科学哲学中基于主体的建模（二）

2.6 科学两极分化

与科学分歧问题密切相关的是科学两极分化问题。虽然科学争议通常会随着时间的推移而解决，但它们可能包括两极分化的时期，即使在广泛的辩论之后，社区的不同部分仍保持相互冲突的态度。但两极分化是如何以及为何出现的呢？科学界是否只有当科学家过于教条或对自己的观点存在偏见时才会出现两极分化，或者即使在理性主体中也会出现两极分化？

遵循社会和政治科学中解决整个社会类似问题的一系列正式模型（有关评论，请参见 Bramson 等人，2017），ABM 已被用来研究科学背景下两极分化的出现。基于代理的建模特别适合这项任务的原因不仅在于我们可以对可能导致极化出现的个人查询的不同方面进行建模（例如不同的背景信仰、不同的通信网络、不同的信任关系等） ，但我们也可以观察极化状态的形成、它们的持续时间（在整个探究过程中作为稳定或临时状态）及其特征（例如持相反观点的科学家的分布）。我们将在 4.6 节中查看研究这些问题的模型。

2.7 科学合作

由于获取和分析科学证据对于任何科学家个人来说都需要很高的资源，因此科学合作是一种广泛的群体探究形式。当然，这并不是科学家合作的唯一原因：导致合作的激励措施包括认知性激励（例如提高研究质量）和非认知性激励（例如争取认可）。这就提出了一个问题：什么时候合作有益，合作研究中可能会出现哪些挑战？受这些问题的启发，科学哲学家研究了为什么合作是有益的（Wray 2002）、合作对认知信任和责任提出了哪些挑战（Kukla 2012；Wagenknecht 2015）、通过合作研究会产生什么样的知识（例如集体信仰或接受度（M. Gilbert 2000；Wray 2007；Andersen 2010）、哪些价值观在合作中至关重要（Rolin 2015）、最佳合作结构是什么（Perović、Radovanović、Sikimić 和 Berber 2016）等等。

引入协作 ABM 来研究上述及相关问题，重点关注协作如何影响探究。虽然合作确实是有益的，但确定合作的条件并不简单。例如，根据科学家如何参与合作，社区中的少数群体最终可能会处于不利地位。我们将在 4.7 节中研究研究这些问题的模型。

2.8 总结

除了上述主题之外，ABM 还被应用于科学哲学中许多其他主题的研究：从研究经费的分配、证明规范、科学家的战略行为，一直到理论选择的不同程序（见第 4.8 节）我们列出了研究其他主题的模型）。此外，一项 ABM 可以同时解决多个问题（例如，社会多样性和科学合作经常被一起询问）。

为了研究本节提出的问题，哲学家利用了不同的表征框架。即使模型针对同一研究问题，它们也通常基于不同的建模方法。例如，个体科学家可以被表示为贝叶斯推理者、记忆有限的代理人、在认知景观中寻找峰值的代理人、通过平均从其他科学家和他们自己的调查中收到的信息来形成自己的观点的代理人，或者作为具有论证推理能力的代理。类似地，证据收集的过程可以用概率分布的拉动来表示，如在认知或论证景观中搜寻，或从他人和世界接收信号。我们现在研究研究上述问题时使用的一些常见建模框架。

3. 通用建模框架

在开发一个检查科学探究某些方面的模型时，首先必须决定一些相关的代表性假设，例如：

如何表述询问取证的过程？

模拟中的代理代表什么（例如个体科学家、研究小组、科学实验室等）？

科学探究的评估单位是什么（例如假设、理论、研究计划、方法等）？

科学家如何推理和评估他们的评估单位？

科学家如何交换信息？

同样，如果我们希望模拟一个场景，其中科学家就任务或资源的划分进行讨价还价，我们将必须决定如何表示他们的相互作用以及他们从中获得的奖励。这些建模选择以模型旨在解决的研究问题以及模型的认知目标为指导。

大多数在科学哲学中开发的 ABM 都是作为简单且高度理想化的模型构建的。模型越简单，就越容易理解和分析模拟结果背后的机制（我们在第 5 节中回到这个问题）。在本节中，我们将深入研究以这种方式使用的几种常见建模框架。每个框架都对上述代表性选择提供了不同的看法，并作为各种 ABM 的基础。特定模型尚未讨论 - 我们将其留在第4节中。

