科学理论与观察（二）
感官在FMRI数据生产中的作用仅限于监测设备并关注受试者的东西。 他们的认知作用仅限于鉴别成品图像中的颜色，读取用于分配它们的计算机的数字表，等等。 虽然研究人员通常使用他们的视线感到可视化的FMRI数据 - 或页面或屏幕上的数字 - 这不是认知行动的主要基因座。 研究人员通过FMRI数据了解大脑流程，在他们所做的程度上，主要是为了适用于目标流程与数据记录之间的因果关系，并且转换时，这些数据被处理到地图或科学家想要使用的其他结果时。 有趣的问题并不是关于可观察性的，即神经元活动，血氧水平，质子等离子体，无线电信号等是否正确地理解为像我们这样的生物可观察到。 FMRI数据的认知意义取决于他们提供对目标的正确访问权限，但既不需要观察也不足够地访问该访问。
以下Shapere（1982），可以通过采用极其唯一的观点来响应作为“观察”的重要性，以便允许甚至高度处理的数据作为观察。 然而，很难调和，使得具有FMRI图像的高度处理的数据与传统的经验主义者概念，涉及理论假设和背景信念的计算，不得被允许（在客观性损失的疼痛）中侵入过程中数据生产。 观察首先，似乎更直接，更直接，因此比（例如）检测或推断更加直接，更直接，并且比（例如）检测或推断似乎更直接。 FMRI图像的生产需要基于关于无线电信号的理论的广泛统计操作，以及许多因素与其检测到血氧水平与神经元活动之间的关系，系统误差的来源以及更多。 虽然使用“观察”术语的使用意味着这种传统经验主义的额外行李，可以更好地用术语取代观察谈话，这些术语更加宽容，例如“经验数据”和“经验结果”
2.3数据和现象
从其传统的鲈鱼中依赖于经验主义的科学鉴定的观察，无需来自科学实践的雌雄哲学家。 像“观察”和“观察报告”这样的术语不会在哲学着作中的科学中几乎没有发生。 在他们的位置，工作科学家倾向于谈论数据。 采用这种用法的哲学家可以自由地考虑观察的标准例子作为大型，多样化，增长的数据生产方法家庭的成员。 不要试图决定将哪种方法分类为观察性以及哪些事情有资格作为观察品，哲学家可以专注于区分家庭成员的因素的认知影响。 特别是，他们可以将他们的注意力集中在给定方法所产生的问题上可以用来回答的问题，必须做些什么来努力地使用该数据，以及他们负担得起的答案的可信度（Bogen 2016）。
令人满意地回答这些问题认证进一步的哲学工作。 随着BOGEN和WOODWARD（1988）所说，在获得一个特定的数据集之间通常有一个漫长的道路，其与未指明的因果差别的特质与研究人员最终有关的任何索赔。 经验数据通常以方法制造，使得不可能从他们用于测试的概括，或者从数据和非ad hoc辅助假设的那些概括的概括的情况下预测它们。 实际上，对于一组合理的精确定量数据的许多成员来说，这是一个不寻常的，以彼此一致，更不用说与定量预测。 这是因为除了通过过程反映太多，实物太不同的因素的影响的过程，通常不能产生公开访问的数据，以及任何单一理论的行为过于不规则的过程。 当伯纳卡·卡塔茨在神经纤维制剂中记录电活动时，他的数据的数值受到他的电流计和其他设备操作的特有的因素的影响，刺激和记录电极的位置之间的变化插入神经，其插入的生理效果，以及神经状况的变化，因为它在实验过程中劣化。 调查人员处理设备的变化。 振动以响应各种不规则发生的导致从随机误差源到Katz的老师的沉重胎面，A.V. 小山，在实验室外面走上楼梯。 这是一个简短的名单。 为了使事项更糟糕，许多这些因素影响了因果关系不规则发生，瞬态和移位组件的部分。
