基于代理的科学哲学建模（五）
5.1抽象建模的挑战
在关于社会科学模拟的早期讨论中，BOERO和SCRAZZONI（2005）就基于所代表目标的属性提出了基于案例的模型，类型和理论抽象的ABMS分类。 虽然基于案例的模型代表了在时间和空间中描绘的经验方案，而是代表经验现象的类别。 最后，理论抽象，因为他们的名字表明，摘要远离经验目标的各种特征，并瞄准了社会现象的简化和一般代表性。
在社会科学中的抽象方面的传统之后，在所谓的“亲吻”（保持简单，愚蠢）的方法中，大多数哲学模拟都已发展起来。[14] 因此，它们属于上面列出的第三种类型的ABM。 构建简单模型的主要优点是它们允许更容易地了解所代价的因果机制，而不是复杂的模型。 但是，鉴于他们高度理想的角色 例如，这种模拟的结果会增加我们对科学社区的理解吗？ 我们可以使用它们来提供来自科学史的某些事件的潜在解释，或制定应如何组织科学查询的规范性建议？ 这些问题一直是哲学辩论的问题，与跨实证科学的高层理想或玩具模型的认识功能讨论密切相关。[15] 特别是，批评者认为，如果抽象的ABMS提供经验目标的信息，首先需要验证和经验验证。
5.2验证和验证：从ABMS的解释功能探索
在基于代理的建模的背景下，验证是一种评估相对于其概念设计底层ABM底层的计算机程序的准确性的方法。 另一方面，验证涉及评估模型与其声称的目标之间的联系。 无论模型建造的目的如何，它始终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。 所需验证的类型取决于模型及其预期目标的目的。 正如Mayo-Wilson和Zollman（2021）所说，一些建模目的并不总是必要的验证，例如说明某些事件或情况理论上是可能的。 模型可以通过“合理争论”是合理的，并且考虑到程式化的历史案例研究。 根据梅奥 - 威尔逊和Zollman的说法，ABMS扮演了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，以证明反事实要求，以说明可能性和不可能的可能性和不可能。 此外，当涉及社会系统动态的问题时，由于这种目标现象的复杂性，它们比任务更容易而不是思维实验。
如果ABM的函数是提供概念验证或有可能的解释，则不需要经验验证。 一个模型提供概念证据（有时也称为“可能性”或“原则上的验证”），如果它仅展示了某种现象的理论可能性（CF.Arnold 2008）。 目标现象可以以摘要，理想化的方式表示，忽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种特定功能。 首先，模型可以例举方法或方法可以如何产生给定目标现象的潜在表示。 例如，如果ABM展示了认知风景框架如何代表认知多样性，则在这个术语中提供概念证明。 其次，模型可以提供结果表明可以在模型 - 世界内找到某种因果机制。 例如，如果高度理想化的仿真表明，某种认知多样性导致建模社区有效查询，它就在后一种意义上提供了概念验证。 虽然概念验证建模有时只是在开发更现实模型的初步步骤中（参见例如Gräbner2018），它也被认为是已经自己提供了有价值的哲学洞察（参见例如Šešelja2021A）。
同样，仿真提供了可能的解释（HPE），如果他们展示某些前提条件可能导致某种前提条件如何（Rosenstock等，2017;Gräbner2018; Frey＆Šešelja2018;Šešelja2022b）。 与如何实际解释或解释账户，这是简单的账户，这是如何实际发生的现象，HPES（有时也称为“潜在说明”）覆盖可能发生现象的可能方式的账户。[16] 根据Verreult-Julien（2019）提出的概念的广泛阅读，HPE是具有表单的命题的命题，“可能是”，因为Q'。“，其中P是解释性的，Q解释者，并且可能是指各种类型诸如认知，逻辑，因果等的模态。
上述认知功能 - 提供概念证据或HPE - 通常被认为是一种探索性建模，其中代表的目标可以是抽象的理论现象（Ylikoski＆Aydinonat 2014;Šešelja2021a）。 相比之下，为了提供实证现象的解释，许多人认为ABM需要经验验证。 这一点被强调，在模型应该解释实际科学实践的某些模式，提供支持现有经验（包括历史）假设的证据，或通过科学政策提供建议（Arnold 2014; Marnold＆FernándezPinto2017; Thicke 2020;Šešelja2021a）。
ABM的验证包括检查模型是否是目标的合理表示，其中“合理”可以指模型的不同方面（Gräbner2018）。 例如，我们可以测试模型中所代表的机制如何符合我们的经验知识，这些模型的外源投入是经验卓越的，该模型的输出在多大程度上复制了对目标的现有知识，或者它是否可以预测它未来的州。 不同的作者建议在科学哲学中对来自ABMS的这些点进行了不同的阐述（参见Thicke 2020;Šešelja2022b;床头群2019; Politi 2021; Pesonen 2022）。
