본 연구는 범주속성들이 공통원인 혹은 공통효과 인과 네트워크로 연결되었을 때 인과강도에 따른 속성추론을 검증했다. 인과범주에서 속성추론을 검증한 기존 연구들은 인과관계의 방향, 연결된 속성의 개수, 원인 혹은 결과의 여부 등에 따라 고유한 추론 패턴이 나타남을 보여주었다. 다만 기존 연구들은 인과관계에 따른 추론패턴을 주로 탐색했으며 인과관계의 효과가 인과강도에 따라 어떤 변화를 보이는지 확인한 연구는 찾아보기 어렵다. 본 연구에서 는 공통원인(실험 1), 공통효과(실험 2) 네트워크에서 인과강도에 따른 속성추론을 검증했다. 이를 위해 참가자들에 게 속성들이 인과적 관련성을 가지는 범주를 학습하게 한 다음 속성추론 과제를 실시하도록 했다. 실험 결과 인과관 계 뿐만 아니라 인과강도 역시 속성추론에 중요한 영향을 미쳤다. 인과강도가 강할 떄 공통원인 속성에 대해서는 추론이 약해진 반면 공통효과 속성에 대해서는 추론이 강해졌다. 또한 인과강도가 강할 때 공통원인이 존재하는 경 우 결과속성들에 대한 추론이 강해진 반면 공통효과에서는 반대의 결과가 나타났다. 특히 공통효과에서는 인과강도 가 강할 때 인과적 절감이 더 뚜렷하게 나타났다. 이 결과들은 인과적 범주에서의 속성추론에서 참가자들은 인과관 계 뿐만 아니라 인과강도를 고려한다는 것을 일관성있게 보여준다.

개념과 범주는 관찰하지 못한 속성을 추론할 수 있는 기반을 제공한다. 무의미 속성을 사용한 범주기반 속성추론 연구들은 범주 및 속성의 유사성이 추론을 설명하는 핵심 요인이라는 것을 제안했다(Rips, 1975; Osherson et al., 1990). 이후 연구들은 사람들의 사전지식이 범주기반 추론에 막대한 영향을 미치며 심지어 유사성 효과가 완전히 사라지는 경우도 있음을 보고했다. 본 연구는 범주 속성들이 사전지식의 한 종류인 인과적 지식에 의해 사슬구조로 연결되었을 때의 범주기반 속성추론을 검증했으며 그 결과를 예측하는 속성추론모형을 제안했다. 참가자들은 네 개의 속성들이 사슬구조를 이루는 인과적 범주를 학습한 뒤 해당 범주의 다양한 범주 예시들의 숨겨진 속성에 대한 추론을 실시했다. 그 결과 인과적으로 직접 연결된 속성뿐만 아니라 다른 속성 노드에 의해 차폐된 속성들도 추론에 영향을 미치는 비독립성이 나타났다(인과적 마코프 조건의 위배). 인과모형이론(Sloman, 2005)에 기반한 속성추론모 형을 적용하여 참가자들의 추론을 모델링한 결과 인과적 연결의 직접 효과뿐만 아니라 간접 효과 즉 인과추론의 비독립성도 예측하는 것으로 나타났다. 다만 간접적으로 연결된 속성들은 인과적 거리와 무관하게 참가자들의 추론 평정에 동일하게 영향을 미쳤지만 모형은 거리가 멀어짐에 따라 추론에 미치는 영향이 작아짐을 예측했다.