基于代理的科学哲学建模（一）

在社会和政治科学中的一系列正式模型，在整个社会中解决了一个类似的问题（为审查见，参见Bramson等人2017），ABMS已被用来检查科学背景下的极化的出现。 是什么使基于代理的建模特别适用于此任务，这不仅可以模拟各个询问的不同方面，可能有助于极化的出现（例如不同的背景信仰，不同的通信网络，不同的信任关系等），但我们也可以观察到偏振态的形成，它们的持续时间（整个询问中的稳定或临时状态）及其特征（例如跨越对立观点的科学家分布）。 我们将研究在4.6节中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个人科学家来说，对任何个人科学家来说都是高度资源苛刻的，科学合作是一个普遍的小组调查形式。 当然，这不是科学家合作的唯一原因：导致合作的激励措施从认知者（例如将研究质量提高到非认识者（如争取认可）。 这提出了问题：何时合作有益，并且在协作研究中可能发生这种挑战？ 受这些问题的启发，科学的哲学家已经调查了为什么合作是有益的（2002年），这挑战了认识到认识到的信任和问责制（Kukla 2012; Wagenknecht 2015），通过了什么样的知识协作研究（如集体信仰或接受，（M.Gilbert 2000; Wray 2007; Andersen 2010），哪些价值观在合作中（Rolin 2015），合作的最佳结构是什么（Perović，radovanović，西克里米，＆柏柏尔2016年），等等。

介绍了合作的ABMS研究上述和相关问题，重点是合作如何影响调查。 虽然合作确实可以是有益的，但确定它们的条件并不简单。 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是弱势群体。 我们将研究在第4.7节中研究这些问题的模型。

2.8总结

除了上述主题之外，ABMS已应用于众多科学哲学中许多其他主题的研究：从研究资金分配，证明规范，科学家的战略行为，一直到不同的理论选择程序（参见我们列出的4.8节模型研究额外主题）。 此外，一个ABM可以同时解决多个问题（例如，经常询问社会多样性和科学合作）。

为研究本节中提出的问题，哲学家使用了不同的代表性框架。 即使模特针对相同的研究问题，它们通常是基于不同的建模方法。 例如，个体科学家可以代表贝叶斯装饰师，作为记忆有限的代理商，作为搜索认识景观上的峰的代理，作为通过从其他科学家的均等的信息以及他们自己的查询来实现他们的意见，或者作为代理商配备争论的推理。 类似地，证据收集的过程可以在从概率分布中提取的概率分布而言，作为认识到概念或论证景观，或者作为从其他人和来自世界的信号接收信号。 我们现在研究关于上述问题的一些常见建模框架。

3.常见的建模框架

在制定审查科学咨询某些方面的模型时，首先必须决定许多相关的代表假设，例如：

如何代表探究和证据收集的过程？

模拟代理的代理商是什么（例如，个人科学家，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）？

科学家如何理由和评估他们的评估单位？

科学家如何交换信息？

同样，如果我们希望建模科学家讨价还价关于任务或资源的划分的情景，我们将不得不决定如何代表他们的互动和奖励他们离开它们。 这些建模选择是由模型旨在解决的研究问题，以及模型的认知目标。

科学哲学中发展的大多数ABM都是简单且高度理想的模型。 较简单的模型是，更容易理解和分析模拟结果背后的机制（我们在第5节中返回此问题）。 在本节中，我们深入研究了几种已经使用的常见建模框架。 每个框架都提供了不同的上述代表性选择，并担任各种ABM的基础。 刚刚讨论了特定的型号 - 我们将此留给第4节。

3.1认知景观模型

根据认识景观探索的探索过程建模，从进化生物学中的健身景观模型中，首先由Sewall Wright（1932）引入其根源。 通过代表基因型作为多维景观的一个点，其中景观的“高度”对应于其适应性，该模型已经用于研究种群的进化路径。

