关于认知规范的认知效用论证 epistemic utility arguments for epistemic norms (Richard Pettigrew)
首次发表于 2011 年 9 月 23 日星期五;实质性修订于 2023 年 10 月 11 日星期三
如果我相信乔治·艾略特写了六部以上的小说,同时又相信她写了少于四部,无疑你会认为我的信念是不理性的。毕竟,如果她确实写了六部以上,那么她就不会写少于四部。同样地,如果我相信艾略特写的小说超过六部的程度大于我相信她写的小说超过五部的程度,那么你也会认为我是不理性的。毕竟,如果她写了六部以上,那么她也写了五部以上。在这两种情况下,我都未能满足一个普遍的规范。在第一种情况下,可能是这样的:
如果两个命题不能同时为真,你不应该相信两者。
在第二种情况下,可能是这样的:
如果一个命题蕴涵另一个命题,则您对第一个命题的信念程度不应超过您对第二个命题的信念程度。
这篇文章关注的是这样的规范。更具体地说,它关注我们如何确立这些规范。更具体地说,它关注认识论学家所谓的认知效用论证。我们试图确立的规范主要管理认知状态;也就是说,它们规定了理性要求你的信念、信念程度以及其他旨在代表世界现实的态度。但正如我们将看到的那样,它们也管理着我们获取这些状态的活动,比如收集和回应证据。
认知效用论证受传统效用论的启发,因此让我们先快速总结一下传统效用论。传统决策理论探讨了一种特定策略,用于建立规范,规定在特定情况下个体做出哪些选择是理性的(参见规范理性选择理论条目:期望效用)。在这种情况下,该理论的框架包括:以尽可能详细描述的世界状态;在该情况下个体可以选择的行动;以及个体的效用函数,该函数接受一个世界状态和一个行动,并返回一个衡量她评价在该世界执行该行动的结果程度的值。我们称这个衡量为该世界的结果的效用。例如,可能只有两个相关的世界状态:一个是下雨,一个是不下雨。可能只有两个相关的可供选择的行动:出门时带伞或不带伞。然后,您的效用函数将衡量您在每个世界状态下对每个行动结果的价值:也就是说,它将给出在下雨没有伞时的价值,下雨有伞时的价值,没有下雨有伞时的价值,以及没有下雨没有伞时的价值。有了这个框架,我们可以用它来陈述某些非常一般的行动规范。例如,如果一个行动在每种可能的世界状态下的效用严格大于另一个行动,我们说第一个强支配第二个,并且支配规范说您不应选择一个被强支配的行动。
在认知效用理论中,世界的状态保持不变,但个体可能执行的可能行动被可能的认知状态所取代,效用函数被认知效用函数所取代,该函数接受一个世界状态和一个认知状态,并返回在该世界状态下该认知状态的纯认知价值的度量。因此,在认知效用理论中,我们借助认知效用来询问在一系列可能的认知状态中,理性应该处于哪种状态,就像在传统效用理论中,我们借助非认知的实用效用来询问在一系列可能的行动中,理性应该执行哪种行动。(实际上,在本条目中,我们经常谈论认知反效用而不是认知效用。但在它们之间进行翻译很容易:认知效用函数的负值是认知反效用函数,反之亦然。)
认知效用论证中可能会陈述某些非常普遍的规范,例如从上面的支配的明显类比:如果在世界的每种可能状态下,一个认知状态的认知效用大于另一个认知状态,那么处于后者是不理性的。我们可以利用它们来建立认知状态的规范。例如,考虑介绍中的一致性 2。假设相信真理的认知效用是某个正数 R,而相信谬误的认知效用是某个负数-W(R 代表正确,W 代表错误)。假设一组信念的认知效用只是属于它的个别信念的认知效用之和,因此,例如,如果你相信两个真理和一个谬误,你的认知效用就是 2R-W。现在假设 W 大于 R;也就是说,相信错误的不良性大于相信真实的善性;也就是说,我们更强烈地希望避免错误信念,而不是想要获得真实信念;也就是说,我们的认知效用编码了一种认知保守主义。然后,如果我相信两个命题中的每一个,这两个命题不能同时为真,我的总认知效用要么是 R-W,如果一个为真,另一个为假,要么是-2W,如果两者都不为真。而这两者都小于零。因此,在两者上都保持判断比相信两者都更好是有保证的。因此,通过支配,相信两者都是不理性的,我们对一致性 2 有一个认知效用论证。这是我们将在本词条中考虑的论证风格。正如我们将在第 5.2 节中看到的,从支配到无下降也有一个论证。
由于我们所诉诸的是我们考虑的认知状态的纯粹认知效用,而不是它们引导我们做出选择的结果的实用或实际效用,认知效用理论的论证与赌注论证或荷兰书论证(Ramsey 1926 [1931]; de Finetti 1937 [1980]; 参见荷兰书论证词条)不同。它们也不同于像 Cox 的定理(Cox 1946, 1961; Paris 1994)所体现的公理证明的类型,以及 R. I. G. Hughes 和 Bas van Fraassen(1984)以及 Hannes Leitgeb(2021)提供的结构性证明类型。
认知状态建模
让我们从列举不同的方式开始,我们可以用来表示个体在特定时间的认知状态(参见信念的形式表示条目)。我们可以使用以下任何一种来表示它们:
