计算哲学（二）

对于每次迭代，模型以随机的代理选择为活动和其中一个邻居。 具有等于其文化相似性的概率，两个站点相互作用，活性剂改变其邻居的一个不同元素。 如果代理人

一世

=

⟨

8

，

7

，

2

，

5

，

4

⟩

�

=

⟨

8

，

7

，

2

，

5

，

4

⟩

被选中激活，它与邻居代理人配对

j

=

⟨

8

，

4

，

9

，

5

，

1

⟩

，

�

=

⟨

8

，

4

，

9

，

5

，

1

⟩

，

例如，这两个将与40％的概率交互，因为它们具有共同的两个元素。 如果确实发生交互，则代理程序我更改其一个不匹配的元素以与J的一个不匹配的元素进行匹配，可能会匹配

⟨

8

，

7

，

2

，

5

，

1

⟩

。

⟨

8

，

7

，

2

，

5

，

1

⟩

。

这种变化会产生60％的相似度得分，产生了两者之间未来互动的概率增加。

在大约80,000次迭代的过程中，Axelrod的模型产生了大面积，其中文化特征是相同的：局部收敛性。 然而，也是如此，如图所示的阵列通常不会移动到完全收敛。 它们倾向于产生少数文化孤立的稳定地区 - 相同的代理组组，其中没有共同与相邻群体共同分享，因此不能进一步互动。 随着阵列的发展，代理与随着它们变得越来越相似的频率相互作用，与不同的药剂频繁地相互作用。 只有局部收敛机制，类似的药剂的小口袋出现，朝着自己的同质性和远离其他群体的统一性移动。 利用上述参数，Axelrod在平衡时报告了三个稳定区域的中值。 这是Axelrod指的是“极化”的全局分离现象。 请参阅下面其他Internet Resources部分中AxelRod偏振模型的交互式模拟。

AXELROD注意到该模型的许多有趣的结果，其中许多在后续工作中进一步探索。 结果对例如参数的特征F和特征Q的数量非常敏感。 改变特征和特征的数量改变了相反方向的最终数量的稳定区域：稳定区域的数量与特征F的数量负相关，而是与特征Q的数量Q（Klemm等，2003）。 在Axelrod的基本情况下

f

=

5

�

=

5

和

q

=

10

�

=

10

在一个

10

×

10

10

×

10

格子，结果是三个稳定地区的中位数。 当Q从10到15增加时，最终区域的数量从三到20增加; 增加特征的数量增加了稳定的群体的数量。 如果特征F的数量增加到15，则相比之下，稳定区域的平均数仅为1.2（Axelrod 1997）。 在Klemm等人的情况下，群体大小，配置和动态参数的进一步探索，具有相对大小的相对大小的测量。 （2003A，B，C，2005）和Centola等人。 （2007）。

结果，关于意见极化等现象的计算建模承诺是对现象本身的理解：如何发生真正的意见极化，以及如何避免。 然而，另一个和截然不同的结果是由计算建模提供和要求精确的概念和措施，否则可能缺乏理论。 Bramson等人。 例如（2017）认为，“极化”具有跨文献中的一系列可能的含义，其中出现的不同方面，其不同的不同的计算模型具有不同的措施。

3.1.2论证的社会动态

一般而言，上面审查了信仰变革的社会动态，作为通过联系传播的物品对待信仰，许多关于感染动态的模型（Grim，Singer，Reade和Fisher 2015，尽管Riegler＆Douven 2009可以被视为例外）。 已经更详细地制定了模型相信变化的其他尝试，受到原因或论据的动机。

通过Phan Minh Dung（1995），Gregor Betz的姿势与潮流粪（1995）建立了一个基于链接参数的“辩证结构”（Betz 2013）的信仰变革模型。 句子及其否定的否定为数字和负数，作为订购的句子组的参数，以及参数之间的两种形式的链接：一个论点的结论与另一个论点的结论相当的攻击关系，其中一个论据是相当的到另一个（图4）。 动态结构的“位置”，完整或部分地，包括真理值T或F的分配给所涉及的句子集的元素。 相对于结构的一致位置是那些矛盾句子签名的真实值以及所有处所的每个参数的位置都有一个结论，该结论也是如此。 然后，BETZ将特定辩证结构的相干位置的空间映射为无向网络，其中位置之间的位置与设置的真实值不同。