认识型景观的想法与Weisberg和Muldoon的工作进入科学哲学（2009年）和Grim（2009）。 在该模型的重新诠释中，景观代表了一个研究主题，由多个项目或多个假设组成。 可以在狭义上理解研究主题（例如，对某种疾病的治疗研究）或更广泛的意义（例如，天体物理学领域）。 景观中的一个点代表着一个调查主题的特定假设或具体方法。 方法可以在不同的背景假设，查询方法，研究问题等方面变化。因此，景观可以以

n

�

尺寸，在哪里

n

-

1

�

-

1

尺寸代表科学方法的不同方面，而且

n

t

h

�

�

ℎ

尺寸（可视化为景观的“高度”）代理通过追求相应的方法来获得一些认知价值的衡量标准。 例如，在三维景观的情况下，X和Y坐标形成了一种二维学科矩阵，其中方法位于其中，而Z坐标测量其“认知意义”（见图2）。 后者可以符合Kitcher的想法，即重要方法是实现科学概念和解释性进展（Kitcher 1993：95）。

科学ABMS使用二维和三维景观，以及NK景观的广义框架，其中横向的尺寸和凸起的粗糙度是模型的参数。[1] 科学家们被建模为探索景观的代理商，试图找到它的高峰，即明信最重要的观点。 该框架允许衡量查询成功和效率的不同方式：就社区的成功发现发现景观的峰值（而不是陷入局部最大值时），在发现任何非零附近的领域的成功对于这样的发现等等。

两张照片主要描述在标题中。 三维的锥体从平板上升到右上方的两个锥体看起来有点更高，而二维的锥体在黑色表面上具有两个圆形区域，逐渐向朝向它们各自的中心朝向它们的相应中心较轻。

图2：Weisberg和Muldoon的认知景观的两个表示：左边的三维表示和右边的相同景观的二维表示，其中景观的高度是由不同的灰色阴影表示：阴影打火机，景观的点越大（改编自Weisberg＆Muldoon 2009）。

3.1.1在认知多样性问题上的应用

认知景观框架已应用于科学哲学中的各种研究问题。 Weisberg和Muldoon（2009）介绍了它来研究认知多样性对科学社区表现的影响。 是什么让认知景观框架特别有吸引力的认知多样性和劳动分工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），以及研究努力的协调分配（CF.Pöyhönen2017）。

Weisberg和Muldoon的ABM采用了三维景观（见图2），基于离散环形电网构建，两个峰值代表了认识意义的最高点。 为了研究认知多样性，模型审查了三种研究策略，实施为三种类型的代理商：

旨在在景观上找到比目前的位置更高点的“控制”，同时忽略对其他代理商的探索。

旨在在其直接社区找到已经探索的方法的“追随者”，这具有比目前的位置更高的重要性。

“小牛”旨在找到先前探索的观点的重要意义，而不是在其他科学家的脚步上，他们优先考虑发现新的，到目前为止不公开的积分。

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则代表了所考虑后者的不同方式。 该模型研究了每种类型的探险家的均匀群体，或由各种探险者组成的异构人群，影响社区在发现景观中最高点的效率，以及涵盖所有非零意义的点。

在韦斯贝格和五十多次贡献之后，认知景观框架框架变得高度影响力，导致模型的各种改进和扩展。 例如，Alexander，Himmelreich和Thompson（2015）介绍了“群体”战略，它描述了在周围的概率中可以用某些概率识别的科学家，并调整他们的方法，使其类似，但与他人追求的方法不同谁靠近他们。 Thoma（2015）介绍了“探险家”和“提取器”策略，前者描述了一个科学家寻求与他人追求的科学家的方法，而后者（类似于亚历山大和同事的Swarm研究员）寻求类似的方法然而，与其他人追求的人不同。 此外，FernándezPinto和FernándezPinto（2018年）审查了追随者战略的替代规则。 最后，Pöyhönen（2017）介绍了一种“动态”景观，使斑块“耗尽”的意义。

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通信结构及其对公共探究的影响。 要研究这些问题，严峻和歌手（Grim 2009; Grim，Singer，Fisher等，2013）开发了采用二维景观的ABM，其中x轴上的点代表了现象的给定领域的替代假设，而Y轴表示每个假设的“认知善良”或代理商通过追求它来获得的认知支付。 根据最佳假设隐藏的程度，认知地形的形状将代表或多或少“恶魔”研究问题（见图3）。 例如，如果最好的假设是景观中的狭窄峰值（如图3c），发现它将类似于干草堆中的针头，因此是一个恶魔的研究问题。[2] 如果任何科学家（最终是社区的其余部分）发现了景观最高峰值，则被认为是成功的，而如果社区收敛于局部最大值，则不成功。 该模型用于研究不同的社交网络如何具有不同程度的关联程度（如图1中的那些），以及不同程度的恶魔的不同的认识景观会影响查询的成功。

