基于代理的科学哲学建模（四）

然而，随后的研究表明，ZOLLMAN效应在原始模型的参数空间内不是非常稳健的（Rosenstock等，2017）。 特别是，结果保持了那些可以被视为困难查询的特征的参数：具有相对少量科学家的情景，批量相对较少的证据，竞争对手假设的目标成功之间的差异相对较小。 此外，其他模型表明，如果以其他方式产生的追求假设的分集（并且因此，探索），则更多连接的社区可能越突出连接的假设。 例如，Kummerfeld和Zollman（2016）表明，通过允许代理人偶尔获取有关假设的信息来放松勘探和剥削之间的权衡，他们目前往往是一种生成多样性的方法，导致一个完全连接的社区来表现优于较少的连接。 通过Frey和Šešelja（2020）审查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其当前理论并开始追求竞争对手时，科学家们有一定的谨慎或“理性惯性”，则一个完全连接的社区获得了一个足够程度的探索，以优于较差的群体。 基于其他建模框架的ABMS进行了类似的观点，例如Douven and Hegselmann（2022）的有界置信型号，或者由Borg，Frey，Šešelja，和Straßer（2018）的基于争论的ABM尽管存在高度的连接性，但每个每个显示尽管保持瞬态多样性的不同方式。

4.2.2消样的传播

学习科学社区的认识性策略的ABMS在很大程度上使用了网络认识论强盗模型（见第3.2节）。 例如，Holman和Bruner（2015）的型号审查了行业赞助商的干扰如何影响医学界中的信息流，以及哪些策略科学家可以旨在保护自己免受这种可怕的影响。 为此目的，他们考虑了一种情况，其中医生经常与行业赞助的药剂沟通有关某些药物产品作为给定疾病的治疗的疗效。 由于行业赞助的代理人受到财务而不是认识的，而不是认识的，而不是认证，无论他们收到多少反对证据，他们都不太可能改变主意，他们不仅仅是偏见，而是“陷入讨厌”。 他们的模拟表明了两种方式，其中科学界可以保护自己免受顽固的偏见代理的可怕影响：首先，通过增加他们的连接，第二，通过学习如何在可靠性的基础上重新组织他们的社交网络，这导致他们最终忽略了偏见的代理。 在后续模式中，霍尔曼和布鲁纳（2017年）还展示了行业如何偏离科学界，而不会破坏任何组成它的个人科学家，而是通过简单地帮助行业友好的科学家有成功的职业生涯。

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，以研究二十世纪下半年烟草业所用的“烟草战略”，以误导公众吸烟的阴性健康影响（由Oreskes＆Conway 2010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意见，而甚至干扰（认识到）科学研究。 作者研究了两种这样的宣传策略：研究结果的“选择性分享”，适应行业的首选位置，以及额外研究得到资助的研究成果的“偏见的生产”，但只有合适的调查结果发布。 结果表明，两种策略在各种检查参数下的科学产出都是有效的，因为在两种情况下，政策制定者在偏见的结果样本的基础上更新他们的信仰，朝着更糟糕的理论倾斜。 作者还审查了记者报告科学发现的策略，并展示了通过报告争议双方的平等数量的相同数量的“公平”的普遍旨在导致误导信息的传播。

开发用于检查科学欺骗的ABMS的另一个例子是博格，弗雷，Šešelja，和Straßer（2017,2018;见3.1.3节）的基于争论的型号。 假设竞争对手的研究计划的背景，科学家必须识别出三种可用的竞争中最好的，欺骗性沟通在仅仅是关于他们理论的积极调查结果的代理人而言，而扣留有关潜在异常的新闻。 潜在的想法是，欺骗包括提供一些（真实的）信息，同时扣留其他信息，这导致接收器制作错误的推论（Caminada 2009）。 与本节中讨论的前两种模型不同，那么并非所有代理都显示出偏见或欺骗行为，Borg等人。 研究完全由欺骗性科学家组成的人口的网络效应。 这样的场景代表例如通过确认偏见和激励从批判审查攻击的激励来驱动的社区。 模拟表明，首先，第一，可靠的社区（由欺骗）组成比欺骗性更成功，而第二，增加连接使得欺骗性人群更有可能会聚在最佳理论上。

4.3认知多样性

正如我们在第2.1节所见的那样，认知多样性问题涉及科学家的认知特征多样性之间的关系（包括他们的背景信仰，推理方式，研究偏好，启发式和策略）以及科学界的探究。 科学哲学家特别有兴趣如何在不同研究启发式中如何影响社区的表现。

