科学哲学中基于主体的建模（三）

应用于科学探究的背景，科学家通常被表示为寻求真理的代理人，他们试图确定某个参数的价值

τ

他们只知道它在此间隔

(

0

,

1

]

（0,1]（Hegselmann＆Krause 2006）。在模拟开始时，每个代理都会分配一个随机的初始信念。随着模型的运行，代理通过接收（嘈杂的）信号来调整其信念

τ

τ以及通过学习属于置信区间的其他人的意见。例如，可以根据他人意见的加权平均值和世界信号的加权平均值来更新代理商的信念。[4]这种动态代表科学家作为能够产生证据的代理人

τ

τ，尽管他们的更新也受到他们先前的信念和同龄人的信念的影响（请参见图5b＆图5C）。



（一个）



(二)



(三)

图5：Hegselmann和Krause模型的运行示例，X轴代表了100个代理商的模拟和Y轴观点中的时间步骤。每个代理商的意见的更改都用彩色线表示。价值

τ

τ（假定的真理位置）表示为黑色虚线。图（a）显示了社区中没有任何寻求真理的代理人的意见动态，从而产生了多种不同的观点。图（b）显示了一个社区中所有代理人都是寻求真理的人的观点动态，该社区实现了与真理的共识。图（c）显示了一个社区中的意见动力，在一个社区中，只有一半的人口是真相 - 寻求真相，这也达成了与真理接近的共识（改编自Hegselmann＆Krause 2006;有关模拟中使用的其他参数，请参见原始参数。文章）。

有限置信度模型的早期应用是认知劳动分裂的问题（Hegselmann＆Krause 2006）。由于只能基于社会信息（即，通过对置信区间的其他人的意见）或基于社会信息和世界信号的基础，可以将代理人建模为更新他们的信念（也就是说。可以用来研究一个并非每个人都是“寻求真理的人”的社区中的观点动态。然后，该模型研究了一个只收到社会信息的真理者和代理人之间的劳动分工，使社区可以融合真理。

该框架在社会认识论和科学哲学中的后续应用集中在科学分歧的研究以及问题：不同规范指导科学家对集体询问效率的不同规范的影响（Douven 2010; De Langhe 2013）？如果特工鉴于自己的研究以及其他代理人的观点，他们都会更新他们的信念，他们代表了科学家，他们通过“分裂”自己的观点和同龄人的观点来遵循和解规范（请参见上文第2.5节） 。相比之下，如果他们只有根据自己的研究来更新自己的信念，他们代表了遵循坚定规范的科学家。该框架的其他应用主题包括嘈杂数据对意见动态的影响（Douven＆Riegler，2010年），关于复杂信念状态的意见动态，例如对科学理论的信念（Riegler＆Douven 2009），通过推断对最佳解释进行更新在社会环境（Douven＆Wenmackers 2017）中，欺骗和传播虚假信息（Douven＆Hegselmann 2021），科学社区的网络效应和理论多样性（Douven＆Hegselmann 2022）等等。

3.4谈判的进化游戏理论模型

游戏理论研究情况的情况不仅取决于一个人的选择，还取决于他人的行动。从这个意义上讲，“游戏”是代理商（“玩家”）之间战略互动的模型，每个人都有一组可用的动作或策略。玩家的战略反应的每种组合都有指定的结果或“回报”。与传统的游戏理论相反，该理论的重点是代理人在一次性互动中最大化其回报的理性决策，而进化方法则集中在人群中的重复互动上。假定游戏是由从大量人口中随机吸引的玩家一遍又一遍地进行的。尽管代理商从某种战略行为开始，但他们会根据称为“动态”的特定规则学习并逐步调整其响应（例如，通过模仿其他参与者或考虑自己的过去互动）。结果，成功的策略将在整个社区中扩散。通过这种方式，进化游戏理论模型可以用来解释人口策略的分布如何随着时间的流逝而变化，这是长期人口级过程的结果。尽管标准的游戏理论方法主要集中在玩家策略的组合上，这些策略会导致“稳定”状态，例如NASH平衡（在这种状态下，没有玩家可以通过单方面改变其策略（进化方法）来提高其回报已被用来研究社区中的平衡如何出现（请参阅游戏理论和进化游戏理论的条目）。