图表，标题为：认知景观，与y轴，认知的回报，从0到100和x轴，假设，比例也为0到100。像近似的正弦曲线（0,50）到（25,75）到（80,25）和高达（100,30）。

（一）

与前一个图形类似，除了y轴的范围为-23至100.从大约（0,20）到（20,20）的曲线更复杂，最高（40,20），往返于（60,20）到达（85,75）然后向下（100,50）。

（b）

与前一个图形类似，除了y轴的范围为-11至100.曲线不再流畅。 在大约（0,20）下方开始到一个点（15，-9）直线直线，直线直线直线向下到（20，-11）的点，然后沿（40,20）的曲线或多或少地水平曲线到（60,20）上方然后（85,75）然后下降到（100,50）。

（c）

图3：具有邪恶程度增加的认知景观（改编自Grim，Singer，Fisher等，2013：443）

3.1.3其他应用

在上述主题旁边，许多其他变体都出现了认知景观框架。 例如，De Langhe（2014A）拟议的ABM旨在研究不同概念的科学进步，这是一种“移动的认知景观”：一种景观，其中接近的意义可以因探索其他方法而变化。 BALIETTI，MA和HEARBOY（2015）开发了一个认识的景观模型，研究了科学社区的破碎化与科学进步的关系，其中代理商探索了一个二维景观，代表了某项研究问题的可能答案的空间，正确答案位于景观的中心。 Currie和Avin（2019）提出了一种重新诠释旨在研究科学方法的多样性的三维景观，其中X和Y轴代表不同的调查技术或获取证据的方法，以及Z轴的“清晰度”获得的证据。 这里的锐利是指研究结果与假设之间的关系，其中证据越多，在假设中提高了一个人的信任，它就是锐利。 该模型还代表了证据的“独立性”，作为横向于X和Y坐标的景观上的两个点之间的距离：进一步分开的两种方法是，其背景理论的重叠越多，并且由它们获得的证据越多。

最后，认知景观建模启发了相关景观模型。 Borg，Frey，Šešelja和斯特莱（2018,2019）的基于论点的科学咨询模型是这样的例子。 由抽象论证框架（Dung 1995）启发的模型，采用了“论证景观”。 景观由代表竞争对手研究计划的“论证树”组成（见图4）。 每个程序都是一个扎根树，带有节点作为参数和边缘作为“发现关系”，表示路径代理需要从一个参数移动到另一个参数。 一个理论中的论点可能会在另一个理论中攻击争论。 与认知景观相比，论证景观旨在捕捉探究的辩证维度，其中景观上的某些点被认为是可接受的论点，随后可能被拒绝为难以置信。 这允许显式表示假阳性（接受错误假设）作为景观的参数，代理人接受而不知道它存在攻击，而假否定（拒绝真实假设）作为代理拒绝的参数，而不知道它可以是辩护。 该模型已被用于研究科学家之间的争论动态，追求竞争对手研究计划，影响他们在各种调查条件下获得知识的效率（如不同的社交网络，不同的决策中的不同谨慎程度等等）。

两个集合的两个集合，一个集合彩色橙色（明亮和暗节点）和其他蓝色（明亮和黑暗）。 每个集合中的最大节点分别标题为“研究计划1”和“研究计划2”。 2箭头从暗橙色节点到深蓝色节点; 1从深蓝色节点到深橙色节点的1箭头点。

图4：Borg，Frey，Šešelja，弗雷，Šešelja，佛罗里达州的基于ABM，聘请了争论景观。 景观代表了两个竞争研究计划（RP），具有较深的阴影节点，致力于代理探索的参数，因此对它们可见; 更亮的阴影节点代理代理不可见的参数。 每个RP中最大的节点是根论，代理通过发现关系开始探索，在一个RP中连接参数。 箭头代表一个RP中的参数中的攻击到另一个RP中的论点。

