科学哲学中基于主体的建模（四）

4.2.2 虚假信息的传播

科学界研究认识论有害策略的 ABM 主要采用网络认识论强盗模型（参见第 3.2 节）。例如，霍尔曼和布鲁纳（Holman and Bruner，2015）的模型研究了行业资助的代理人的干扰如何影响医学界的信息流，以及科学家可以采用哪些策略来保护自己免受这种有害影响。为此，他们考虑了这样一种情况：医生定期与行业赞助的代理商就某种药品治疗特定疾病的功效进行沟通。由于行业赞助的代理人的动机是经济利益而不是认知利益，而且无论收到多少相反的证据，他们都不太可能改变主意，因此他们不仅有偏见，而且是“顽固的偏见”。他们的模拟表明，科学界可以通过两种方式保护自己免受顽固偏见代理人的有害影响：第一，通过增加他们的连通性，第二，通过学习如何在可信度的基础上重组他们的社交网络，这导致他们最终忽略有偏见的代理人。在后续模型中，Holman 和 Bruner（2017）还展示了该行业如何在不腐蚀组成科学界的任何科学家个体的情况下对科学界产生偏见，而只是帮助行业友好的科学家获得成功的职业生涯。

使用类似的网络认识论方法，Weatherall、O'Connor 和 Bruner（2020）开发了一个强盗模型来研究“烟草策略”，该策略被烟草业在二十世纪下半叶所采用，以误导公众关于负面影响的信息。吸烟对健康的影响（Oreskes & Conway 2010 进行了详细分析）。特别是，该模型研究了某些欺骗性做法如何误导公众舆论，甚至不干扰（认知驱动的）科学研究。作者研究了两种这样的宣传策略：“有选择地分享”符合行业首选地位的研究成果，以及“有偏见地生产”研究成果，即资助额外的研究，但只发表合适的研究结果。结果表明，这两种策略都有效地误导了政策制定者关于各种检查参数下的科学产出，因为在这两种情况下，政策制定者都根据有偏见的结果样本更新了他们的信念，偏向于更糟糕的理论。作者还研究了记者报道科学发现所采用的策略，结果表明，如果不谨慎地通过报道争议双方相同数量的结果来达到“公平”的目的，可能会导致误导性信息的传播。

为检查科学欺骗而开发的 ABM 的另一个例子是 Borg、Frey、Šešelja 和 Straßer 提出的基于论证的模型（2017 年、2018 年；参见第 3.1.3 节）。假设在竞争对手的研究项目中，科学家必须从三个可用的项目中找出最好的一个，欺骗性的沟通表现为代理人只分享有关其理论的积极发现，同时隐瞒有关潜在异常的消息。其基本思想是，欺骗在于提供一些（真实）信息，同时隐瞒其他信息，这导致接收者做出错误的推断（Caminada 2009）。与本节讨论的前两个模型不同，并非所有代理都表现出偏见或欺骗行为，Borg 等人。研究完全由欺骗性科学家组成的群体中的网络效应。这种情况代表了一个由确认偏见和保护自己的研究路线免受严格审查等因素驱动的社区。模拟表明，首先，可靠的社区（不包含欺骗者）比欺骗性的社区要成功得多，其次，增加连通性使得欺骗性群体更有可能收敛于最佳理论。

4.3 认知多样性

正如我们在2.1节中看到的，认知多样性问题涉及科学家认知特征的多样性（包括他们的背景信念、推理风格、研究偏好、启发式和策略）与科学界探究之间的关系。科学哲学家特别感兴趣的是不同研究启发式的分工如何影响社区的表现。

解决这个问题的一个特别有影响力的 ABM 是 Weisberg 和 Muldoon (2009) 的认知景观模型。该模型考察了不同研究策略所催化的劳动分工，其中科学家可以充当“控制者”、“追随者”或“特立独行者”（见上文第 3.1 节）。从模拟来看，韦斯伯格和马尔登认为，首先，特立独行者的表现优于其他研究策略。其次，如果我们认为特立独行的策略在必要的资源方面成本高昂，那么将特立独行的人引入追随者群体可以导致最佳的劳动分工。虽然 Weisberg 和 Muldoon 的 ABM 最终被证明包含编码错误（Alexander 等人，2015），但他们关于认知多样性提高科学家生产力的主张得到了模型调整版本的支持，尽管有一些限制。