进化游戏理论最初是在生物学中引入的（Lewontin 1961； Maynard Smith 1982）。随后，它获得了社会科学家和哲学家的兴趣，作为研究文化进化的一种工具，也就是说，要研究信仰和规范如何随着时间的流逝而变化（Axelrod 1984； Skymerms 1996）。可以使用基于微分方程的数学处理或使用基于代理的建模来实现模型。虽然前者采用了某些理想化，例如无限的人口规模或人口的完美混合，但引入了ABM的研究，以研究这种假设放松的方案（例如，参见，例如Adami，Schossau和Hintze 2016）。

进化游戏理论对科学社会认识论的应用特别受到谈判的模型的启发，研究了不同的讨价还价规范如何从个人的本地互动中出现（Skymerm，1996; Axtell，Axtell，Epstein＆Young 2001）。 O'Connor和Bruner（2019）将该框架引入了认知社区的研究，并建立在Bruner（2019）的文化互动模型上。[5]

讨价还价模型的基本思想如下：代理商讨价还价可用资源的份额，鉴于他们以前的相互作用，他们对他人需求的需求和期望会在内源性上发展。适用于科学背景，讨价还价的问题不仅是关于财务资源的明确谈判，而且还需要科学家需要同意如何将其工作量分配在联合项目中的情况（O’Connor＆Bruner 2019）。例如，如果两名科学家正在撰写联合论文，或者他们一起组织会议，他们将不得不同意他们每个人都会投入多少时间和精力。确定这种劳动分工的规范可能不公平。例如，如果科学家A在项目中的努力要比科学家B少得多，但是他们都因其成功而获得相同的认可，那么B将处于不利地位。同样，如果他们同意合作论文中的第一作者，而B最终对此进行了更多工作，那么结果将再次不公平。这样的规范可能会在科学界根深蒂固，尤其是在学术界多数群体与少数群体之间的相互作用的背景下。但是，这种规范如何出现？偏见是否有利于某些群体的成员，而不是出现这种歧视性模式所必需的其他群体，还是由于其他（可能更令人惊讶的因素）而变得根深蒂固？

进化游戏理论模型已用于研究这些和相关的问题。讨价还价表示是两个代理商之间的战略互动，每个代理都提出了有关当前问题的需求（例如，一定程度的工作量，共同出版物中的作者姓名命令等等）。根据每个代理商的需求，每个人都会获得一定的回报。例如，假设A和B希望组织会议，他们首先谈判谁将涵盖哪些任务。如果他们俩都提出了很高的需求，因为每个人都愿意在项目中只付出最小的努力，同时期望对方涵盖其余的任务，那么他们将无法组织活动。另一方面，如果b的需求低（通过大部分工作），而A的需求很高，则他们将能够组织会议，尽管劳动分工会不公平（假设他们两者都因成功实现该项目而获得同等的信誉。

该游戏起源于约翰·纳什（John Nash，1950）的作品，被称为“纳什需求游戏”（或“迷你纳什需求游戏”）。游戏中的每个玩家都会提高自己的需求（低，药物或高）。如果需求没有共同超过给定资源，则每个玩家都会得到他们要求的东西。如果它们确实超过了可用的资源，那么没有人会得到任何东西。在上面的示例中，高位可以解释为要求在会议组织组织的工作少于其他工作，或者要求在联合论文中获得第一位作者身份，同时将相对较低的努力付诸实践。同样，低点对应于进行大部分工作的意愿（相对于联合论文的作者的顺序），而MED则对应于要求进行公平的劳动分配。表1显示了这种游戏中的回报。纳什均衡的任何要求共同回报的要求的结合都是纳什均衡，这意味着任何一个球员的策略都是对另一个球员的策略的最佳反应。尽管NASH平衡可能对应于资源的公平分布（如果两个玩家都要求使用），但它也可能对应于不公平的资源（如果一个玩家要求低，另一个玩家需要一个高）。这就提出了一个问题：如果代理商从以前的互动中学习，社区将达到哪些平衡？特别是，如果个人被分为子组（可能是不同的大小），可以通过可见的其他代理人可见的标记来识别其成员资格，他们可以制定策略以其共同游戏的小组成员身份为条件。这样的社区将发展到哪种平衡状态？为了研究此类问题，进化模型采用规则或动态来决定玩家如何更新策略以及整个社区策略的分布如何随着时间而变化。[6]

低药

低L，L L，5 L，H

Med 5，L 5,5 0,0

高H，L 0,0 0,0

表1：NASH需求游戏中的回报表。行显示了player1的战略选项和列的player2选项。每个单元格显示了player1获得的选项组合，随后是player2的回报。玩家可以提出三个要求：低，药物和高度的总资源。总资源为10。