3.2强盗模型

在上一部分中，我们看到了认识景观模型如何代表涉及相互兼容的研究项目的询问（如在Weisberg和Muldoon的模型中）以及涉及竞争对手假设的询问（如在Grim和Singer的模型中）。 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“单武装强盗” - 一个老虎机的口语名称。 在统计数据（罗宾斯1952年; Berry＆Fristedt 1985）中介绍的多武装强盗问题（Berry＆Fristedt 1985）（Bala＆G 1998; Bolton＆Harris 1999），是涉及以下类型的决策问题场景：假设一个赌徒即将播放几台老虎机。 每种机器根据赌徒未知的概率分布给出随机支付。 为了确定哪台机器在长远来看，赌徒必须通过拉动机器的武器来试验。 这将让她从获得的结果中学习。 但她应该使用哪种策略？ 例如，她应该在第一次拉动的机器之间交替，然后只播放在初始测试运行期间给定最高奖励的机器？ 或者在决定哪种机器更好之前，她宁愿有一个冗长的测试阶段？ 虽然在第一种情况下，她可能会在她充分探索之前开始利用她目前的知识，但在第二种情况下，她可能会探索太久。 通过这种方式，赌徒面临开采之间的权衡（播放到目前为止获得最佳收益的机器）和探索（对不同机器的持续测试）。 因此，挑战是提出了在勘探和剥削之间提供最佳平衡的策略，从而最大限度地提高一个人的总奖金。

正如我们上面所见的那样（见2.2节），在科学研究的背景下也可能发生勘探/开发权衡。 科学家是否试图确定对疾病的新型治疗优于现有的，或者选择两种新的证据方法，这些证据与不同的成功率相结合，他们可能会遇到勘探/剥削权衡。 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似乎最适合任务的替代品。

基于强盗问题的ABMS首先由Zollman（2007,2010）引入科学哲学。 强盗ABM通常如下所示。 类似于老虎机，每个科学理论（或假设或方法）表示为具有指定的成功概率。 科学家通常在意义上建模为“近视”代理，以至于他们总是追求他们认为更高的收益的理论。 他们通过从概率分布中抽出随机抽取来收集一个理论的证据。 随后，他们在自己的研究结果（收集的证据）的结果的基础上以贝叶斯方式更新他们的信仰，以及社交网络中邻近科学家的结果（如图1中的结果）。 因此，科学家们没有建模为所有可用理论的被动观察者，而是作为主动决定他们通过选择追求理论来集中的证据类型的代理人。 例如，如果科学家们在两个理论中更好地达成共识，社会的询问被认为是成功的。

经济学家（BALA＆GROOLY 1998）开发的分析框架（BALA＆GROONG 1998）审查了不同通信网络与社会学习过程中的关系的匪盗模型。 适用于科学的背景，强盗问题的变化涉及上面提到的难题第2.2节融合更好的假设？ 通过将Bala和Goyal的框架应用于涉及有限种群的科学和情景的背景下，Zollman开始了网络认识论（参见Zollman 2013）的领域，这研究了社会网络对知识获取过程的影响。

除了审查科学共识的形成的网络影响方面，科学互动的强盗模式已应用于许多其他主题，例如优惠依附对社会学习的影响（亚历山大2013），偏见和科学欺骗（霍尔曼）Bruner 2017,2017; Weatherall，O'Connor和Bruner 2020），最佳的协作形式（Zollman 2017），导致科学极化的因素（O'Connor＆WeatherAll 2018; WeatherAll＆O'Connor 2021b），符合性的影响（Weatherall＆O'connor 2021a），人口统计分集的影响（Fazelpour＆Steel 2022），双用研究法规（Wagner＆Herington 2021），社会学习主导团体忽略或贬值从边缘化群体（WU 2023）的证词，或分歧对某个假设的证据诊断（Michelini＆Osorio等，即将到来）。

3.3意见动态的有界信心模型

正如我们上面所看到的，有时会在取得对真实假设的共识方面取得共识的成功来评估科学界的表现。 问题是如何形成共识的，并且在认知社区的观点动态主题中也研究了哪些因素效益或妨碍其出现。 意见动态模型旨在调查一系列代理商的意见和改变，在一系列轮次或时间步骤中调整其观点（或信念），导致形成共识，极化或多个观点。 在这种情况下特别有影响力的建模框架起源于Hegselmann和Krause（2002,2005,2006）的工作，从共识形成的分析模型中绘制其根源（法语1956; lehrer＆wagner 1981）。[3]