Ein erkenntnistheoretischer Ansatz, der Grade des Glaubens als Wahrscheinlichkeiten modelliert und Glaubensänderung als Aktualisierung dieser Wahrscheinlichkeiten durch Konditionierung an neuer Evidenz gemäß Bayesscher Regel; Überzeugungen sind rationalen Beschränkungen unterworfen, die die Axiome der Wahrscheinlichkeit und die Reaktion auf Evidenz mittels spezifizierter Likelihoods verlangen.

Prinzip

Rationale Aktualisierung: Ein rationaler Agent repräsentiert Credences als Wahrscheinlichkeiten und revidiert sie bei Evidenz durch Konditionierung (Posterior ∝ Prior × Likelihood), sodass Evidenz die Überzeugungen in kohärenter, probabilistischer Weise ändert.

Demonstration

Illustratives Szenario — Situation: Ein Agent setzt die a priori‑Wahrscheinlichkeit von H auf 0,1. Erkennung: Er erhält Evidenz E mit P(E|H)=0,8 und P(E|¬H)=0,2. Handlung: Er aktualisiert mit Bayes zu P(H|E) = (0,1×0,8) / [(0,1×0,8)+(0,9×0,2)] ≈ 0,307. Konsequenz: Die Überzeugung in H steigt quantitativ und kohärenzbewahrend an.

Fehlanwendung

Bayessches Vorgehen so zu verstehen, dass es substantielle Meinungsverschiedenheiten über Priors beseitigt, oder zu glauben, jeder Prior führe unabhängig von Likelihoods zum selben Posterior; der Fehler ist, die gemeinsame Rolle von Prior und Likelihood zu übersehen und subjektive Credences mit objektiven Häufigkeiten ohne Rechtfertigung zu verwechseln.

Konsequenz

Bietet einen einheitlichen formalen Rahmen zur Messung von Credences, zum Vergleich von Hypothesen und zur Aktualisierung angesichts von Evidenz; die praktische Anwendung hängt jedoch von Modellierungsentscheidungen (Priors, Likelihoods) ab.

Umkehrung

Die Standard‑Konditionierung muss modifiziert werden, wenn Evidenz unpräzise ist, Agenten logischer Unsicherheit oder begrenzter Rationalität unterliegen oder Evidenz sich nicht als bestimmte Proposition darstellen lässt (Fälle für Jeffrey‑ oder nichtbayessche Aktualisierung).

Abgrenzung

Gilt für quantitative Darstellungen von Glaubensgraden und Aktualisierungsregeln bei gegebener Evidenz; löst nicht allein normative Fragen der Priorauswahl und umfasst keine nicht‑probabilistischen Glaubenssysteme.

Semantische Spannung

Subjektive Wahrscheinlichkeit ↔ Objektive Methoden: Die Spannung zwischen subjektiver Priorauswahl (subjektiver Bayesianismus) und Versuchen, Priors zu objektivieren oder frequentistische/robuste Alternativen zu benutzen, beeinflusst Interpretation und Einsatz bayesscher Methoden.

Synthese

Bayesianismus vereinigt Glaube, Evidenz und Entscheidung in einer formalen, probabilistischen Struktur; seine Wirksamkeit beruht jedoch wesentlich auf epistemisch bedeutsamen Modellierungsurteilen (Priors und Likelihoods).