她在那个时候相信的命题集合(我们可以称之为直接信念模型;这是许多传统认识论、信念论和认知逻辑研究的对象;直接信念是我们在说“我想我关掉了煤气”或“我相信明天会下雨”时报告的那些;我们将在第 4 节中考虑它们); 在那个时候她相信的命题集合(我们可以称之为直接信念模型;这是许多传统认识论、信念论和认知逻辑研究的对象;直接信念是我们在说“我想我关掉了煤气”或“我相信明天会下雨”时报告的那些;我们将在第 4 节中考虑它们);
一个信任函数,它接受她对每个主张的看法,并返回她在那个时间对该主张的信任度,她对一个主张的信任度衡量了她对其的信心程度,作为一个至少为 0 且至多为 1 的数字(这是精确信任度或标准贝叶斯模型;这是许多形式和贝叶斯认识论研究的对象;当我们说“我有 70%的把握关掉了煤气”或“我对明天是否下雨持 50-50 的看法”时,我们报告的状态是信任度;我们将在第 5 节中考虑它们);
一个比较信心排序,它针对她对每对命题持有意见的情况,判断她对其中一方的信心是否更高,对两者一样有信心,或者对其中一方没有更高的信心,也不对两者一样有信心(这就是比较信心模型;当我们说“我更有信心我关掉了煤气而不是电”或者“我比不相信更有信心明天会下雨”时,我们会报告比较信心;我们将在第 6 节中考虑它们);
一组置信函数,每个函数都是她在那个时候模糊、不精确或不确定的置信的明确说明(这是不精确置信模型;当我们说“我有 50%–70%的把握关掉了煤气”或“我不到 60%的把握明天会下雨”时,我们报告不精确的置信;我们将在第 7 节中考虑它们);
认知效用理论可以应用于代表个体认知状态的任何一种方式。无论我们选择哪种方式,我们定义一个认知(不)效用函数为一个函数,它接受以这种方式建模的一组认知状态,以及世界的一个状态,输出一个实数,或(正或)负无穷大,并且我们认为这个数字衡量了那个世界上那些认知态度的认知(不)效用。
2. 认知效用理论中的论证形式
我们首先要强调认知效用论证的形式,无论我们关心哪种认知状态。回想一下导论中对一致性的论证。它有两个前提:首先,我们对认知效用的衡量设置了条件;其次,我们陈述了标准效用理论中的一个规范。从这些中,我们推导出了信念的规范。这几乎是所有认知效用论证的结构。一般来说,在认知效用理论中,我们使用以下两个要素来论证一个认知规范 N:
认知效用论证必须满足的一组条件。
Q 标准效用理论(或决策理论)的规范,应用认知效用函数,以发现在特定情况下对代理人的理性要求。
通常,从 E 和 Q 推导到 N 的推理依赖于一个数学定理,该定理表明,应用于满足条件 E 的任何认知效用函数时,规范 Q 蕴含规范 N。
3. Agendas and States of the World3. 议程与世界的状态
在我们开始穿越论证之旅之前,最后一个一般性的舞台设定将会很有用。在第 1 节列出的每个信念模型中,都有一组命题,我们的个体认知状态与之相关:例如,在精确信念模型中,他们分配置信度的那些命题。我们称这组为他们的议程,通常表示为 F。
大多数情况下,我们将假定这个议程是一个有限的命题代数。也就是说,(i)它包含有限数量的命题;(ii)它包含一个必然真命题和一个必然假命题;(iii)并且它在取否定、合取和析取方面是封闭的——也就是说,如果它包含一个命题,那么它也包含它的否定,如果它包含两个命题,那么它也包含它们的合取和它们的析取。(但请参见第 5.2.5 节,在那里我们取消了假设(i)。)
个人认知态度集合的认知效用取决于世界的方式。例如,如果一个信念是真实的,那么它在认知上是有价值的,但如果它是错误的,那么它就是没有价值的。因此,我们最好说一下我们如何正式地表示这些世界的状态。在大多数情况下,我们将假设统治我们个人议程中命题的逻辑是经典的(但请参见第 5.2.6 节,在那里我们放弃了这一假设)。在这种情况下,相对于议程的世界状态只是将经典真值 True 和 False 分配给该议程中的命题的一个经典一致的分配。我们经常用 WF 来表示相对于议程 F 的世界状态集合。
由于 F 是有限代数,对于 F 相对于世界 w 的每个状态,存在一个在该世界状态下为真且仅在该世界状态下为真的命题。我们会滥用符号,也将 w 写为这个命题。
认知效用论证涉及直接信念
在绝对信念模型中,我们个体的认知状态由其信念集表示,其中包含他们相信的议程中的每个命题;在其他方面,我们说他们暂时保持中立。
根据 Kenny Easwaran (2016)和 Kevin Dorst (2017)的研究,二者又概括了 Carl Hempel (1962)的方法,我们定义了世界状态下信念集的认知效用如下:对真命题的信念的认知效用为 R,对假命题的信念的认知效用为-W,其中 0<R,W;而信念集的认知效用是它所包含的信念的认知效用之和。我将其称为詹姆斯认知效用假设,因为它允许以不同方式评分相信真理的好处和相信谬误的坏处,这在解释威廉·詹姆斯的《相信的意志》(1897)中有所帮助。
Easwaran 和 Dorst 对 R 和 W 没有任何限制,除了 −W<0<R。Hempel 假设 R,W=1。
4.1 主导性与一致性
因此,有了这一切,Consistency2 的论证如下:
认知保守主义 W>R>0.