一个特别有影响力的ABM解决这个问题是Weisberg和Muldoon（2009年）的认知景观模型。 该模型审查了不同研究策略催化的劳动分工，科学家可以作为“控制”，“追随者”或“小牛”（见上文第3.1节）。 鉴于模拟，Weisberg和Muldoon认为，首先，Mavericks优于其他研究策略。 其次，如果我们考虑在必要的资源方面要昂贵的小牛策略，那么将小牛介绍给追随者的人口可能会导致最佳分工。 虽然Weisberg和Muldoon的ABM最终旨在包括编码错误（Alexander等人2015），他们的主张认知多样性提高了科学家的生产力，从而获得了型号的调整版本的支持，尽管有一些资格。

首先，Thoma的（2015）模型显示，如果科学家足够灵活，以改变他们目前的方法并充分了解社区中其他人进行的研究，则认知多样化的群体优越。 其次，Pöyhönen（2017）确认，如果我们认为小牛策略稍微耗时，小牛和追随者的混合人口可能会以平均认知而言，只有仅仅是小牛群组成的社区获得的结果的重要性。 根据Pöyhönen的说法，如果认知多样性是有益的，需要满足的另一个条件是景观的拓扑：不同人口才能在更具有挑战性的调查的情况下表现出同质的群体（以粗糙的方面代表）事实上的景观），但不是在简单的研究问题（由Weisberg和Muldoon之类的景观代表，图2）。 亚历山大和同事（2015）也强调了景观拓扑的重要性，谁使用了NK-Lientscapes来表明社会学习是否有益或不可思议地取决于景观的拓扑。 最后，还有其他研究策略（如亚历山大和同事」的“群体”一，参见第3.1.1节），胜过Weisberg和Muldoon的Mavericks，而追随者战略的小变化可能会显着提高其性能（FernándezPinto＆FernándezPinto2018）。

认知多样性的另一个方面得到了建模文献中的关注，涉及多样性和专业知识之间的关系。 首先在洪和书（2004年）在经济学中首次研究了这个问题。 该模型研究了启发式多样化的团体，由具有不同问题解决方法的代理商，与专家组成的组，与专家组成的团体相比，以找到特定问题的解决方案。 香港和页面的原始结果表明，“多样性胜过能力”中的群体，这些群体由采用不同的启发式方法的个人，仅包括专家，即最好的“问题 - 求解器”的代理商。 虽然这一发现变得相当有影响力，但随后的研究表明，一旦对模型添加了更多的关于专业知识的现实假设，它不会稳健地持有稳健性（Grim，Singer，Bramson等，2019; Reijula＆Kuorikoski 2021;见还有歌手2019）。

赫格勒曼和克劳德有界 - 境内模型研究了认知多样性和科学社区劳动分工的问题（Hegselmann＆Krause 2006;见上文第3.3节）。 ABM在一个人中审查了一个人的观点动态，这些人在某种意义上，只有一些人只是有活跃的真相寻求者，而其他人则通过与他们自己有足够类似的信仰的代理商交换意见来调整他们的信仰。 Hegselmann和KRAUND调查了这样一个社区可以达成了真实性的共识的条件，结合了基于代理的建模和分析方法。 他们表明，一方面，如果模型中的所有代理人都是真实的追求者，他们就是对真理达成共识。 另一方面，如果社区划分劳动力，其能够达成真相的共识将取决于真理寻求代理人的数量，真理相对于代理人的意见，确定意见交易所范围的信任程度和真理信号的相对重量（与社交信息的重量相反）。 例如，在某些参数设置下，即使是单一的真实寻求代理人也将导致社区的其余部分。

4.4社会多样性

正如我们在第2.4节中所见的那样，引入了ABMS，研究了两个问题，以研究科学背景下的社会多样性：第一，社会多样化的科学群体的认知效应，第二个，可能破坏科学少数群体的社会多样性或劣势成员的因素。