虽然这些步骤中的一些可能是有挑战性的，但其他步骤可能更加可行。 例如，Martini和FernándezPinto（2017）争辩说，科学的ABM可以在经验数据上校准。 Harnagel（2019）举例说明了如何通过用伯格计数数据校准认知景观模型来完成这一点。
其他人认为，应至少根据其稳健性分析模拟结果。 鲁棒性分析（RA）包括：
参数RA，检查关于模型参数值的变化的结果的稳定性，通常通过灵敏度分析研究; [17]
结构RA，其侧重于模型结构特征的变化下的结果的稳定性及其潜在的假设;
代表性RA，它研究结果的稳定性关于代表框架，建模技术或建模媒体的变化（Weisberg 2013：第9章; Houkes，Šešelja和Vaesen即将到来）。
ABMS背景下的RA的主要目的是帮助了解模型持有的结果（在模型世界中）：是否依赖于特定参数值或关于所代表目标中涉及的因果因子的具体假设，或者结果是否只是某些理想的伪像模型中的假设。 这可以使我们对模型的理解及其至少两种方式的理解。 一方面，如果RA表明该结果在参数值的各种变化下，结构和代表假设在各种变化下，这可能会增加我们的信心，即结果不是模型中的理想化的伪像（参见，例如Kuorikoski，Lehtinen，＆Marchionni 2012）。[18] 另一方面，如果结果仅适用于特定的参数值或在特定的结构或代表假设下，这可以有助于描绘模型的应用范围（例如，困难查询的背景，涉及小型科学界的查询背景下等等，等等）。
5.3“模型的透视系列”
鲁棒性分析的重要性表明，确定单个ABM的识别功能难以隔离。 为了评估ABM的结果是否是对某一实证目标的解释性的，可以检查它们是否在理想化建模假设的变化下是鲁棒的。 一种方法是通过替换前一个假设来构建一个新模型。 此外，使用基于完全不同的代表性框架的模型可以另外有助于这种稳健性研究。 这就是为什么使用多种模型来研究相同的研究问题的价值在建模文献中越来越强调。
例如，Aydinonat，Reijula和Ylikoski（2021）所说的是“模型家庭观点”的重要性。 作者将模型视为争论设备，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。 根据哪种现象的方法，也是通过多种模型研究的，在社会科学建模的更广泛的背景下，也得到了认可（参见第2018页; Kuhlmann 2021）。
总而言之，尽管科学哲学的ABMS往往是高度理想化的，但它们可以具有探索性角色，例如识别科学探究的可能因果机制，提供如何解释，或者在历史案例上提供猜想和新颖的观点 - 学习（参见Šešelja2022a）。 此外，如果伴随着验证程序，他们可以发挥更具挑战性的认罪作用（例如提供对经验现象或经验假设的证据的解释），如果有验证程序，这可能会受益于调查针对同一目标的模型的类别现象。
6.结论和前景
此条目提供了基于代理的建模对科学哲学家研究的问题的应用概述。 由于这些申请主要涉及科学调查的社会方面，因此科学哲学中的ABM主要在科学正规社会认识论的子领域发展。 虽然基于代理的建模在这个领域的快速增长，但它仍有待遇时间。 特别是，关于抽象模型的认知状态及其方法的基础（例如，亲吻与儿童方法，见脚注14）的基本问题仍然开放。 已经说过，用现有模型制造的理论成果是显着的，它们为进一步的基于代理的建模的哲学方法提供了一种坚定的理由。
一个接受的一道受到相对较少的关注是基于代理的建模和经验方法的结合。 虽然关于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（参见，例如，Hartmann，Lisciandra，＆Machery 2013），这一领域并未广泛探讨，为未来留下充足的机会研究。 例如，高度理想的ABM可以在实验研究方面受益于验证（如Mohseni等人的例子。2021）。 此外，定性研究，如科学社区的民族志研究，可以帮助凭借为建立模型的假设提供信息（参见，例如Ghorbani，Dijkema，＆Schrauwen 2015）。
另一种新出现的探究系列来自人工智能最近的发展。 特别地，大数据和机器学习模型可以是为ABMS的输入产生富有成效的方式，例如代理的行为（参见，例如Kavak，Padilla，Lynch，＆Diallo 2018; Zhang，Valencia，＆Chang 2023）。 例如，自然语言处理技术已被用于代表在自然语言（BETZ 2022）方面表达参数的代理人。 这种增强功能为高度理想化的模型提供了新的机会：从他们的稳健性分析中，某些假设是对新颖问题和现象的探索的理想化。