首先，Thoma（2015）的模型表明，如果科学家足够灵活地改变他们当前的方法并且充分了解社区中其他人进行的研究，那么认知多样化的群体会优于同质群体。其次，Pöyhönen（2017）证实，如果我们认为特立独行策略稍微耗时一些，那么就所获得结果的平均认知意义而言，特立独行者和追随者的混合群体可能会优于仅由特立独行者组成的社区。根据 Pöyhönen 的说法，如果认知多样性要有益，则需要满足的另一个条件涉及景观的拓扑结构：只有在更具挑战性的查询（以崎岖的认知景观的形式表示）的情况下，多样化的群体才优于同质群体，但在崎岖的认知景观方面则不然。简单研究问题的案例（以 Weisberg 和 Muldoon 等景观为代表，图 2）。 Alexander 及其同事（2015）也强调了景观拓扑的重要性，他们使用 NK 景观来表明社会学习是否有益主要取决于景观的拓扑。最后，还有其他研究策略（例如 Alexander 及其同事的“群体”策略，请参阅第 3.1.1 节）优于 Weisberg 和 Muldoon 的特立独行者，而追随者策略的微小变化可能会显着提高其性能（Fernández Pinto 和 Fernández Pinto） 2018）。

在建模文献中受到关注的认知多样性的另一个方面涉及多样性与专业知识之间的关系。 Hong 和 Page (2004) 首先在经济学中研究了这个问题。该模型研究了由具有不同问题解决方法的代理组成的启发式多样化群体与仅由专家组成的群体在寻找特定问题的解决方案方面的比较。洪和佩奇最初的结果表明，“多样性胜过能力”，即由采用不同启发式方法的个人组成的群体胜过仅由专家组成的群体，即最好的“问题解决者”。虽然这一发现具有相当大的影响力，但随后的研究表明，一旦将有关专业知识的更现实的假设添加到模型中，它就不再牢固地成立（Grim, Singer, Bramson, et al. 2019；Reijula & Kuorikoski 2021；另请参阅 Singer 2019）。

Hegselmann 和 Krause 的有限置信模型也研究了科学界的认知多样性和劳动分工问题（Hegselmann & Krause 2006；见上文第 3.3 节）。 ABM 研究了一个多元化社区中的意见动态，即只有一些人是积极的真理寻求者，而其他人则通过与那些与自己的信念足够相似的代理人交换意见来调整他们的信念。 Hegselmann 和 Krause 结合基于代理的建模和分析方法，研究了这样一个社区能够就真相达成共识的条件。他们表明，一方面，如果模型中的所有主体都是真理寻求者，他们就会对真理达成共识。另一方面，如果共同体进行分工，其对真理达成共识的能力将取决于寻求真理的代理人的数量、真理相对于代理人观点的位置、决定真理范围的置信程度。意见交换和真相信号的相对权重（与社会信息的权重相反）。例如，在某些参数设置下，即使是单个寻求真相的代理也会引导社区的其他成员了解真相。

4.4 社会多样性

正如我们在第 2.4 节中所看到的，引入 ABM 是为了研究科学背景下涉及社会多样性的两个问题：第一，社会多元化科学群体的认知效应；第二，可能破坏社会多样性或使少数群体成员处于不利地位的因素。科学。

关于前一个问题，Fazelpour 和 Steel（2022）开发了一个网络认识论强盗模型（见第 3.2 节）来研究社会（或人口）多样性对集体探究的影响。该模型研究了社会不同子群体之间不同程度的信任如何影响科学界的表现。模拟表明，社会多样性可以通过减少科学家对彼此发现的过度信任来改善群体探究。这在紧密联系的社区中进行困难调查的情况下尤其重要，在这种情况下，高度的信任可能会导致过早地认可客观错误的假设。作者还展示了在从众倾向不太高的情况下，社会多样性如何抵消研究路径选择中从众的负面影响。 Wu（2023）使用类似的老虎机框架，研究了边缘群体如何在主导群体成员忽视或贬低边缘群体结果的环境中学习。她表明，在这种情况下，边缘群体的成员可以比主导群体的成员形成更准确的信念，从而获得认知优势。通过这种方式，该模型旨在从认识论的角度解释“倒置命题”，根据该命题，边缘群体可能具有认识论特权地位（Wylie 2003）。

关于后一个问题，我们之前提到过 Rubin 和 Schneider (2021) 的模型，该模型显示了少数成员如何因科学的优先规则和科学界的结构而变得处于不利地位（第 4.1 节）。在后续模型中，Rubin（2022）展示了科学界的组织结构如何影响“引用差距”的出现，即代表性不足和少数群体成员的出版物被引用的次数少于多数群体成员的出版物一个人的少数地位对其在科学合作中的地位的影响主要通过讨价还价的进化博弈论模型来研究（见3.4节）。这些模型显示了少数群体可能仅仅因为其少数群体地位以及这种地位对讨价还价和合作实践的影响而受到歧视的不同方式（Rubin & O’Connor 2018；O’Connor & Bruner 2019；Ventura 2023）。此外，结果表明，这样的结果可能会对科学进步产生负面影响，并且可能有助于解释为什么性别和种族少数群体倾向于聚集在学术分支中（O'Connor & Bruner 2019；Rubin & O'Connor 2018）我们将在第 4.7 节中重新审视这些模型，专门讨论科学合作问题。