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），以研究社会（或人口统计）多样性对集体查询的影响。 该模型研究了社会独特的子组之间的信任程度如何影响科学界的性能。 模拟表明，社会多样性可以通过减少过多的信任科学家在彼此的调查结果中放置来改善组查询。 这在紧密连接的社区难度疑问的情况下特别相关，其中高度信任可能导致客观假设的过早认可。 作者还展示了社会多样性如何抵消在研究路径选择中符合符合性的负面影响，在符合趋势不是太高的情况下。 吴（2023）使用类似的强盗框架，审查了边缘化的集团如何在占主导地位忽视或贬值结果来自前者的环境中如何学习。 她表明，在这种情况下，边缘化集团的成员可以在形成比主要群体成员的更准确的信念的意义上实现认识的优势。 通过这种方式，该模型的目的是解释来自角度代明学的“反演论文”，根据哪个边缘化的群体可能具有认识论特权的状态（Wylie 2003）。

关于后者的问题，我们之前提到过鲁宾和施奈德（2021年）的模型，这表明少数人因科学的优先级和科学界的结构而变得不利地位（第4.1节）。 在后续模型中，鲁宾（2022）展示了科学界的组织结构如何影响“引用差距”的出现，其中经代表性和少数群体成员的出版物的出版物少于大多数人的成员。 少数群体地位对科学合作地位的影响主要是通过谈判的进化游戏 - 理论模型研究（见第3.4节）。 该模型显示不同的方式，其中少数群体可能因少数群体地位和这种地位对讨价还价和协作实践的影响而被歧视（鲁宾＆o'connor 2018; O'Connor＆Bruner 2019; Ventura 2023）。 此外，结果表明，这种结果可能对科学进步产生负面影响，可能有助于解释为什么性别和种族少数群体倾向于在学术间谍（O'Connor＆Bruner 2019; Rubin＆O'Connor 2018）中群集。 我们将在第4.7节中重新审视下文，致力于科学合作问题。

4.5对科学的同伴分歧

正如我们在第2.5节所见，同伴分歧辩论突出了可以指导科学家的不同规范。 介绍了ABMS以检查这些规范对公共查询的影响。 为此，Douven（2010年）和De Langhe（2013年）通过Hegselmann和Krause（2006年）增强了有界信心模型，以研究第3.3节）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是依赖的上下文。 在Douven的模型中，当通过查询收到的数据并不是很吵时 - 从某种意义上意识到真相而不是由测量错误导致的群体，在发现真相时比纯粹的群体更快。 然而，如果数据变得嘈杂，则模拟在精度和速度之间显示出权衡。 虽然坚定的人群相对迅速地在真相的中等距离内，但他们在随后的仿真中没有提高他们的准确性。 相比之下，调解人口最终更接近真相，但它需要更长的时间来实现。 这表明规范对于公共目标是最佳的，这可能主要取决于查询的上下文问题，例如获得无噪声证据。 de langhe来到类似的结论，使用代表长期科学分类的模型和涉及多次竞争性认知系统的调查。 该模型受到高盛（2010）的影响，尽管对同行同意的同意可能分享有关问题的证据，但它们不得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，同时在一个人的认知系统内部的调解是有益的，而在不同的认知系统之间存在分歧是非的。[10]

4.6科学极化

科学社区极化ABMS的初步工作是基于Hegselmann和Krause有界置信型模型（Hegselmann＆Krause 2006;参见第3.3节）。[11] 该模型表明，当一些代理商通过无视来自世界的证据而形成他们的意见时，社区可以偏离他们的意见，而是仅考虑他们从其他人中学到的东西，他们有足够相似的观点。 基于不同框架的后续模型试图检查各极化是否可以出现，即使所有代理人都是真实的寻求者，也是只考虑认知考虑因素的理性代理商。

例如，Singer等人的模型。 （2019）显示分享其信仰原因的审议药剂组中的极化的出现，并且仅仅使用基于一致的方法来管理他们有限的记忆（通过忘记与主要考虑的大部分考虑因素相冲突的原因）。 使用贝叶斯造型框架Laputa，奥尔森（2013）展示了如何在审议过程中出现极化，如果代理分配对他人的证词的不同程度，这取决于他们的持有程度如何。 在另一个基于Bandit Models的贝叶斯框架中，O'Connor和Weatherall（2018）展示了一个科学家社区，这些科学家们如何共同分享他们的证词，但无偏见的证据，如果他们对待其他科学家获得的证据，他们的信仰是一种极化状态从自己身上脱颖而出，不确定。 此外，Michelini，Osorio及其同事（即将到来）将带状模型与界限置信框架相结合，以研究对某一假设的证据诊断价值不同意的社区（由贝叶斯因子建模）中的诊断价值。 它们的结果表明，根据所表演研究的样本量和科学家分享他们的意见的样本量，对证据的诊断性诊断可能导致极化的初步分歧。

