A disszertációban bemutatjuk a ROT-modellt, amely az események közötti egyszerű oksági kapcsolatok tanulásának Bayes-i kognitív modellje. A ROT-modell az események közötti együttjárásra, azok együttes előfordulására vonatkozó kovariancia-információ alapján ad becslést a köztük lévő oksági kapcsolat meglétében való bizonyosságra vonatkozóan, amely során fontos szerepet tulajdonít azon oksági tényezőknek, amelyek a tanulási helyzetben nem megfigyelhetőek – a modell elnevezése is innen származik (ROT: Rejtett Oksági Tényezők). A modell olyan központi alapfeltevéseket fogalmaz meg az oksági tanulás ilyen formájára, az oksági indukcióra vonatkozóan, amelyek szerint az emberek az oksági kapcsolatokról mint determinisztikus kapcsolatokról gondolkodnak, a megfigyelt esetek magyarázatára oksági magyarázatokat alkotnak, amelyekben fontos szerepet töltenek be a rejtett oksági tényezők. Ismertetjük a dolgozatban a ROT-modell illeszkedésvizsgálatát, amely során egyrészt saját kísérleteinkből származó adatok, másrészt mások vizsgálatainak eredményei alapján igyekeztünk megállapítani, hogy mekkora az összhang a ROT-modell becslései, és a vizsgálatok résztvevőinek ítéletei között. Az illeszkedésvizsgálat során kapott eredmények arra engednek következtetni, hogy a ROT-modell megfelelő illeszkedést mutat a humán adatokra, ami alkalmassá teszi azt az emberi oksági gondolkodás magyarázatára. A modell becslései és a vizsgálatok résztvevői által adott válaszok közötti legmarkánsabb eltérések továbbá arra engednek következtetni, hogy az emberek a modellnél kevésbé használják ki a rendelkezésükre álló adatok mennyiségében rejlő információt az oksági kapcsolatról való tanulás során – az oksági kapcsolatra vonatkozó ítéleteik nem mutatnak a modelléhez hasonló mértékű polarizációt. Egy kísérletünkben a ROT-modell olyan tanulási helyzetre való általánosíthatóságát is vizsgáltuk, amelynek lehetőségét a modell-alkotás során nem mérlegeltük – ahol a tanuló a kovariancia-információt alkotó esetekkel nem könnyen áttekinthető összegzett formában, hanem egyesével találkozik. A modell becslései némi hasonlóságot mutattak a résztvevők ítéleteivel – a modell illeszkedése ebben a helyzetben lényegesen rosszabb, de nem elhanyagolható mértékű volt.

In the dissertation, we present the ROT model, a Bayesian cognitive model for learning simple causal relationships between events. Based on the co-occurrence, or covariation information of these events, the ROT model provides an estimate of the certainty of the existence of a causal relationship between events. It attributes an important role to causal factors that are not observed in the learning situation. This property of the model is also reflected in its name (ROT is an acronym that stands for the Hungarian equivalent of the term hidden causal factors). The model utilizes central assumptions for this form of causal learning – namely causal induction –, according to which people think of causal relationships as deterministic relationships, they formulate explanations of the observed data. In these explanations, hidden causal factors play an important role. In the dissertation, we test the fit of the ROT model. We tried to determine the conformity of the estimates of the ROT model to the judgments of human participants based on the data from our experiments and the results of others' studies. The results suggest that the ROT model shows a proper fit to the human data, making it a suitable explanation of human causal learning. Furthermore, the most remarkable differences between the model's estimates and the responses of study participants suggest that people make less use of the information provided in the amount of data available to them when learning about causal relationships, which is evident from their judgments not showing a degree of polarization similar to that of the model. In one of our experiments, we also examined the model's generalizability to a learning situation that was not considered during modeling, where the learner encounters the cases that make up the covariation information not in a summarized form but individually. The model estimates in this experiment showed some similarities to the participants' judgments. The fit of the model in this situation was significantly worse but not negligible.