3.1认知景观模型

将探究的过程建模为对认知景观的探索过程，它的根源是从进化生物学中的健身景观模型中汲取的，首先由Sewall Wright（1932）引入。通过将基因型表示为多维景观的一个点，其中景观的“高度”与其适应性相对应，该模型已用于研究人群的进化路径。

Weisberg and Muldoon（2009）和Grim（2009）的作品，认知景观的思想进入了科学哲学。在对模型的重新解释中，景观代表了一个研究主题，由多个项目或多个假设组成。可以从狭窄的意义上理解研究主题（例如，某种疾病的治疗方法）或更广泛的意义（例如，天体物理学领域）。景观上的一点代表了某种假设或研究主题的特定方法。方法可以随着不同的背景假设，探究方法，研究问题等的方式而变化。因此，可以根据景观进行建模。

n

n维度，哪里

n

-

1

N -1维度代表科学方法的不同方面，而

n

t

小时

第n个维度（可视化为景观的“高度”）代表着通过追求相应方法获得的某种量度的认识价值。例如，在三维景观的情况下，X和Y坐标形成了二维学科矩阵，在该基质中，方法的位置，而Z坐标则测量其“认知意义”（见图2）。可以根据Kitcher的观念来理解后者，即重要的方法是使科学的概念和解释性进步的方法（Kitcher 1993：95）。

科学的ABM使用了二维和三维景观，以及NK-Landscapes的广义框架，其中维度的数量和景观的坚固性是模型的参数。[1]科学家被建模为探索景观的代理商，试图找到其峰值，即认识论上最重要的观点。该框架允许衡量询问的成功和效率的不同方式：就社区的成功而言，在发现景观的峰值方面（而不是被困在当地的最大值中），成功地发现了任何一个非零附近地区，此类发现所需的时间等。



图2：Weisberg和Muldoon的认知景观的两种表示：左侧的三维表示，右侧是同一景观的二维表示，景观的高度由不同的灰色表示阴影，景观的重点越重要（改编自Weisberg＆Muldoon 2009）。

3.1.1应用认知多样性问题

认知景观的框架已应用于科学哲学的各种研究问题。 Weisberg和Muldoon（2009）介绍了它，以研究认知多样性对科学社区表现的影响。使认知景观框架对认知多样性的研究特别有吸引力的是，其代表各种研究策略的能力（作为探索景观的不同启发式方法）以及研究工作的协调分布（CF.Pöyhönen， 2017）。

Weisberg和Muldoon的ABM采用了三维景观（见图2），建立在离散的环网格上，两个峰代表了认知意义的最高点。为了研究认知多样性，该模型研究了三种研究策略，这些研究策略是三种类型的代理：

旨在在景观上找到比目前位置更高的“控制”，同时忽略了对其他代理商的探索。

旨在在其直接社区中找到已经探索的方法的“追随者”，其意义比当前位置更高。

他们还旨在在先前探索的点上找到更高意义的“小牛”，而不是跟随其他科学家的脚步，而是优先考虑发现新的，迄今未访问的要点。

控制策略代表了无视社会信息的个人学习，而追随者和小牛策略代表了将后者考虑到不同的方式。该模型研究了每种类型的探险家的同质种群或由不同探险者组成的异质种群如何影响社区在发现景观上最高点以及涵盖所有非零意义的所有点方面的效率。

遵循韦斯伯格和穆尔多的贡献，认知景观的框架变得很有影响力，从而产生了模型的各种改进和扩展。例如，亚历山大（Alexander），希梅尔里希（Himmelreich）和汤普森（Thompson，2015）介绍了“群”策略，该战略描述了科学家，他们可以以某些概率确定其周围意义上具有更高意义的观点并调整其方法，以使其相似，但与所追求的方法不同，但其他与他们很近的人。 Thoma（2015）引入了“探险家”和“提取器”策略，前者描述了科学家寻求的方法与他人追求的方法截然不同，而后者（类似于亚历山大和同事的群体研究人员）寻求与类似的方法，但与他人追求的人不同。此外，FernándezPinto和FernándezPinto（2018）研究了追随者战略的替代规则。最后，Pöyhönen（2017）引入了“动态”景观，因此对斑块的探索“耗尽”了其重要性。