ABMS模拟争论动态的ABMS还研究了认知社区的极化。 例如，使用BETZ（2013）的框架（2013），Kopecky（2022）提出了一种模型，表明了理性代理在公开辩论论坛中参与争论交换的某些模式，即使代理商没有对谁的偏好而导致极化的社区。争论。

4.7科学合作

如第2.7节所述，ABMS在合作有益的情况下，ABMS已经用于研究，并且它如何影响询问。 为了检查为什么合作出现，当他们有利时，博伊斯 - 卡西姆和Imbert（2015年）开发了一种计算模型，通过共享中间结果，科学家合作。 他们研究了由优先级统治的更大竞争性群体中的协作团体，合作者必须同样地分享奖励来进行发现。 他们的模拟表明，合作对于公共和个人询问都有益。 当科学家合作时，他们的询问会更快地进行，使他们更有可能属于首先进行发现的团队。 此外，虽然科学界可能从所有科学家赚取完全合作的资金（自从某些科学家发现的解决方案将与每个人分享），但对于个体科学家，其他协作星座可能更好（也可以参见Boyer-Kassem＆Imbert即将到来）。

检查最佳协作条件ZOLLMAN（2017）提出了一种网络认识论模型。 该模型从假定开始，通过合作科学家教导旨在解决科学问题的彼此不同的概念方案，并且合作以成本为本。 他的调查结果表明，降低合作成本和扩大协作团体的规模效益所涉及的成本，尽管鼓励科学家与不同的协作群体互动可能不会导致有效查询。

虽然上面的模型研究了社会统一的社区，但ABM也被用于研究可以内源性出现的社会各种协作环境和歧视模式。 这些模型通常基于进化的游戏理论框架，检查伴随学术合作的讨价还价规范（参见第3.4节）。 Bruner（2019年）最初利用了这一框架来表明，在涉及资源划分的文化互动中，少数民族成员可能仅仅是由于其小组规模较小的弱势群体。[12] O'Connor和Bruner（2019）使用这种方法来研究认知社区在类似模式的出现。 模拟表明，由于其组的大小，少数群体可能会在科学合作中变得不利地位，其中效果增加了它们的群体较小。 Rubin和O'Connor（2018年）使用类似的框架来检查认知协作网络中的多样性和歧视，特别关注同意的作用 - 与人类社会群体成员造成对比的趋势小组。 他们的结果表明，可能在学术互动中出现的歧视规范可能会促进同意并降低协作网络的社会多样性。 此外，ventura（2023）表明，即使在没有人口统计类别的情况下，也可以在合作网络中出现的不平等程度，因为科学家可以仅仅由于协作网络的结构和其特定位置而被视为处于不利地位。

4.8额外的主题

如2.8节所述，ABMS已应用于对科学哲学中许多额外主题的研究：分配资金的问题（Harnagel 2019; Avin 2019A，B），检查波普尔和Kuhnian模型科学进步（De Langhe 2014A），正常和革命科学的动态（De Langhe 2017），科学方法的多元化（Currie＆Avin 2019），方法对研究设计和数据分析的影响对科学发现的质量（Smaldino＆Mcelleath 2016），科学家的战略行为作为一种激励的信仰交流（Merdes 2021），期刊的出版策略（Zollman 2009），荟萃感应学习（Schurz 2009,2012），证据强度对科学委 - （Santana 2018）的准确性的影响，科学群体的管理和结构（Sikimić＆Herud-Sikimić2022），推导了证词规范的可靠性，这指导了一个人应该如何改变鉴于其他人的声明（Mayo-Wilson 2014），源可靠性评估（Merdes，Von Sydow，＆Hahn 2021），“认知顽固性”的影响是不愿意改变一个人的科学面对反补贴证据（Santana 2021）的立场，不同理论选择评估对查询效率的影响（Borg等人。 2019年），等等。

5.基于代理的建模认识学

在前一节中，我们通过基于代理的建模获得了各种结果。 但我们应该多么认真地拍摄这些调查结果？ 他们究竟是什么告诉我们科学的？ 鉴于科学模型的主要认知功能之一是帮助我们了解世界（参见科学的模型的进入），这提出了这个问题：我们究竟可以与ABMS学习什么，我们必须遵循哪些方法学措施来获取这些知识？ 这些问题是基于代理的建模认识学的问题。[13]