如果一个选项明显优于另一个,理性要求你不选择第二个。
因此,
如果两个命题不能同时为真,理性要求你不应该相信两者。
4.2 预期的认知效用和洛克式命题
支配性是理性选择的一个非常弱的规范,但也有更强的规范。其中一个最流行的决策理论规范之一是,你应该从你的信念角度最大化预期效用。
最大化主观预期效用 如果一个选项从您的信念角度来看比另一个具有更大的预期效用,那么理性要求您不应选择第二个。
相对于您的信任度,一种选择的预期效用是通过考虑每个状态下的效用,将其乘以您对该状态的信任度,并总结这些信任度加权效用来获得的。例如,假设 p 是您对一个命题的信任度,而 1−p 是您对其否定的信任度。那么从您的信任度角度来看,相信该命题的认知效用是 (Epistemic Utility Arguments to 认知效用论证)。
认知效用论证 相信错误的认知效用=pR+(1−p)(−W)
现在我们可以问,当相信一个命题从你的信念角度最大化预期效用时。
对于洛克论题的期望定理(Hempel 1962; Easwaran 2016; Dorst 2017)假设你对 X 的信心度为 p。那么:
如果 p>WR+W,则相信 X 独特地最大化了预期认知效用。 (也就是说,相信比暂停具有严格更大的预期效用。)
如果 p=WR+W,则相信 X 和暂缓对 X 的判断都最大化了预期认知效用。 (也就是说,相信与暂缓具有相同的预期效用。)
如果 p<WR+W,则对 X 持保留意见独特地最大化了预期认知效用。(也就是说,相较于相信,持保留意见具有严格较低的预期效用。)
Easwaran 和 Dorst 都援引这一结果来支持洛克论题,这是连接信念和明确信念的最著名规范。它的名称源自约翰·洛克(1689 [1975])的《人类理解论》中的段落,他在其中暗示信念仅仅是足够高的信心,但是由理查德·福利(1992)明确制定。事实上,洛克论题是一组假定规范:家族中的每个成员都由其要求信念的阈值、要求暂停的阈值以及允许的阈值来区分。
洛克论题与阈值 t
假设您对 X 的信任度为 p。
如果 p>t,你理性上有必要相信 X;
如果 p=t,你在理性上被允许相信 X,并且在 X 上被允许暂停;
如果 p<t,你理性上被要求暂停在 X 上。
然后我们有以下论证:
詹姆斯的认知效用 0<R,W.
因此,
4.2.1 预期认知效用、独特性命题和认知许可主义
Thomas Kelly (2014)指出,这一论证对认识论辩论中支持“唯一性命题”的人和支持认知许可主义的人之间的辩论有一个有趣的结果。鉴于某种认知状态,该状态的“唯一性命题”如下运行:
鉴于一个议程,以下内容成立:对于任何证据体,存在一个唯一的认知状态,关于议程中的命题,如果那个证据体是你的全部证据,理性要求你拥有这种状态。
认知许可主义简单地是否定了唯一性命题。例如,对于置信度的唯一性命题来说,它表明,对于任何议程和任何证据,存在一个唯一的置信度函数,根据该证据,理性要求你拥有这样的置信度函数;而认知许可主义则表示,至少存在一个证据体系,对于该证据,有多个置信度函数是对其合理的响应。
现在,假设您订阅了关于信念的唯一性论题。但您也认为,理性允许您以不同的方式设定相信真实性的效用 R 和相信虚假性的效用-W。例如,您可能认为 R=1,W=2 是允许的,但 R=2,W=3 也是如此。假设命题 X 的唯一理性信念是 0.65。最大化预期认知效用与 R=2,W=3 意味着 Locke 论题的阈值为 32+3,这要求您相信 X,因为 0.65>32+3;但最大化预期认知效用与 R=1,W=2 意味着 Locke 论题的阈值为 21+2,这要求您对 X 持保留态度,因为 0.65<21+2。因此,我们对于明确信念存在认知许可主义,尽管我们对于信念的唯一性论题。理性要求您持有的信念取决于您的证据,也取决于您的认知效用。一般来说,R 与 W 的比率越小,您对一个命题的信念就必须越高才能相信它。
4.2.2 预期认知效用和一致性
根据上述要求将文本翻译成简体中文:Expectation Theorem 对 Lockean 论题的另一个有趣的结果是,它表明我们无法从支配性得出对一组任意多命题的一般化的论证;我们只能对 n 个命题进行一般化,对于某个给定的 n,通过在我们的认知效用上变得越来越保守来实现(Fitelson & Easwaran 2015; Easwaran 2016)。
说一个命题集是不一致的,如果其中的命题不能同时都是真的。然后我们有以下两个规范:
如果 A 是一个包含 n 个或更少命题的不一致集合,那么理性要求你不应该相信 A 中的每个命题。
如果 A 是一个不一致的有限命题集合,那么理性要求你不应该相信 A 中的每个命题。