一个图：链接到下面的扩展说明

图4：命题的辩证结构及其作为正数和负数的否定，具有T和F值表示的两个完整的位置。左派分配一致; 正确的转让不是（在Betz 2013之后）。 [图4的扩展描述在补充中。]

在模型的最简单形式中，两个代理以随机分配开始到一组20个句子，其中包含一致的分配给他们的否定。 从空白板岩开始随机添加参数，并且代理移动到最靠近其先前位置的相干位置，在抽取的情况下随机选择。 在基本结构的变化中，BETZ考虑了（a）初始背景协议的案件，（b）“有争议的”论证的案件，其中推出了支持支持者的立场或攻击对手的争论，以及（c）涉及六个代理人。 在两个系列模拟中，他跟踪了不同参数的共识辅助，以及假设特定的任务作为“真理” - 不同参数的真实性辅助。

在个人运行中，根据初始职位和参数，Betz发现，所建模的排序的参数可以增加或减少协议，并且可以跟踪真相或误差。 然而，在许多辩论中平均，Betz发现争议的论证特别是共识 - 有利，更好地追踪真相。[7]

3.2科学计算哲学

计算模型在两个不同方面的科学哲学中使用：（a）作为科学理论的模型，（b）作为集体科学研究的社会互动特征的模型。 下一节审查了每个的一些示例。

3.2.1科学理论网络模型

“科学的计算理念”作为Paul Thagard的1988年作为一本书名称。他的工作中央核心是一个连接主义回声计划，构建了科学解释的网络结构（1992,2012的Thagard 1992,2012）。 从“解释”，“矛盾”，“数据”和节点的状态和关系的输入，回声使用一组解释性连贯性原理来构建“粘性的节点之间的无向兴奋性和抑制链路网络”“以及”Incohere“的那些。 如果P1通过PM解释Q，例如，所有P1通过PM通过Q和彼此凝聚，例如，尽管相干的重量除以P1通过PM的数量。 如果P1与P2或P1和P2相矛盾是对同样现象的竞争解释的一部分，它们“Incohere”。

从初始节点激活开始，接近零，相干网络的节点在其旧的激活和来自链接节点的加权输入方面同步更新，其中“数据”节点设置为恒定输入1.一旦网络落到均衡，就是一个解释性的假设P1被采取如果其激活值更高 - 至少一般，而不是为负（图5），则击败另一P2。

E和P1每个都具有将它们连接到Q1和Q2的实线。 P2具有将其连接到P1的虚线，并将其连接到Q2的实线。

图5：用于假设P1和P2的回波网络以及证据单元Q1和Q2。 实线代表兴奋性链接，虚线抑制链接。 因为Q1和Q2是证据节点，他们采取了恒定的兴奋性值，从E.开始，从01的值开始，在Thagard的更新之后，一旦网络定居了一旦网络定居了P2：一个解释更多地解释其替代的假设。 从1992年改编自Thagard。

Thagard能够表明这种算法有效地回应了关于理论选择的一系列熟悉的观察结果。 解释更多地击败那些解释的人更少的假设，并且是更简单的假设是首选。 与简单的Popperian refoltion相比，只有在主导假设可用时，Echo只是一个假设。 在回声中实例化了解释性的基本方法，在回声中实例化，在科学史上的一些历史案例中，包括放弃汇位理论，支持氧气理论，达尔文革命，以及最终的胜利Wegener的板块构造和大陆漂移。

贝叶斯网络的影响越来越普遍，跨学科和技术应用应用程序只能与计算机组成。 在Judea Pearl（1988,2000; Pearl＆Mackenzie 2018）的工作中，贝叶斯网络是针对非循环图，其中节点代表了可以读取的变量或信仰程度和定向边的程度。作为“父母”到“儿童”的条件概率。 通过Markov惯例，节点的值独立于所有其他节点，这些节点不是其后代，其父母的条件。 标准教科书示例如图6所示。