3.1.2网络认识论的应用

认知景观框架的另一个应用领域是科学的沟通结构及其对公共探究的影响。为了研究这些问题，严峻和歌手（Grim 2009; Grim，Singer，Fisher，Fisher等人2013年）使用二维景观开发了ABM，其中X轴上的点代表了给定现象领域的替代假设，而这是一个替代假设Y轴表示每个假设的“认知善良”或代理商通过追求代理人获得的认知回报。根据最佳假设的隐藏程度，认知地形的形状将代表或多或少的“恶魔”研究问题（见图3）。例如，如果最好的假设是景观中的一个狭窄峰（如图3C中），发现它将类似于在干草堆中寻找针头的搜索，从而将其带入狂野的研究问题。[2]如果任何科学家（最终是社区的其他成员）发现了景观上的最高峰，那么询问将被认为是成功的，而如果社区汇聚在当地的最高最高点上，那是不成功的。该模型用于研究不同程度连接性（例如图1中的社交网络）如何以及不同程度的邪恶程度的不同认知景观会影响询问的成功。



（一个）



(二)



(三)

图3：邪恶程度越来越高的认知景观（改编自Grim，Singer，Fisher等，2013：443）

3.1.3其他应用程序

除上述主题外，认知景观的框架在许多其他变体中都出现了。例如，de Langhe（2014a）提出了一个ABM，旨在研究不同的科学进步概念，该概念利用了“移动认知景观”：一种景观，其中方法的重要性可能会因探索其他方法而改变。 Balietti，Mäs和Helbing（2015）开发了一种认知景观模型，以研究科学社区中的分散性与科学进步之间的关系，在该模型中，代理商探索了二维景观，代表了某些研究问题的空间，与某个研究问题的空间，与某个研究问题的空间相关。正确的答案位于景观中心。 Currie and Avin（2019）提出了对三维景观的重新解释，旨在研究科学方法的多样性，其中X和Y轴代表获得不同的研究技术或获得证据的方法，以及Z轴的Z轴，以“清晰度” ”获得的证据。这里的清晰度是指研究结果与假设之间的关系，在这种假设中，证据越增加一个人在假设中的信任性，它是更敏锐的。该模型还代表了证据的“独立性”，因为根据x和y坐标，景观上两个点之间的距离：越远的两种方法是，它们的背景理论的重叠越小，而通过证据越独立。他们是。

最后，认知景观建模启发了相关的景观模型。 Borg，Frey，šešelja和Straßer（2018，2019）的基于论证的科学询问模型就是这样的例子。该模型受到抽象论证框架的启发（Dung 1995）采用了“论证格局”。景观由代表竞争对手研究计划的“论证树”组成（见图4）。每个程序都是根生的树，带有节点作为参数和边缘作为“发现关系”，代表了一个路径代理从一个参数转移到另一个参数。一种理论中的论点可能会攻击另一种理论中的论点。与认知景观相反，论证景观旨在捕捉调查的辩证法维度，在这种情况下，景观上的某些观点（假定是可以接受的论点），随后可能被拒绝为不可权威。这允许明确表示假阳性（接受假假设）作为对代理人接受的景观的论点，而不知道对它的攻击存在攻击，而假否定（拒绝真实假设）作为代理人拒绝，而没有代理人拒绝知道可以辩护。该模型已被用来研究科学家之间的争论性动态，追求竞争对手研究计划如何影响其在各种询问条件下获取知识的效率（例如不同的社交网络，决策中不同程度的谨慎程度，等等）。



图4：Borg，Frey，šešelja和Straßer（2019）基于论证的ABM（2019）采用了辩论性的景观。景观代表了两个竞争对手的研究计划（RP），其阴影节点代表了代理商探索的论点，因此对他们来说是可见的。更明亮的阴影节点代表了代理商不可见的参数。每个RP中最大的节点是根参数，代理通过发现关系从中启动其探索，将一个RP中的参数连接起来。箭头代表从一个RP中的一个参数到另一个RP中参数的攻击。

3.2匪徒模型

在上一节中，我们看到了认知景观模型如何用来代表涉及相互兼容的研究项目（如Weisberg和Muldoon的模型）以及涉及竞争对手假设的询问（如Grim和Singer的模型）。用于研究后一种情况的另一个框架是基于“强盗问题”。