取任意 n,并假设有一个包含 n 张彩票的彩票,每张彩票都有同等机会成为赢家。让 Li 表示第 i 张彩票会输的命题。那么命题集合{L1,…,Ln}是不一致的。尽管如此,如果我对每个 Li 的确信度为 1−1n,正如应该的那样,而 Lockean 阈值 t 低于 1−1n,那么具有阈值 t 的 Lockean 命题说我必须相信这个不一致集合的每个成员。此外,我们知道,从那些确信度的角度来看,相信每个人都会最大化预期的认知效用,前提是 WR+W 小于 1−1n。我们也知道,没有任何强支配选项可以最大化预期效用。因此,如果 W <(n−1)R,因此 WR+W<1−1n,则可能存在一个不被支配的 n 个命题的不一致信念集。这反过来表明,从支配到一致性的论证是不可能的。对于任何 W> R>0,都存在某个 n,使得 WR+W<1−1n。另一方面,如果 n<R+WR,则至少可以从支配论证到一致性,因为相信 n 个不一致命题中的每一个的最大认知效用是(n−1)R−W,如果 n<R+WR,则始终小于零。
4.3 主导性和几乎洛克完备性
丹尼尔·罗斯柴尔德(2021)提出了一种从支配性到一个他称之为“几乎洛克完备性”的规范的论证,用于阈值处的信念集合
对于具有阈值 t 的信念集合的几乎洛克完备性 理性要求存在某种概率信任函数,使得您的信念相对于该信任函数满足具有阈值 t 的洛克论题。
洛克论题和信念集的几乎洛克完备性值得注意,它们是完全不同的规范。第一个规范了你的信心和信念之间的关系;而第二个甚至不假设你有任何信心,而是仅规范你的信念——它说你的信念应该如同你若有信心,并且它们与你的信念的关系应该如同洛克论题所说的那样。
这是罗斯柴尔德的论点。在上文中,我们假设不同命题中真实信念的认知效用相同,虚假信念也是如此。但我们可能会对不同命题的态度进行不同评分:对于 X 的真实信念为 RX,虚假信念为 −WX;对于 Y 的真实信念为 RY,虚假信念为 −WY;依此类推。例如,如果 X 涉及正确的物理基本理论,我可能设定 RX=10,WX=20,而如果 Y 涉及海德公园草坪上的草叶数量,我可能设定 RY=1,WY=2。这可能反映了 X 比 Y 更重要。现在,如果 WXRX=WYRY,对于任意两个命题 X、Y,我们称认知效用具有统一比率。在这种情况下,如果我们最大化期望效用,那么每个命题的洛克阈值都是相同的。但支配性又如何呢?罗斯柴尔德证明了以下结果:
信念集合的几乎洛克完备性的支配定理(Rothschild 2021)信念集合满足几乎洛克完备性,当且仅当不存在一组认知效用,其统一比率下,该对被强支配。
我在附加材料中概述了证明。
这个论点存在一个问题:要从几乎洛克完备性的支配定理中得出几乎洛克完备性,需要一个决策理论规范。它会说,相对于任何具有统一比率的认知效用集合而言,被支配是不理性的。但这个规范并不具有说服力。为什么要关心相对于不属于自己的认知效用而被支配呢?
更新您的信念当您收到证据时
我们在本节中考虑的所有规范都是同步的:也就是说,它们说明了在某一特定时间点上,你的信念需要什么样的理性。在这一部分,我们转向了历时规范:它们说明了在一个时间点上你的信念与另一个时间点上你的信念之间的关系需要什么样的理性,通常是当你在这两个时间点之间学到了一些证据时。我们将研究两组信念更新的规范:AGM 信念修订(第 4.4.1 节)和 Plan Lockean 修订(第 4.4.2 节)。
4.4.1 AGM 信念修正
AGM 信念修正是由 Carlos Alchourrón, Peter Gärdenfors 和 David Makinson(1985)引入的一组假定规范,用于管理完全信念;它包括同步和历时规范(见信念修正逻辑条目)。同步规范是这些,它们适用于在您获得新证据之前和之后:
如果 A 是一个由有限多个命题组成的不一致集合,那么你不应该相信 A 中的每个命题。
如果 X 是 A 中命题的逻辑结果,那么你不应该相信 A 中的每个命题而不相信 X。
我们已经看到,我们无法从认知效用的角度为这两者之一提供论证。但也许我们可以从历时规范的角度做得更好。这些规范管理着一个信念更新运算符 ⋆,它接受您的信念集合 B,以及给出您学到的证据 E 的命题,并返回 B⋆E,这是您学到 E 后的新信念集合。AGM 假设陈述了理性所要求的以下内容:
成功 E 在 B⋆E 中。也就是说,学习一个命题后,你应该相信它。
包含 B⋆E⊆Cn(B∪{E}), 其中 Cn 接受一组命题并返回其逻辑闭包。也就是说,只有当一个命题是先前所相信的内容和你学到的命题的逻辑推论时,你才应该相信这个命题。
如果 B 和 E 是一致的,那么 B⊆B⋆E。也就是说,如果你学到的东西与你先前相信的东西一致,那么在学习时不应该放弃你先前相信的任何东西。
如果 E 和 F 在逻辑上等价,则 B⋆E=B⋆F。也就是说,学习两个在逻辑上等价的命题中的任意一个应该以相同的方式改变你的信念。