一个图：链接到下面的扩展说明

图6：简单贝叶斯网的标准示例。 [图6的扩展描述在补充中。]

贝叶斯网络节点（例如，响应于证据）的值的变化通过在每个节点处应用的信仰传播算法来更新。 从父级输入的响应更新使用链路的条件概率。 父母对来自儿童输入的响应使用相关的似然比（另请参阅Bringsjord＆Govindarajulu 2018的贝叶斯网络补充[2019]）。 将一些变量作为假设和其他人作为证据，简单的核心科学概念可以轻松读取这样的结构。 简单的解释量，以显示变量“下游”的值如何取决于模式“上游”。 简单的确认金额增加了节点H的概率或信仰程度上游给出了一条证据E下游的证据。 评估竞争假设包括计算上游不同模式的比较概率（CharmenHAGA 2020,2023，Grim等人。2022A）。 在追查遭受“证据栏杆的贝叶斯网络的债务变化的动态，”据称，普通科学的正常科学的Kuhnian模式遵循独自的网络（Grim等人）。2022b）。

作为珍珠票据，贝叶斯网络只不过是涉及变量的巨大联合概率表的图形表示（Pearl＆Mackenzie 2018：129）。 然而，鉴于任何相当数量的变量，计算变得人类无法控制 - 因此，计算机的重要使用。 贝叶斯网络如此计算密集型的事实实际上是思科植物对人类认知处理的模型（1992：201）的模型而导致他们的意义。 但这并不是反对其他哲学解释的反对。 一个清晰的网络读数是因果图。 在科学哲学中的因果关系哲学问题，详细介绍了SPIRTES，GLYMOUR和SCHEINES（1993）和Hartmann（2019年）。 贝叶斯网络现在是人工智能的标准，应用中无处不在的应用程序，并且已经开发出强大的算法来提取来自可用量的大量数据的因果网络。

3.2.2科学通信网络模型

应该毫不惊讶的是，上述信仰变化和意见动态的计算研究平稳地扩展到一系列科学哲学的计算研究中。 在这里，一个中央激励问题是最佳调查结构之一：在哪些调查人员之间的科学沟通与合作的模式是最能够推进的科学？ 有两条科学的计算哲学，试图努力解决这个问题的答案。 第一个股线模型在组内交流网络的效果。 第二条股线左侧部分，模拟了组内认知多样性的影响。 本节概述了对既有有前途的型号建模，也是注释限制和一些故障。

人们可能认为更多调查人员访问更多数据将不可避免地优化寻求调查人员社区的真实目标。 在这种直觉上，更快，更完全的沟通 - 互联网的当代科学 - 将允许更快，更准确，更准确，更准确，更准确，更准确，更准确，更准确，更准确，更准确地探索自然。 然而，令人惊讶的是，这一模型的第一批股线为有限沟通的潜在益处提供了强大的论据。

本着理性选择理论的精神，大部分工作是由Venkatesh Bala和Sanjeev Goyal（1998）的无限种群的经济学分析工作的启发，在有限情况下为小群体进行了计算地实施，并有了一个Kevin Zollman（2007年，2010A，2010B）的哲学含义。 在ZOLLMAN的模型中，贝叶斯代理商在当前方法之间进行选择

φ

1

�

1

并将其设置为更好的方法

φ

2

，

�

2

，

从随机信念开始，允许代理商与最高主观效用进行调查行动。 代理人根据自己的测试结果的结果更新他们的信仰 - 从该行动的分布中汲取的结果 - 以及他们通信连接的其他代理的结果。 当所有代理商都收到了更好时，将成功了解的社区

φ

2

。

�

2

。

ZOLLMAN的结果如图7所示，图8中所示的三个简单网络。执行最佳的通信网络不是完全连接的网络，所有调查人员都可以访问所有其他结果，而是由环表示的最大分布式网络。 随着ZOLLMAN还显示，这也是需要实现收敛的最长时间的配置。 请参阅下面的其他Internet资源部分中的Zollman模型简化版本的互动模拟。

10人圈图：一个环中的10个点通过线轮图连接到其相邻点：一个环中的10个点，每个环通过一条线连接到其相邻点，每个都通过线条完整的图表连接到中心：10点在一个环中连接到所有其他点和中心。

