科学哲学中基于主体的建模（五）

5.2 验证和确认：ABM从探索性功能到解释性功能

在基于代理的建模的背景下，验证是一种评估ABM相对于其概念设计的计算机程序准确性的方法。另一方面，验证涉及对模型与其所谓的目标之间的联系的评估。无论构建模型的目的如何，它总是需要一定程度的验证，以确保其仿真代码不会遭受错误和其他意外问题的困扰。所需验证的类型取决于模型的目的及其预期目标。正如Mayo-Wilson和Zollman（2021）所说的那样，对于某些建模目的而言，验证并不总是必要的，例如说明某些事件或情况在理论上是可能的。相反，鉴于“合理性论证”和风格化的历史案例研究，模型可以证明是合理的。根据Mayo-Wilson和Zollman的说法，ABM扮演着类似于思想实验的角色，因为它们可以用来唤起规范性直觉，以证明反事实主张的合理性，以说明可能性和不可能，等等。此外，当涉及有关社会系统动态的问题时，由于这种目标现象的复杂性，它们比单纯的思想实验更容易执行任务。

如果ABM的功能是提供概念验证或重要的解释，也不需要经验验证。如果模型仅证明了某种现象的理论可能性，则提供了概念验证（有时也称为“原理证明”或“原理证明”）（参见Arnold 2008）。目标现象可以抽象，理想化的方式表示，而无视建模假设的经验充分性。 Gelfert（2016：85–86）区分了概念验证建模的两个特定功能。首先，模型可以说明方法或方法如何产生给定目标现象的潜在表示。例如，如果ABM展示了如何使用认知景观的框架来表示认知多样性，则它在本术语意义上提供了概念验证。其次，模型可以提供结果，表明在模型世界内可以找到某种因果机制。例如，如果高度理想化的模拟表明某种认知多样性会导致对建模社区的有效询问，则它在后一种意义上提供了概念验证。虽然概念证明建模有时只是在开发更现实的模型的初步步骤（例如，参见Gräbner2018），但它也被认为是提供有价值的哲学见解（例如，参见例如Šešelja 2021a）。

同样，如果模拟说明某些目标现象如何由某些先决条件可能导致的模拟（HPE），则它们提供了解释（HPE）（Rosenstock等人，2017;Gräbner2018; Frey＆šešelja2018;šešeelja2022b）。与多么实际的解释或简单的解释相反，这些解释是关于现象如何实际发生的说明，HPE（有时也称为“潜在解释”）涵盖了发生现象的可能方式。[16]根据Verreault-Julien（2019）提出的概念的广泛阅读，HPE是具有“'P是Q”的形式的命题。可以指出各种类型的方式，例如认知，逻辑，因果等。

上述认知功能（证明概念验证或HPE）通常被认为是一种探索性建模，其中代表的目标可以是一种抽象的理论现象（Ylikoski＆Aydinonat 2014;šešelja2021a）。相反，为了提供经验现象的解释，许多人认为ABM需要经验验证。在案例模型应该解释了实际科学实践的某些模式，提供支持现有的经验（包括历史）假设的证据，或通过科学政策提供干预建议（Arnold 2014; Martini＆FernándezPinto2017 2017），这是重要的。 Thicke 2020;

对ABM的验证在于检查模型是否是目标的合理表示，其中“合理”可能指模型的不同方面（Gräbner2018）。例如，我们可以测试模型中的机制如何符合我们对它们的经验知识，模型的外源输入是否在经验上是合理的，模型的输出在多大程度上复制了有关目标的现有知识，还是它是否是对目标的现有知识的。可以预测其未来状态。不同的作者提出了有关科学哲学中ABM的不同详细说明（请参阅2020年Thicke 2020;šešelja2022b; Bedessem 2019; Politi 2021; Pesonen 2022）。

尽管其中一些步骤可能具有挑战性，但其他步骤可能更可行。例如，Martini和FernándezPinto（2017）认为，可以在经验数据上校准科学的ABM。 Harnagel（2019）通过使用书目计量数据来校准认知景观模型来体现如何完成这项操作。