根据 Shear 和 Fitelson(2019)的展示,我们可以通过最大化预期认知效用来证明成功、包容性和外延性。为了做到这一点,我们注意到,正如我们将在第 5.3 节中证明的那样,有一个标准规范被认为指导我们如何根据新证据更新我们的信念。它被称为条件化,它表明,如果您对命题 E 分配了正面信念,然后确实了解到 E 作为证据,那么您对命题 X 的新信念应该是您对 E 给定 X 的旧条件信念的比率,其中定义为您对 X 和 E 的信念与您对 E 的信念之比;换句话说,它是您对 E 的旧信念中您也分配给 X 的比例。因此,您可能认为(i)您应该通过最大化与您的原始信念相关的预期效用来设置您的原始信念,以及(ii)在学习证据后通过最大化与您的新信念相关的预期效用来设置您的新信念,这些新信念是通过根据条件化更新您的证据获得的。这样做可以确保成功、包容性和外延性。它并不能确保保全性,因为学习一个与您对所有命题分配的信念高于某个阈值的命题一致的新命题可能会导致您将对其中一个命题的信念降低到低于该阈值。
4.4.2 几乎洛克完备性用于更新计划
帕特里克·鲁亚克斯(ms)延伸了罗斯柴尔德对洛克论题的论证,从而确立了一种几乎洛克完备性的版本,但适用于信念集合和更新计划的组合。其思想是这样的:假设你即将了解一些新证据。你不知道它是什么,但你知道它将是命题 E1,…,Ek 中的一个,这些命题一起构成一个分割——也就是说,这些命题是穷尽的且互斥的。那么,除了你的先验信念集合,我们将其称为 B,你应该制定一个更新计划,以便对你可能收到的每个可能的证据做出响应;对于每个 Ei,这应该给出你计划拥有的信念集合 βEi,如果 Ei 是你了解的命题。然后以下规范统治这个计划:
几乎洛克完备性对于具有阈值 t 的计划要求存在一个概率信任函数,使得:
如果它分配给 X 的无条件信任大于 t,则 X 在 B 中;如果小于 t,则 X 不在 B 中
对于每个 Ei,如果它分配给 X 在 Ei 条件下的置信度大于 t,则 X 在 βEi 中;如果小于 t,则 X 不在 βEi 中。
这意味着,在你获得新证据之前,你需要遵守洛克定律论点的特定门槛和一些概率信任函数,并且在某些无条件信任方面遵守它;在你收到证据后,你需要计划在相同门槛下遵守它,并在那时根据你所学到的证据的条件信任来遵守它。
Rooyakkers 的论证与 Rothschild 的形式相同。他在假设一个由先验信念集合和信念计划组成的对的认知效用在一个世界上应该是先验信念集合在该世界上的认知效用与如果你在该世界上学习到该分区中为真命题时计划认可的后验信念集合的认知效用之和的基础上证明了以下内容:
支配定理对于几乎洛克完备性计划(Rooyakkers ms)一个先验信念集和一个信念计划一起满足几乎洛克完备性计划,当且仅当没有一组认知效用具有统一比率,使得这对在其下被强支配。
认知效用论证对于精确置信度的论点
在精确信念模型中,我们通过他们的信念函数来表示个体的认知状态,该函数接受他们议程中的每个命题,并返回至少为 0 且最多为 1 的实数,该实数衡量了他们对该命题的信念强度或信心程度。在数学符号中,C:F→[0,1]。
我们将在下面遵守概率主义的规范,但在这里说明信念函数是概率的意义将是有帮助的,这样我们可以在接下来的部分中使用这个概念。假设 C 是在议程 F 上定义的信念函数。那么,如果 F 是一个代数,那么 C 是概率的如果
正常性:C(⊤)=1,如果 ⊤ 是一个重言式;而 C(⊥)=0,如果 ⊥ 是一个矛盾。
有限可加性:对于所有在 F 中互斥的 X 和 Y,C(X∨Y)=C(X)+C(Y)。
认知效用论证中的另一个术语将在下文中派上用场。一系列信任函数的混合物是它们的加权和。也就是说,给定一系列信任函数 C1,…,Cn 和一系列权重 0≤λ1,…,λn≤1,它们的总和为 1,我们定义这些信任函数的混合物为 λ1C1+…+λnCn,其中对于每个 X,(λ1C1+…+λnCn)(X)=λ1C1(X)+…+λnCn(X)C1,…,Cn 的直接混合是每个都获得相同权重的混合。如果一系列信任函数中的每一个都是概率的,那么它们的任何混合也是概率的。
认知效用论证的认知效用函数
在精确信念模型中考虑的状态的认知效用函数取决于议程上的信念函数和相对于该议程的世界状态,并返回一个实数或-∞ 或 ∞,用于衡量该信念函数在该世界状态下的认知效用。其中最流行的认知效用函数之一是 Brier 分数。为了定义它,我们首先定义了一个单个命题中的单个信念的认知效用度量,然后使用它来生成关于议程上整个信念函数的认知效用度量。单个信念的认知效用度量被称为评分规则。假设 s 是一个评分规则。然后,给定一个信念 p:
s(1,p) 给出了对真命题持有信念 p 的认知效用
s(0,p) 给出了对错误命题持有信念 p 的认知效用。
这是二次评分规则
q(1,p)=−(1−p)2
q(0,p)=−p2
如果一个命题是真的,那么置信度 1 就是对它的理想置信度;如果它是假的,那么置信度 0 就是理想的。二次评分规则表明,一个置信度的认知不利是它与理想值之间差值的平方,而认知效用则是其负值。因此,一个置信度的认知效用是它与特定距离测量方式下的理想置信度的接近程度。