图7：10人圈，轮和完整图。 Zollman（2010A）之后。

2-D图：链接到下面的扩展说明

图8：计算机模拟的学习结果：贝叶斯代理的环，轮子和完整网络。 改编自Zollman（2010A）。 [图8的扩展描述在补充中。]

Olsson和Angere的贝叶斯网络Laputa（上面提到）也已应用于科学沟通的最佳网络问题。 他们的结果基本上确认了ZOLLMAN的结果，虽然在更大范围的网络上采样（Angere＆Olsson 2017）。 具有低连接性的分布式网络是那些最可靠地修复真理的网络，尽管它们迫切需要慢得多。

在Zollman的原始版本中，所有代理都被设想为遵循相同更新规则的科学家。 该模型已扩展到包括沟通所有结果和行业宣传者的科学家，他们只选择性地沟通，只能达到他们的身份，为接受两者批次的政策制定者建立影响。 毫不奇怪，宣传师（以及一般选择性出版物）的活动可能会影响政策制定者是否能够找到真相，以便采取行动（Holman和Bruner 2017; Weatherall，Owen，O'Connor和Bruner 2018; O'Connor和Weatherall 2019）。

在这项研究中的核心重要性中也出现了认识景观的概念。 类似于生物学的健身景观（Wright 1932），认知景观提供了一个原则上可能在测试一系列假设（Grim 2009; Weisberg＆Muldoon 2009; Hong＆Page 2004，Page 2007）。 图9使用了通过测试替代医学处理来获得的数据示例。 在化疗 - 辐射平面中的这种曲线点代表辐射和化疗最有效组合的特定假设。 每个位置的图形高度代表了一些成功的衡量标准：例如，在该治疗中为5年生存的患者的百分比。

3-D图：链接到下面的扩展说明

图9：三维认知景观。 XZ平面上的点代表关于辐射和化疗的最佳组合的假设; y轴上的图形高度代表了一些成功的衡量标准。 [图9的扩展描述是补充。]

认识景观旨在成为正在探索现实世界现象的抽象代表。 当然，关键词是“摘要”：很少有人认为这样的模型在有限尺寸的简单性或一个假设具有明显更高的邻居的精度方面完全逼真。 与所有建模一样，目标是尽可能简单地代表与回答特定情况相关的情况：在这种情况下，最佳科学组织的问题。 认知景观 - 即使是那些简单的人也被认为是有希望的开始。 然而，如下面的概述，出现的更深层次的结论是对认知景观的特定地形可以是多么敏感的结果。

是否有一种科学沟通，可以在探索景观中优化其真实性目标？ 在一系列基于代理的模型中，代理商是沟通相关的探险者，位于认识景观（Grim，Singer等，2013）。 在这种设计中，模拟可用于探索网络结构，认知景观的形貌以及两者的相互作用的效果。

结果最简单的结果回应了在巴拉和哥本（1998年）和Zollman（2010A，2010B）中不同形式看到的模式，这里脱颖而出。 代理从随机假设以二维横向的x轴上的点开始。 它们将它们的结果（y轴的高度在那点）与它们是网络的其他代理商的结果。 如果一个网络邻居结果较高，则代理程序朝向该点的近似（在摇动手“的间隔），惯性因子（通常为50％，或移动半移动）。 所有代理商重复该过程，逐步探索景观，试图走向更成功的结果。

在图10中的前两个图表的形式的“平滑”景观中，图10所示的任何网络中的代理都成功地找到了景观的最高点。 结果对如图10中的第三图中包含“干草堆中的针头”的认知景观变得更加有趣。

第一个图中的第一个标记为“认知景观”，x和y轴都从0到100。这个是一个像曲线开始大约50的正弦曲线，然后在最终50后开始。 这具有更不规则的曲线，然后在小倾角之前下降，然后在浸渍之前更多。 第三图：这条线在尖锐的尖锐之前尖锐的尖锐下降，前几乎归零（'针'），那么类似于第二图，再次向上倾斜，最终倾斜

图10：二维认知景观。