其他人则认为，模拟的结果至少应根据其稳健性进行分析。鲁棒性分析（RA）包括：

参数ra，检查结果与模型参数值变化的稳定性，通常通过灵敏度分析研究； [17]

结构性RA的重点是在模型的结构特征及其基本假设的变化下结果的稳定性；

代表性RA，研究结果在代表性框架，建模技术或建模介质的变化方面的稳定性（Weisberg 2013：第9章； Houkes，šešelja和Vaesen即将到来）。

在ABM背景下，RA的主要目的是帮助理解模型的结果（在模型世界中）（在模型世界中）：它们是依赖于特定参数值还是对所涉及的因果因素的特定假设，或结果是否只是模型中某些理想化假设的工件。这可以使我们对模型及其结果的理解至少有两种方式。一方面，如果一个RA表明该结果在参数值，结构和代表性假设的各种变化下保持不变，这可能会增加我们对模型中理想化不仅仅是伪像的信心（例如，参见Kuorikoski，例如Kuorikoski， Lehtinen和Marchionni 2012）。[18]另一方面，如果结果仅适用于特定参数值或在特定的结构或代表性假设下，则可以帮助描述模型的应用上下文（例如，困难的询问的背景，涉及涉及的询问的上下文小型科学界，等等）。

5.3 “模型族视角”

鲁棒性分析的重要性表明，确定单个ABM的认知功能可能很困难。为了评估ABM的结果是否解释了某个经验目标，检查它们在理想化建模假设的变化下是否稳健很有用。这样做的一种方法是通过替换上一个假设来构建新模型。此外，使用基于完全不同的代表性框架的模型可能会在此类鲁棒性研究中有助于。这就是为什么在建模文献中越来越强调了使用多个模型研究相同研究问题的价值的原因。

例如，Aydinonat，Reijula和Ylikoski（2021）争辩说“模型视角”的重要性。作者将模型视为论证设备，其中可以通过基于后续模型的分析来加强由给定模型支持的参数。在社会科学建模的更广泛背景下，应通过多种模型研究现象的方法（参见第2018页； Kuhlmann 2021）。

总而言之，即使科学哲学的ABM倾向于高度理想化，它们也可以具有探索性的角色，例如确定科学探究的可能因果机制，提供对历史案例研究的猜想和新颖的观点（（请参阅Šešelja2022a）。此外，如果伴随验证程序，它们可以扮演更具挑战性的认知角色（例如提供经验现象的解释或经验假设的证据），这可能会受益于研究针对相同目标现象的模型类别。

六、结论与展望

该条目概述了基于代理的建模对科学哲学家研究的问题的应用。由于此类应用主要涉及科学探究的社会方面，因此科学哲学的ABM主要是在形式的科学社会认识论子领域发展的。虽然基于代理的建模在该域中经历了快速增长，但仍需进行时间的考验。特别是，有关抽象模型及其方法论基础的认知状况的基础问题（例如，亲吻与孩子们接近，请参见脚注14）保持开放。话虽如此，用现有模型取得的理论成就非常出色，它们为基于代理的建模作为一种哲学方法提供了坚定的基础。

一个相对较少关注的途径是基于代理的建模和经验方法的组合。尽管关于ABM的早期哲学讨论强调了实验和计算方法的富有成效的组合（例如，参见Hartmann，Lisciandra和Machery 2013），但尚未对该领域进行广泛的探索，为未来的研究留下了足够的机会。例如，高度理想化的ABM可以在实验研究中受益于验证（Mohseni etal。2021所示）。此外，定性研究，例如对科学社区的民族志研究，可以帮助凭经验告知用于建立模型的假设（例如，参见Ghorbani，Dijkema和Schrauwen 2015）。

另一个新兴的调查系列来自人工智能的最新发展。特别是，大数据和机器学习模型可能是为ABM的产生输入的一种富有成果的方式，例如代理的行为（例如，参见Kavak，Padilla，Lynch，Lynch和Diallo 2018; Zhang，Valencia，＆Chang 2023） 。例如，自然语言处理技术已被用来代表以自然语言来表达论点的代理人（Betz 2022）。这样的增强功能为高度理想化的模型提供了新的机会：从它们的鲁棒性分析中，某些假设被视为探索新的问题和现象。

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。