整个信任函数的 Brier 分数然后被定义为分配的信任度的二次分数的总和。所以:B(C,w)=∑X∈Fq(Vw(X),C(X))=−∑X∈F(Vw(X)−C(X))2 其中 Vw(X)=1 如果 X 在 w 处为真,Vw(X)=0 如果 X 在 w 处为假。我们可以将 Vw 视为在世界 w 的理想或全知信任函数。
二次评分和布里尔评分在关于精确信念的认知效用论证中具有一定的重要性
首先,评分规则的属性:
连续性(用于评分规则)我们说得分规则 s 是连续的,如果 s(1,p)和 s(0,p)在 [0,1] 上都是 p 的连续函数。
严格适当性(用于评分规则)我们说得分规则 s 是严格适当的,如果对于任意 0≤p≤1,ps(1,x)+(1−p)s(0,p)在 x=p 处唯一最大化。(也就是说,每个概率都期望自己在认知上是最好的。)
第二,认知效用函数的属性:
连续性(对于认知效用函数)我们说,如果认知效用度量 EU 是 C 的连续函数,那么在相同议程上定义的信任函数集合上,EU(C,w)是连续的。
严格适当性(对于认知效用函数)我们说,如果对于定义在 F 上的任何概率信任函数 P,∑w∈WFP(w)EU(C,w)在 C=P 处唯一地被最大化,则认知效用度量 EU 是严格适当的。(也就是说,每个概率信任函数都期望自己在认知上是最好的。)
Extensionality (for epistemic utility functions) 我们说,如果一个认知效用度量 EU 是外延的,那么当 C 是 F 上的概率函数,π 是 WF 中世界的一个排列时,EU(C,w)=EU(π(C),π(w)),其中 π(C)(w)=C(π(w))。
认知效用函数的可加性 我们说,如果对于 F 中的每个 X,存在一个评分规则 sX,使得一个认知效用度量 EU 是可加的
EU(C,w)=∑X∈FsX(Vw(X),C(X))
整个信念函数的认知效用是各个信念的认知效用之和,其中这些可以由议程中每个命题的不同评分规则给出。
假设 EU 是可加的。那么(i)EU 是连续的当且仅当每个 sX 是连续的;以及(ii)EU 是严格适当的当且仅当每个 sX 是严格适当的。
使用具有这些属性的评分规则和认知效用函数的各种论证的详细讨论可以在补充材料中找到。它们大致分为两种类型。
第一类论证基于对认知价值的真理主义解释,即认为认知价值的唯一基本来源是乔伊斯(1998)所称的渐进准确性。其观点是,对真命题的信念在认知上更准确,因此更有价值,而对错误命题的信念在认知上更准确,因此在认知上更有价值,只要它更低。换句话说,在一个世界上理想的信念函数是该世界上的全知信念函数,它对所有真实性赋予最大的信念,对所有虚假性赋予最小的信念;而你的信念函数越接近这个理想,就越准确,因此在认知上更有价值。因此,对于真理主义者来说,认知效用函数衡量了信念函数的准确性,而描述合法的认知效用函数就是描述衡量准确性的合法方式。
乔伊斯(1998)提供了一个这样的描述,基于他逐个证明的一系列公理。Leitgeb 和 Pettigrew(2010)提出了一个关于 Brier 分数的论证,基于避免某种类型的理性困境的要求。D’Agostino 和 Sinigaglia(2010)提出了另一个关于认知效用函数的论证,基于准确性接近理想信念函数的想法。Pettigrew(2016)也以这种方式考虑准确性,但提出了关于加法和连续严格适当的认知效用函数的论证,基于 Frank P. Ramsey(1926 [1931])的建议,将准确性和校准联系起来,Williams 和 Pettigrew(2023)改进了这一描述。基于对准确性的实用理解,其中信念的效用是通过它为您带来的实际决策而获得的实用效用,Levinstein(2017)借鉴了 Mark J. Schervish(1989)的技术结果来描述加法和连续严格适当的评分规则。并根据 Sophie Horowitz(2017)的建议,信念函数的认知价值是它将许可您进行的受教育猜测的质量,如果您面临在各种命题之间猜测的强制选择,Gabrielle Kerbel(ms.)认为信念的准确性是您的信念许可的猜测在广泛范围的强制选择中的平均质量,并表明这产生了一个加法和连续严格适当的认知效用函数。
第二类论证并不致力于特定的认知价值观。相反,它直接论证,无论认知价值的来源是什么,对其进行衡量的标准应具备某些特性。例如,Joyce (2009) 认为,认知价值的衡量应严格适当,即:如果一种认知效用的衡量不是严格适当的,那么就会存在一个概率信任函数,它并不认为自己在认知上是最佳的。由于这个原因,该信任函数就不能是对任何证据的唯一合理反应,因为它认为另一种选择同样好,因此具有该信任函数的人可以理性地转向另一种选择。但是,对于任何概率信任函数,都存在一组证据,对这组证据它是唯一合理的反应。因此,我们产生了矛盾。因此,每一种合法的认知效用衡量都是严格适当的。Hájek (2008) 批评了这一论证,而 Pettigrew (2016) 则为 Joyce 辩护。