系统和随机源的影响通常是需要大量的分析和解释需要将调查人员从数据集中获取到可用于评估理论权利要求的结论。 有趣的是，这适用于对机器生产记录的感知数据的清除情况。 当19世纪和20世纪初的天文学家看着望远镜和推动按钮来记录他们看到一颗星的时间通过十字线，他们的数据点的价值依赖于那明星的光线，而且还在感知过程，反应时间和其他特征上。观察者观察者不同的心理因素。 没有天文理论有资源考虑这些事情。
而不是通过直接与最初收集的数据进行直接比较来测试理论索赔，而是使用数据使用数据来推断出关于现象的事实，即事件，规则，过程等。其实例是均匀的并且足以使它们容易受到系统预测和解释（BOGEN和WOODWARD 1988,317）。 导致在温度下或接近327.5 c的温度熔化的事实是一个现象的一个例子，如行动潜力所涉及的电量，天文体的动作等所涉及的电力量的普遍规律。无法预期预测或解释这些事情的理论然而，随着单独的温度读数可以根据预测或解释现象的有用程度来评估。 与所计算特征的电气数据相反的动作电位相同的保持性，以及与观察天文学的数据相反的天文体的运动。 询问遗传理论是有可能的（在类似环境中给予类似的培养）是合理的，所以患有酒精使用障碍的父母或父母的后代将产生一种或多种症状，DSM将DSM分类为醇类使用障碍的指示。 但是，要求遗传理论预测或解释一个特定诊断检验的试验，或者为什么诊断师在她对此类父母的后代作出特定条目时，为什么会在她的面试中写出特定条目（见Bogen和伍德沃德，1988,319-326）。
Leonelli已经挑战了Bogen和Woodward（1988）声明数据是她所说的，“不可避免地嵌入一个实验背景”（2009,738）。 她认为，当数据适当打包时，他们可以前往新的认识环境并保留认识型实用程序 - 这不仅仅是关于可以旅行的现象，数据旅行的现象。 准备安全旅行数据涉及工作，并通过追踪数据的旅程，“哲学家可以了解研究人员，数据档案和数据库策展人的精心劳动如何促进有用的数据移动性。 虽然Leonelli自己的工作经常专注于生物学中的数据，Leonelli和Tempini（2020）包含许多不同的数据旅程，来自各种科学学科，这将为对科学方法和认识论感兴趣的哲学家有价值在实践中。
理论通常预测和解释现象的特征而不是特殊性数据的事实，不应被解释为失败。 有了许多目的，这是更有用和发光的容量。 假设您可以选择预测或解释神经递质释放涉及神经元尖峰的方式的理论（例如，平均而言，每10穗尺寸大致释放发射机的事实）和解释或解释的理论预测在一个或几个案例中显示的相关实验设备上显示的数字。 对于大多数目的，前者的理论最不仅仅是因为它适用于这么多种情况。 同样地，对于预测或解释一些遗传因素或预测或解释的理论的含酒障碍条件的概率的理论，或者解释了预测或解释了对精神病学家接受的培训的事实有条件的概率，有条件的概率。 为大多数目的，这些优选对一个特定案例历史中预测具体描述的理论是优选的。
但是，有些情况在哪种情况下，科学家都希望解释数据。 在实证研究中，获得科学家们处理背景噪声和混杂信号的来源通常是至关重要的。 这是从新收集数据到有用的经验结果的漫长道路的一部分。 消除不需要的噪音或混淆的方式的一个重要步骤是确定它们的来源。 不同的噪声来源可以具有不同的特征，可以通过理论来源。 考虑“射击噪声”和“热噪声”之间的差异，精密电子（Schottky 1918;奈奎斯特1928; Horowitz和Hill 2015）的两个无处不在的噪声。 借助信号的离散性，出现了“射击噪声”。 例如，由探测器收集的光不会一次或以完全连续的方式到达。 