出一个故事来再现案情。

与此同时,陪审员们会对同一个案件得出不同的结论,很大程度上是因为他们构建出了不同的案情故事。

2、如何评估案情故事有效性

对一名陪审员来说,什么样的故事才是可信的呢?这问题一部分取决于陪审员的经验(这是主观柔性的部分),另一部分取决于故事对证据的解释力(这里理性硬性的部分),即这个故事能够解释多少证据?

一名陪审员对其构建的故事的信心取决于三个关键因素:

  • 故事的覆盖面:如果某个人有一份确凿的不在场证明,那么那些认为这个人在案件中有嫌疑的故事就基本不可信的,因为这些故事无法覆盖这个人无罪的场景
  • 连贯性:一个故事必须以一种连贯的方式组成一个整体
  • 独特性:在某些情况下,可能会出现多个与证据相一致的可能发生的故事,如果很多故事都是连贯的,那么陪审员无法确定哪一种解释最有可能发生。相反,如果有一个独一无二的、连贯的并且覆盖面很广的故事,那么陪审员可能更倾向于用这个故事来解释整个案情

3、审判过程一般准则

首先要为一个原因寻找无罪和有罪的证据,然后严格审查现有的证据以确定事情的真相,最后判定到底是只有一个可信的解释,还是有多个可信的解释。

 

原文出处:https://www.cnblogs.com/LittleHann/p/12533234.html

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部