4.5 科学领域的同行分歧

正如我们在第 2.5 节中所看到的，同行分歧辩论强调了可以指导科学家的不同规范。引入 ABM 是为了检查这些规范对社区调查的影响。为此，Douven (2010) 和 De Langhe (2013) 增强了 Hegselmann 和 Krause (2006；见第 3.3 节) 的有限置信模型，以研究调解和坚定规范对探究目标的影响。 [9]

两种模型都表明这些规范的影响取决于具体情况。在杜文的模型中，当通过调查收到的数据不是很嘈杂时——从某种意义上说，它表明了真相，而不是由测量误差造成的——安抚的人群会比坚定的人群更快地发现真相。然而，如果数据变得嘈杂，模拟就会显示出准确性和速度之间的权衡。虽然坚定的群体相对较快地与事实保持了一定距离，但他们在后续几轮模拟中并没有提高准确性。相比之下，安抚民众最终更接近真相，但需要相对较长的时间才能做到这一点。这表明一个规范对于共同目标是否是最佳的可能在很大程度上取决于调查的背景问题，例如获取无噪音的证据。德朗格使用代表长期科学分歧的模型和涉及多个相互竞争的认知系统的调查得出了类似的结论。该模型的灵感来自 Goldman (2010) 的想法，即即使持不同意见的同行可能会分享有关所讨论问题的证据，但他们可能不会分享他们评估前一种证据的认知系统的证据。他的模拟表明，虽然在一个人的认知系统内进行调解是有益的，但当涉及到不同认知系统之间的分歧时，情况并非如此。 [10]

4.6 科学两极分化

科学界关于极化 ABM 的初步工作基于 Hegselmann 和 Krause 的有界置信模型（Hegselmann & Krause 2006；参见第 3.3 节）。 [11]该模型表明，当一些代理人无视来自世界的证据，而只考虑他们从观点足够相似的其他人那里学到的东西来形成自己的观点时，社区可能会两极分化。随后的模型基于不同的框架，试图检验即使所有主体都是真理寻求者，即仅根据认知考虑形成自己观点的理性主体，极化是否也会出现。

例如，Singer 等人的模型。 （2019）表明，在深思熟虑的代理人群体中出现了两极分化，他们分享自己的信仰理由，并且仅仅使用基于连贯性的方法来管理他们有限的记忆（通过忘记那些与他们之前大多数人支持的观点相冲突的理由）考虑因素）。 Olsson（2013）使用贝叶斯建模框架 Laputa 展示了如果代理人根据他人持有的相似观点对他人的证词赋予不同程度的信任，那么在审议过程中会如何出现两极分化。在另一个基于强盗模型的贝叶斯框架中，O'Connor 和 Weatherall（2018）展示了一群不仅分享自己的证词而且分享公正证据的科学家群体，如果他们对待其他科学家获得的证据，最终可能会陷入两极分化的状态，他们的信念与自己的信念相差太远，因为不确定。此外，Michelini、Osorio 及其同事（即将发表）将强盗模型与有限置信框架相结合，研究对某个假设（由贝叶斯因子建模）的证据的诊断价值存在分歧的群体中的两极分化。他们的结果表明，对证据诊断性的最初分歧可能会导致两极分化，具体取决于所进行研究的样本量以及科学家分享观点的置信区间。

模拟争论动态的 ABM 也研究了认知群体中的极化。例如，利用 Betz（2013）的框架，Kopecky（2022）提出了一个模型，该模型展示了理性主体在公开辩论论坛中参与争论交流的某些方式如何导致社区两极分化，即使主体没有他们对与谁争论的人的偏好。

4.7 科学合作

正如第 2.7 节中所讨论的，ABM 已被用来研究协作何时有益以及它如何影响探究。为了研究合作为何出现以及何时有益，Boyer-Kassem 和 Imbert (2015) 开发了一个计算模型，在该模型中科学家通过共享中间结果进行合作。他们在优先规则的驱动下研究更大的竞争性社区中的协作团体，其中合作者必须平等分享发现的奖励。他们的模拟表明，合作对于公共和个人探究都有好处。当科学家合作时，他们会更快地进行调查，从而更有可能属于第一个做出发现的团队。此外，虽然科学界可能会从所有科学家的充分合作中受益（因为一些科学家发现的解决方案将与所有人共享），但对于个别科学家来说，其他合作星座可能会更好（另请参阅即将出版的 Boyer-Kassem 和 Imbert）。