由于Quanta，Photons雨射到了射击射击。 想象一下，在一个时刻构建图像一个光子 - 首先，图像的结构几乎无法识别，但是在许多光子到达之后，图像最终填充。实际上，这种类型的噪声的贡献作为信号的平方根。 相比之下，热噪声是由于非零温度 - 热波动导致在任何电路中流动的小电流。 如果您冷却您的仪器（在物理学中的许多精确实验），那么您可以降低热噪声。 冷却检测器不会改变光子的量子性质。 简单地收集更多光子将相对于射击噪声提高信噪比。 因此，确定噪声是什么样的噪声影响一个人的数据，即解释对特定乐器的数据本身的特征，对特定乐器和在数据收集的特定实例期间普遍的特定乐器和条件，这对于最终生成可用于回答问题的数据集可能是至关重要的感兴趣的现象。 在使用需要统计分析的数据时，特别清楚的是，“关于影响测量结果的因素的经验假设可用于激发特定误差分布的假设”，这对于证明分析方法的应用（Woodward 2011,173，这可能是至关重要的）。
还有其他科学家希望为特殊的特质基准提供实质性，详细的解释，甚至是采购此类解释的情况在认识到的情况下。 无视异常值没有良好的认知原因是樱桃挑选数据，是典范的“可疑的研究实践”。'Allan Franklin已经描述了罗伯特·米利尼兰（Robert Millikan）的简便排除，他从1912年4月16日观察到他的实验中的第二次石油下降。（1986,231）。 当Millikan最初记录了这一下落的数据时，他的笔记本表明他的设备已经充分工作了，他的设备正常工作，实验运行很好，他在他的实验室笔记本中的数据旁边写了“发布”。 然而，在他稍后计算出这些数据所产生的基本电荷的价值之后，并发现它对于使用从其他好观察会话中收集的数据计算的价值观，他改变了他的思想，在计算旁边写作“不起作用”（同上，另见伍德沃德2010,794）。 Millikan不仅从未发表过此结果，他从未发表过他未能发布的原因。 当数据被排除在分析之外时，应该有一些解释证明他们与实验者的期望缺乏协议的遗漏。 正是因为它们是异常值，有些数据需要具体，详细的特质因果解释。 实际上，它通常是那些非常解释的人可以负责任地拒绝。 需要一些被拒绝的数据解释为“虚假”。 否则，科学家的风险偏见自己的工作。
因此，在转换为用于学习现象的东西的数据中转换数据时，科学家们经常考虑数据的特征，例如不同类型的噪声贡献，有时甚至解释奇怪的偏远数据点或工件，他们根本不会解释每个单独的青少年的贡献完整详细的数据集或数据集的确切字符。 这是因为科学家们都不能发现这种因果性细节，也不是他们的调用对于典型的研究问题所必需的。 有时对科学家提供详细的数据的解释，而不仅仅是关于从数据推断出来的现象的事实，不应该与科学家可以“原则上”细节的可疑主张，这是对某些数据（Woodward 2010; 2011）。
鉴于这一致，与大量众多理论索赔只能直接测试关于现象的事实，顾虑是如何考虑数据如何回答有关现象的问题。 缺乏详细讨论的空间，这个条目可以做的是提及调查人员的两个主要类型，以便从数据中得出结论。 第一个是在使用或不使用统计技术的情况下进行的因果分析。 第二是非因果统计分析。