中号

=

5

m = 5，

L

＜

5

＜

H

l ＜5 ＜h，和

L

+

H

=

10

L+H = 10。 （参见O’Connor＆Bruner 2019; Rubin＆O’Connor 2018）

基于议价的建模框架已用于研究可能通过它们出现的科学合作和不平等现象的规范。例如，O'Connor和Bruner（2019）研究了少数族裔与多数成员之间的学术互动中歧视性规范的出现。 Rubin and O'Connor（2018）研究了歧视性模式的出现及其对协作网络中多样性的影响，而Ventura（2023）（2023）研究了协作网络结构对歧视性规范的结构的影响代理商的成员资格。此外，克莱因，马克思和谢勒（2020）使用类似的框架来研究理性与不平等之间的关系，即不同策略的讨价还价策略的成功（例如最大化预期效用）及其对不平等现象的影响。

3.5总结

除上述框架外，还使用了许多其他方法来建立社会认识论和科学哲学的模拟。上面未提及的一些突出框架包括Angere（2010年 - 其他互联网资源）开发的贝叶斯框架“ Laputa”和Olsson（2011），旨在研究信息和信任的社交网络，Betz（2013）的论证模型。 ，或Hong and Page（2004）在认知多样性研究中使用的有影响力的框架（有关这些框架的更多信息，请参见计算哲学的条目）。 Smaldino and McElreath（2016）提出了在科学哲学哲学中使用的另一个进化框架。

该模型将科学界表示为由科学实验室组成的群体，这些实验室采用文化传播的方法实践，这些实践经历了从一代科学家到下一代科学家的自然选择，例如，它已被用来研究保守科学家的选择和冒险科学（O'Connor 2019）。在下一节中，我们将基于上述框架和其他一些框架来看看 ABM 在科学哲学领域取得的一些核心成果。

4. 核心结果

为了概述科学哲学中通过 ABM 获得的主要发现，我们将重新审视第 2 节中讨论的研究问题，并看看如何通过具体模型来回答这些问题。

4.1 理论多样性与科学的激励结构

在我们调查研究科学激励结构的 ABM 之前，我们首先研究一些激发模拟发展的分析模型的结果。为了更准确地掌握个人激励如何塑造认知协调和理论多样性，哲学家受经济学研究的启发引入了正式的分析模型。该文献的核心结果之一是，当科学家根据自身利益而不是遵循认知目标行事时，就可以实现劳动力的最佳分配（例如，Kitcher 1990；Brock & Durlauf 1999；Strevens 2003）。更准确地说，这些模型表明，如果我们假设科学家的目标是从发现中获得最大回报，那么如果他们考虑到每条研究路线的成功概率以及目前有多少其他科学家正在追求这一目标，他们将成功地优化分配他们的研究工作。假设所有科学家都以同样的方式评估理论，他们对名誉和财富的兴趣，而不仅仅是认知目标，将导致他们中的一些人选择最初看起来不太有希望的途径。 [7]

引入 ABM 是为了解决类似的问题，但假设了更复杂的场景。例如，Muldoon 和 Weisberg (2011) 开发了一个认知景观模型（参见第 3.1 节），以检验 Kitcher 和 Strevens 结果的稳健性，假设科学家有不同的途径获取有关其社区和未来的研究项目的信息这些项目的成功。他们的研究结果表明，一旦科学家对其他人正在做什么或项目可能成功的程度的信息有限，他们的自组织劳动分工就无法达到最佳状态。另一个例子是 De Langhe & Greiff (2010) 的模型，他们将 Kitcher 的模型推广到具有多种认知标准的情况，这些标准确定了科学家的背景假设、可接受的方法、可接受的难题等。模拟表明，一旦科学实践被建模为基于多种标准，竞争的激励就无法提供最佳的劳动分工。