为了检验最佳协作的条件，Zollman (2017) 提出了一个网络认识论模型。该模型的假设是，科学家通过合作互相教授旨在解决科学问题的不同概念方案，而合作是有代价的。他的研究结果表明，降低合作成本和扩大合作小组的规模对相关人员有利，尽管鼓励科学家参与不同的合作小组可能不会带来有效的探究。

虽然上述模型研究社会统一的社区，但 ABM 也被用来研究社会多样化的协作环境和其中可能出现的歧视模式。这些模型通常基于演化博弈论框架，检查学术合作中的讨价还价规范（参见第 3.4 节）。 Bruner (2019) 最初使用这个框架来表明，在涉及资源分配的文化互动中，少数群体成员可能仅仅因为群体规模较小而处于不利地位。 [12] O’Connor 和 Bruner (2019) 使用这种方法来研究认知社区中类似模式的出现。模拟表明，少数族裔可能因其群体规模而在科学合作中处于不利地位，而群体规模越小，其影响就越大。 Rubin 和 O'Connor（2018）使用类似的框架来研究认知协作网络中的多样性和歧视，特别关注同质性的作用——优先与自己社会群体的成员建立联系而不是与其他社会群体的成员建立联系的倾向。外群体。他们的结果表明，学术互动中可能出现的歧视性规范可能会促进协作网络中的同质性并减少社会多样性。此外，Ventura（2023）表明，即使在没有人口统计类别的情况下，协作网络中也会出现不平等，因为科学家可能仅仅由于协作网络的结构及其在其中的特定位置而处于不利地位。

4.8 附加主题

如第 2.8 节所述，ABM 已应用于科学哲学中许多其他主题的研究：研究经费分配问题（Harnagel 2019；Avin 2019a,b）、检验科学进步的波普和库恩模型（De Langhe 2014a）、常规科学和革命科学的动态（De Langhe 2017）、科学方法的多元化（Currie & Avin 2019）、指导研究设计和数据分析的方法对科学发现质量的影响（Smaldino & McElreath 2016） 、科学家的战略行为作为一种积极的信念交换（Merdes 2021）、期刊的出版策略（Zollman 2009）、元归纳学习（Schurz 2009、2012）、证据强度对科学共识准确性的影响（Santana 2018） ）、科学团体的管理和结构（Sikimić & Herud-Sikimić 2022）、证词规范的可靠性（指导人们如何根据他人的主张改变信念）（Mayo-Wilson 2014）、来源可靠性评估（ Merdes、Von Sydow 和 Hahn 2021）、“认知固执”的影响（面对相反的证据时不愿意改变自己的科学立场）（Santana 2021）、不同理论选择评估对探究效率的影响（Borg）等人。2019），等等。

5. 基于主体建模的认识论

在上一节中，我们深入研究了通过基于代理的建模获得的各种结果。但我们应该如何认真对待这些发现呢？他们究竟告诉我们什么关于科学的事情？鉴于科学模型的主要认知功能之一是帮助我们了解世界（参见科学模型条目），这就提出了一个问题：我们到底可以通过 ABM 学习什么，以及哪些方法步骤可以帮助我们了解世界。我们必须遵循才能获得这样的知识吗？这些问题是基于主体建模的认识论问题。 [13]

5.1 抽象建模的挑战

Boero和Squazzoni（2005）在有关社会科学中的模拟的早期讨论中提出了ABMS分类为基于案例的模型，典型和理论抽象，这是基于代表目标的属性的。虽然基于案例的模型代表了在时间和空间中描述的经验场景，但典型代表了经验现象的类别。最后，顾名思义，理论上的抽象远离经验目标的各种特征，旨在简化社会现象的一般代表。

遵循社会科学中抽象的ABM的传统，在所谓的“亲吻”（保持简单，愚蠢）的方法中已经发展了科学哲学中的大多数模拟。[14]因此，它们属于上面列出的第三种ABMS。构建简单模型的主要优点是，它们比复杂模型更容易理解代表的因果机制。但是，这也提出了一个问题：考虑到它们高度理想化的性格，我们可以从这些模型中学到什么？例如，这种模拟的结果是否增加了我们对科学社区的理解？我们可以使用它们来提供对科学史上某些情节的潜在解释，或者为如何组织科学探究的规范建议吗？这些问题是哲学上的辩论问题，与对经验科学的高度理想化或玩具模型的认知功能的讨论密切相关。[15]特别是，批评家认为，如果抽象ABM为经验目标提供信息，则首先需要验证和经验验证。

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。