首先，调查人员必须区分表明有关能够安全被忽略的人的现象的数据的特征，以及必须纠正的那些。 有时背景知识使这很容易。 在正常情况下，调查人员知道它们的温度计对温度敏感，并将其压力表变压。 一个人知道哪些积极设备的化学家，以及她应用它将知道她的数据表明是什么。 有时它不太明显。 当SantiagoRamóny cajal在一片染色的神经组织看着他的显微镜时，他必须弄清楚，如果有的话，如果有的话，他可以在一个焦距中看到的纤维，并且只能从他所能看到另一个焦距，或者另一个切片。 类似的考虑适用于定量数据。 Katz很容易告诉他的设备在楼梯上响应山丘的脚步时，他的设备何时响应，而不是它被设置为测量的电量。 可以难以判断在高频EEG振荡的幅度是否突然跳跃是由于受试者脑活动的特征或实验室或操作室中的外来电活动的伪影。 关于数值和非数字数据的哪些特征的答案指示感兴趣的现象通常至少部分地依赖于关于产生数据的原因所知的内容。
统计论据通常用于处理关于认识性相关因果区的影响的问题。 例如，当众所周知，当可以通过与感兴趣的现象，蒙特卡罗模拟，样本数据的回归分析无关的因素来产生类似的数据，以及各种其他统计技术有时提供调查人员最佳决定的机会对其数据的谨慎措施特征有多严重。
但除了因果分析之外，还需要统计技术。 为了从数值数据的散射来计算像熔点的熔点的数量，调查人员抛弃异常值，计算平均值和标准偏差等，并建立置信度和显着性水平。 回归和其他技术应用于结果，以估计来自意大级的平均值的程度，可以预期落入感兴趣的人群（例如，可以预期纯净的铅样品熔化的温度范围）。
很少可以从没有因果，统计和相关论证的数据中学到的事实，对接受了关于如何使用观察证据的想法具有有趣的后果，从伪科学，宗教和其他非科学认知努力区分科学。 首先，科学家不是唯一使用观察证据来支持他们的索赔的人; 占星家和医疗Quacks也使用它们。 为了寻找认识学性的差异，必须仔细考虑他们使用的数据，它来自哪里以及如何使用它。 与非科学理论评估相反的科学的美德不仅取决于其对经验数据的依赖，而且还取决于如何产生数据，分析和解释，以得出可以评估理论的结论。 其次，它不采取许多例子来反驳遵守单一，普遍适用的“科学方法”的概念区分从非科学的科学。 数据是生产的，并以太多不同的方式使用，以便在任何单一方法的情况下定时地治疗。 第三，如果并不总是，如果并不总是不可能得出结论，以便在不明确或隐含依赖理论资源的情况下汲取视图数据的理论。
Bokulich（2020）有助于概述了各种方式的分类，其中数据可以模型 - 加强他们的认知效用。 她专注于七类：数据转换，数据校正，数据插值，数据缩放，数据融合，数据同化和合成数据。 其中，转换和更正也许是最熟悉的。 Bokulich提醒我们，即使在从普通的水银温度计读取温度的情况下，我们也会“转换”测量的数据，在这种情况下是汞柱的高度，温度（IBID，795）。 在更复杂的情况下，例如处理地震反射测量中的声学信号的到达时间，以产生地下深度的屈服值，数据转换可能涉及模型（同上）。 在该示例中，需要地下的组成和几何形状的模型，以便在不同材料中的声速差异差异。 数据“校正”涉及我们已经讨论的常见做法，如建模和数学上减去了来自一个数据集的背景噪声贡献（同上，796）。 Bokulich正确地指出，在这些方式中涉及模型，常规改善了可以放置数据的认知用途。 数据插值，缩放和“融合”也是相对广泛的实践，值得进一步的哲学分析。 插值涉及在模型的指导下填充丢失的数据集中丢失数据。 当招募以特定规模（时间，空间，能量）和建模假设生成时，缩放数据以将它们变换为以另一个比例应用。 数据在Bokulich的术语中“融合”，当在不同上下文中收集的数据，使用不同的方法组合或集成在一起。 例如，当来自冰核，树圈和海上船长的历史日志的数据被合并到一个联合气候数据集中。 科学家必须在组合各种物质的数据结合，并模拟来自数据集的非常合并的新的不确定因素（同上，800）。