强盗模型的名称来自术语“单臂强盗”，这是一个老虎机的口语名称。在统计中引入的多军匪徒问题（Robbins 1952; Berry＆Fristedt 1985），并从事经济学研究（Bala＆Goyal 1998； Bolton＆Harris 1999），是涉及以下类型的情况：假设一个赌徒即将玩几台老虎机。每台机器都会根据赌徒未知的概率分布来随机收益。从长远来看，要确定哪台机器将给予更高的奖励，赌徒必须通过拉动机器来实验。这将使她能够从获得的结果中学习。但是她应该使用哪种策略？例如，她是否应该在机器之间进行前几个拉动，然后仅播放在初始测试过程中获得最高奖励的机器？还是在确定哪台机器更好之前，她是否应该有一个冗长的测试阶段？虽然在第一种情况下，她可能会在足够探索之前就开始利用自己当前的知识，但在第二种情况下，她可能会探索太久。这样，赌徒将面临剥削（迄今为止获得最佳回报的机器）和勘探（继续测试不同机器的机器）之间的权衡。因此，面临的挑战是提出了在探索和开发之间提供最佳平衡的策略，以最大程度地提高自己的总奖金。

正如我们在上面看到的那样（请参阅第2.2节），探索/开发权衡也可能发生在科学研究的背景下。科学家是试图确定一种新颖的疾病治疗方法是否优于现有疾病，或者在两种新颖的证据收集方法之间选择以不同成功率的方式进行选择，他们可能会遇到探索/剥削权衡权衡。换句话说，他们可能必须决定何时停止探索替代方案，并开始利用最适合任务的替代方案。

Zollman（2007，2010）首先将基于匪徒问题的ABMS引入了科学哲学。强盗ABM通常看起来如下。与老虎机相比，每个科学理论（或假设或方法）表示为成功的指定概率。从某种意义上说，科学家通常被建模为“近视”代理，他们始终追求一种他们认为带来更高回报的理论。他们通过从概率分布中随机抽奖来收集理论的证据。随后，他们根据自己的研究结果（收集的证据）以及社交网络中邻近的科学家的结果（例如图1中的研究），以贝叶斯的方式更新信念。因此，科学家不是作为所有可用理论的被动观察者建模的，而是作为积极确定他们通过选择要采用哪种理论收集的证据类型的代理人。例如，如果科学家对这两种理论的更好达成共识，则对社区的调查被认为是成功的。

这种强盗模型建立在经济学家（Bala＆Goyal 1998）开发的分析框架上，他们研究了无限人群中不同的通信网络与社会学习过程之间的关系。应用于科学的背景，这种匪徒问题的这种变化涉及上述第2.2节中提到的难题：假设科学界正在试图确定两个可用的假设中的哪个为给定疾病提供了更好的治疗方法，那么信息的结构是否可以科学家之间的流动会影响他们融合更好假设的机会吗？通过将Bala和Goyal的框架应用于涉及有限人群的科学和场景的背景下，Zollman启动了网络认识论领域（参见Zollman 2013），该领域研究了社交网络对知识获取过程的影响。

除了检查网络对科学共识形成的影响的目的外，科学互动的强盗模型还应用于许多其他主题，例如优先依恋对社会学习的影响（Alexander 2013），科学中的偏见和欺骗（ Holman＆Bruner 2015，2017;合规性（Weatherall＆O'Connor 2021a），人口多样性的影响（Fazelpour＆Steel 2022），双重使用研究法规（Wagner＆Herington 2021），社会学习，主要群体忽略或贬低了边缘化群体的证词（ WU 2023），或关于一定假设的证据诊断性的分歧（Michelini＆Osorio等人即将到来）。

3.3意见动态的有限置信度模型

正如我们上面看到的那样，科学界的表现有时会根据其在对真正假设达成共识方面的成功来评估。在认知社区意见动态的主题中，还研究了一个问题如何形成共识，哪些因素受益或阻碍其出现。意见动力学模型旨在调查一群在多个回合或时间步长的观点（或信念）的群体中形成和改变的观点，从而形成了共识，两极分化或多种观点。在这种情况下尤其有影响力的建模框架起源于Hegselmann和Krause（2002，2005，2006）的工作，它源于共识形成的分析模型（French 1956; Degroot 1974; Lehrer＆Wagner 1981）。 3]

基本模型的功能如下。在模拟开始时（即，时间

t

=

0

t = 0）每个代理

x

我

XI对某个问题分配了意见，由实际数字表示

x

我

(

0

）

ε

(

0

,

1

]

xi（0）∈（0,1]。代理人随后与他人交换他们的意见（或信念），并通过将这些信念的平均平均方式调整为“不太远”的平均大小的“置信区间”

ε

ϵ，这是模型的参数。这样，代理商就对他人的意见充满信心。通过迭代此过程，该模型模拟了意见形成的社会动态（见图5a）。

数学联邦政治世界观提示您：看后求收藏（笔尖小说网http://www.bjxsw.cc），接着再看更方便。