一个密切相关的问题涉及“优先规则”——一种将科学发现的功劳分配给第一个做出科学发现的规范（Strevens 2003，2011）——及其对劳动分工的影响。虽然 Kitcher 和 Strevens 的模型表明优先规则会激励科学家在竞争对手的研究项目中进行最佳分配，但开发了一系列正式模型（包括 ABM）来重新审视这些结果，并进一步阐明这一规范。例如，Rubin 和 Schneider（2021）研究了如果信用是由个人而不是像斯特文斯模型那样由整个科学界分配的，会发生什么。他们进一步假设关于两位科学家同时发现的消息通过网络社区传播。模拟显示，联系较多的科学家比联系较少的科学家更有可能获得信誉，这一方面可能使社区中的少数成员处于不利地位，另一方面会削弱优先规则作为激励作用的作用从而实现最优的分工。除了优先规则如何影响分工的问题之外，ABM 还被用来研究优先规则的其他影响。例如，Tiokhin、Yan 和 Morgan (2021) 开发了一种进化 ABM，表明优先规则导致科学界朝着基于较小样本量的研究发展，这反过来又降低了已发表研究结果的可靠性。

激励措施对科学分工的影响也通过“利用”现有项目的激励措施与“探索”新想法的激励措施进行了对比分析。例如，De Langhe (2014b) 开发了 Kitcher 和 Strevens 模型的通用版本，其中主体通过权衡利用现有理论和探索新理论的相对成本和收益来实现最佳分工。在强盗模型和网络认识论的框架内（参见第 3.2 节），Kummerfeld 和 Zollman（2016）提出了一种 ABM，该模型检查科学家面临两个相互竞争的假设的场景，其中一个更好，尽管代理不知道哪一个更好虽然代理人总是选择追求（或利用）似乎更有希望的假设，但他们也可能偶尔研究（从而探索）替代假设。模拟表明，如果每个科学家都在他们认为个人最优的范围内进行探索，那么社区将被保留为自组织，那么代理人将被激励将探索留给其他人。结果，科学家将无法形成足够高的激励来探索新想法，也就是说，从整个社区的角度来看，这种激励是最佳的。

4.2 理论多样性和科学的传播结构

4.2.1 “佐尔曼效应”

从网络认识论的角度对理论多样性的研究得出了一个新的假设：科学共同体的传播结构可以促进或阻碍理论多样性的出现，从而影响认知劳动的分工。这个想法首先由 Zollman 开发的老虎模型（2007，2010；参见第 3.2 节）证明，并被称为“佐尔曼效应”（Rosenstock、Bruner 和 O’Connor 2017）。 Grim (2009)、Grim、Singer、Fisher 及其同事 (2013) 以及 Angere & Olsson (2017) 的 ABM 基于不同的建模框架得出了类似的发现。 [8]这些模型表明，在高度互联的社区中，早期的错误结果可能会在科学家之间迅速传播，导致他们调查次优的调查路线。结果，科学家可能会过早地放弃对不同假设的探索，转而利用较差的假设。鉴于这些发现，Zollman（2010）强调，一项调查要想成功，就需要具有“暂时多样性”的属性：一个社区对不同理论进行并行探索的过程，该过程持续足够长的时间以防止过早地放弃最好的理论，但最终会被对此的共识所取代。除了连通性可能有害的结果之外，研究还表明，在连通性较低的网络中学习速度较慢，这表明在社会学习背景下需要在准确性和速度之间进行权衡（Zollman 2007；Grim、Singer、Fisher 等）等，2013）。

然而，随后的研究表明，佐尔曼效应在原始模型的参数空间内并不是很稳健（Rosenstock 等人，2017）。特别是，结果适用于那些可以被视为困难调查特征的参数：科学家数量相对较少、证据收集相对较小的批次以及竞争对手假设的客观成功之间的差异的场景相对较小。此外，其他模型表明，如果所追求的假设的多样性（以及因此的探索）以其他方式产生，那么联系更紧密的社区可能会优于联系较少的社区。例如，Kummerfeld 和 Zollman（2016）表明，通过允许智能体偶尔获得有关他们当前不追求的假设的信息来放松探索和利用之间的权衡，是产生多样性的一种方式，从而使完全连接的社区表现得更好比连接较少的。 Frey 和 Šešelja（2020）研究了另一种产生多样性的方法：他们表明，如果科学家在决定是否放弃当前理论并开始追求竞争对手时保持一定程度的谨慎或“理性惯性”，那么一个完全互联的社区就会获得足够程度的探索来超越联系较少的群体。基于其他建模框架的 ABM 也提出了类似的观点，例如 Douven 和 Hegselmann (2022) 的有界置信模型，或 Borg、Frey、Šešelja 和 Straßer (2018) 的基于论证的 ABM，每个模型都显示尽管具有高度的连通性，但仍以不同的方式保留短暂的多样性。

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。