Bokulich与她称之为“真实数据”（同上，801-802）对比“综合数据”。 合成数据是虚拟，或模拟数据，而不是通过与世俗的研究目标进行物理交互来产生的。 Bokulich强调模拟数据可以在测试和故障排除的数据处理方面进行模拟数据，这些数据处理最终在经验数据上部署（同上，802）。 它对于开发和压力测试数据处理流水线可能非常有用，以具有假数据集，其特征已经已知已经由研究人员生产，并且可以随时可供选择。 当数据集的特征是已知的，或者确实可以根据需要量身定制时，可以更容易地跟踪新的处理方法的影响。 通过这种方式，研究人员可以熟悉数据处理流水线的影响，并根据他们通过它通过它的缺少虚假数据来调整该管道，在尝试在实际的科学数据上使用该管道之前，他们通过它进行了馈送。 这些调查最终可能是最终争论最终的经验结果和适当的解释和使用的可信度。
数据同化或许是一个较少广泛赞赏方面的基于模型的数据处理之间诸子科学，除帕克（2016; 2017）。 Bokulich将这种方法表征为“具有动态模型的数据的最佳集成，以提供数量的更准确的”同化估计“（2020,800）。 因此，根据与这些贡献相关的不确定性，数据同化涉及平衡经验数据和模型的输出在集成估计中的贡献。
Bokulich认为模型在这些各方面的数据处理方面的参与并不一定导致更好的认知结果。 做错了，集成模型和数据可以引入伪影，并在手头的目的下，使处理的数据不可靠（同上，804）。 事实上，她指出，“[t]在突出的案例中，”[t]在这里有很多工作，以便在弦外的情况下，模型 - 数据共生可能是有问题的或圆形的“（同上）
3.理论和价值提升
具有价值观和理论承诺的经验结果。 哲学家已经提出并评估了几种可能与理论和/或价值的经验结果相关的认知问题。 他们担心人类感知本身因我们的承诺而扭曲的程度。 他们担心从理论上绘制理论资源，以获得经验结果的产生（或其竞争对手）产生恶性圆形（或不一致）。 他们还担心，概念概念和/或语言框架在琥珀中的蜜蜂等蜜蜂陷阱，以便他们不能在他们起源的背景之外携带他们的认识生活，并且规范价值观必然腐败了科学的完整性。 经验结果的理论和价值升值是否使他们无可救药地是狭隘的？ 也就是说，当科学家留下后面的理论承诺并采用新的，他们还必须放弃与他们事先承诺的实证研究的果实吗？ 在本节中，我们讨论了这些担忧和反应，即哲学家提供了劝阻它们。
3.1感知
如果您认为，人类感知感知的观察是所有科学知识的客观基础，那么您应该特别担心人类感知的可能性受理论假设腐蚀，但是一厢情愿的思考，框架效果等。 Daston和Galison叙述了Arthur Worthington的对称牛奶滴的醒目例（2007,11-16）。 在1875年工作，沃辛顿调查了液体液滴时的流体动力学，并在撞击硬表面时的进化。 起初，他试图用频闪灯仔细跟踪下落动态，将一系列图像刻录到他自己的视网膜中。 他绘制的图像记录他所看到的东西是径向对称的，下降的光线溅从撞击中心均匀发出。 然而，当沃辛顿从1894年从内存中汲取到使用摄影的沃辛顿到使用摄影时，他感到震惊地发现，他一直观察的溅是不规则的Splats（同上，13岁）。 即使是好奇者，当沃辛顿回到他的图纸时，他发现他确实记录了一些不对称的飞溅。 他明显地将他们视为不知情的事故，而不是关于他在学习（同上）的现象的启示方面，试图记录溅起的理想形式，一般和普通形式，他有潜意识地下放了个体溅的不规则性。 如果理论承诺，就像沃斯汀顿的初步承诺，他正在学习，普遍地和不符合实证调查结果，那么认证的科学目标会受到严重破坏。