我们现在转向对认知效用函数这些描述的一些一般性反对意见。
5.1.1 The Varying Importance Objection5.1.1 不同重要性异议
根据加法性,许多认知效用论证的观点认为,整个置信函数的认知效用是它包含的各个置信的认知效用之和;而哪种评分规则衡量一个命题在一个世界中的认知效用可能取决于该命题,但不取决于世界。这使得真理主义者能够适应某些命题的准确性对我们比其他命题的准确性更重要的事实:我可能认为关于我草坪上有多少根草的命题的准确性不如关于宇宙基本常数的命题重要。在这种情况下,我可以简单地将置信函数的准确性视为各个置信的认知效用的加权和,对我而言,对准确性更重要的命题给予更大的权重。但是 Ben Levinstein(2018)认为,一个命题的重要性有时确实取决于我们所处的世界:在我遇见某个特定的人并爱上他们的世界中,关于他们幸福的命题对我非常重要,我的置信在这些命题中的认知效用应该对整个置信函数的认知效用有很大贡献;另一方面,在我从未遇见那个人的世界中,这些命题的重要性大大降低,我的置信在这些命题中的认知效用对我总体认知效用的贡献也相应减少。因此,我们分配给各个置信的分数的权重也必须取决于世界;这是加法性所排除的。Levinstein 进一步指出,如果我们允许权重随着世界的变化而变化,那么得到的认知效用度量就不再严格适当,实际上,如果我们使用它,我们将在第 5.2 节讨论的从优势到概率主义的论证将失败。
5.1.2 The Verisimilitude Objection
格雷厄姆·奥迪(2019)认为,有一种认知价值的来源无法被满足上述条件的任何认知效用函数所捕捉;这就是近似真实的优点(见真实性条目)。他的观点最容易通过一个例子介绍。假设我对苏里南国旗上有多少颗星感兴趣。我对三个命题有信念:一、二和三。实际上,国旗上确实有一颗星,因此在实际世界上,一是真实的,而二和三是错误的。现在考虑这三个命题上的两个不同的信念函数:
认知效用论证
因此,C 和 C′都将信任分配为 0 给真命题 One;他们确信旗帜上有两颗或三颗星,但是 C 将其信任均匀分布在这两个错误选项上,而 C′则确信第一个选项。根据奥迪(Oddie)的观点,C′在实际世界中比 C 具有更高的真实性,因为它对一个虽然错误但更接近真实的命题 Two 分配了更高的信任度,并对一个虽然同样错误但不太接近真实的命题 Three 分配了较低的信任度。基于这一点,他认为任何关于认知不利性的度量都必须判断 C 比 C′更糟。然而,他指出,几乎所有在认知效用理论中认可的渐进准确性度量都不会以这种方式判断:它们会认为 C′比 C 更糟。实际上,那些这样判断的度量也会在其他方面不尊重真实性。杰弗里·邓恩(Jeffrey Dunn,2018)和米里亚姆·舒恩菲尔德(Miriam Schoenfield,2019)对奥迪的论点做出了回应。
5.1.3 The Numerical Representability Objection5.1.3 数值可表示性异议
我们已经考虑了多种不同的合法认知效用测量方式的表征。每种方式都假定这些数量的测量是可以用数字来表示的;也就是说,每种方式都假定使用实数来测量这些数量是有意义的。Conor Mayo-Wilson 和 Greg Wheeler 对这一假设提出了质疑(Mayo-Wilson & Wheeler, ms.)。他们认为,为了将一个数量以数字形式表示,您需要在测量理论中为其证明一个表示定理。而且,如果您希望将该数量用作效用的度量,或者作为效用度量的一个组成部分,您不仅需要为该数量本身证明一个表示定理,还需要为其在期望效用计算中的使用证明一个表示定理。他们指出,这正是冯·诺伊曼和莫根斯滕以及萨维奇和杰弗里的表示定理的目的(参见关于理性选择规范理论的条目:期望效用)。他们认为,这些作者使用的方法并不适用于认知效用论证的支持者。
5.2 认知效用论证对概率主义的支持
根据第 2 节中描述的认知效用论证结构,概率主义的论证包括三个组成部分:认知效用的解释,指定该数量的合法度量范围;决策理论规范;以及一个数学定理,从决策理论规范推导出认知规范,当选项是信念函数且效用是认知效用时。
概率主义理性要求您在任何给定时间的信任函数是概率的。
概率主义是贝叶斯观点在信念认识论中的几个规范之一。其支持的认知效用论证依赖于对我们上面提到的支配规范的轻微削弱。我们说,如果一种选择在世界的所有可能状态下都更好,那么它强烈支配另一种选择;如果一种选择在所有状态下至少与另一种选择一样好,并且在某些状态下更好,我们说它弱支配。
如果一个选项被另一个选项强势支配,而后者本身甚至不是弱势支配的,那么理性要求你不应该选择第一个选项。
我们同样借助数学定理来从认知效用和决策理论规范的描述中推导概率主义。该领域中最强大的定理是:
概率主义的支配定理(de Finetti 1974; Savage 1971; Predd, et al. 2009; Pettigrew 2022; Nielsen 2022)假设我们的认知效用函数是连续且严格适当的。然后
每个在特定议程上定义的非概率信念函数都被在该议程上定义的概率信念函数所强烈支配。
在特定议程上定义的任何概率信任函数都不会被在该议程上定义的任何信任函数所弱支配。
请查看附加材料,了解(i)的证明是如何从凸壳的支配定理中得出的草图。
因此,我们对概率主义的论证如下:
认知效用论证
因此,
我们现在转向对这一论证的反驳。
不同的支配者反对论
现有的合法认知效用函数的许多表征都表征了这样一组度量;它们并没有将领域限制在单一的认知效用函数上。但是,就概率主义的支配定理而言,对于给定的非概率信念函数,可能会有不同的认知效用函数在这样一个家族中给出不同的信念函数集合,这些信念函数支配它。因此,一个具有非概率信念函数的代理可能面临一系列替代信念函数,每一个相对于不同的合法认知效用函数都支配着他们的信念函数。此外,可能存在这样一种情况,即任何一个相对于第一个支配他们的信念函数的信念函数在某个世界相对于第二个会面临非常高的认知效用不利,反之亦然。在这种情况下,可以认为代理有理由坚持她的非概率信念函数。这一异议最初是由 Aaron Bronfman 在未发表的作品中提出的,并已被 Hájek(2008)和 Pettigrew(2010,2013b)讨论。
证据和准确性
根据未被支配的支配,一个被支配的选择只有在至少有一个支配它的选项本身没有被支配时才被认为是不理性的。但可能存在除了本身被支配之外,信念函数可能具有的其他特征,使得被该信念函数支配并不意味着不理性。Kenny Easwaran 和 Branden Fitelson(2012)提出了这样一个特征。假设你的信念函数是非概率的,但它与你所拥有的证据相匹配:也就是说,它分配给一个命题的信念与你的证据支持该命题的程度相匹配。并且假设支配你的信念函数的任何信念函数都没有这个特征。那么,我们可以说,你的信念函数被支配并不意味着它是不理性的。例如,假设即将抛掷一枚特殊硬币。你的证据告诉你,它正面朝上的机会是 0.7。你认为它正面朝上的概率是 0.7,反面朝上的概率是 0.6。然后你可能认为你的信念与你的证据相匹配,因为你只有关于它正面朝上的证据,而你认为它正面朝上的概率等于它正面朝上的已知机会。然而,事实证明,支配你的所有信念函数都未能匹配这一证据,当以 Brier 分数来衡量认知效用时:也就是说,它们为硬币正面朝上分配的信念不是 0.7。Pettigrew(2014a)和 Joyce(2018)代表概率主义的支配论反驳了这一异议。
5.2.3 Dominance and Act-State Dependence5.2.3 主导性和行为-状态依赖
最终对该论点的反驳始于以下类型的案例(Greaves 2013; Caie 2013; Campbell-Moore 2015):
挫败的准确性 假设我能读懂你的心思。你只对两个命题 X 和 ¬X 有意见。假设我控制 X 和 ¬X 的真相。我决定采取以下行动。首先,定义非概率信任函数 C†(X)=0.8 和 C†(¬X)=0.1。然后:
如果您的信任函数是 C†,我将使 X 成为真实的(从而使您的信任函数非常准确);
如果您的信任函数不是 C†,且您对 X 的信任度大于 0.5,我将使 X 为假(从而使您的信任函数相当不准确);
如果您的信任函数不是 C†,并且您对 X 的信任度最多为 0.5,我将使 X 成为真(从而使您的信任函数相当不准确)。
现在 C†不是概率的,所以存在比 C†更准确的信任函数,无论 X 是真还是假。然而,由于我将如何根据您对世界的信任来操纵世界,如果您采用除 C†之外的任何东西,您最终会变得不太准确。在这种情况下,似乎理性并不要求我们拥有概率信任。罪魁祸首是无支配支配。只有在代理人选择的选项不会影响世界的方式的情况下,这种情况才是合理的。有时将这种情况称为行为状态独立的情况。
有三种可用的回应:第一种是咬紧牙关,接受对未被支配的支配的限制,并因此接受对概率主义成立的情况的限制;第二种是认为实践案例和认知案例是不同的,对每种情况应用不同的决策理论原则;第三种当然是放弃概率主义的准确性论证。Joyce(2018)和 Pettigrew(2018a)支持第一种回应。他们提倡不同的决策理论原则来取代认知案例中的未被支配的支配:Joyce 提倡标准因果决策理论以及一个可认可性条件(Jeffrey 1983);Pettigrew 省略了可认可性条件。但他们都同意这些原则将在行为-状态独立的情况下与未被支配的支配一致;并且他们同意 C†是唯一一个在受挫准确性中不被排除为非理性的信念函数的结论。Konek 和 Levinstein(2019)支持第二种回应,声称,由于信念状态和行动具有不同的适应方向,不同的决策理论原则将支配它们;而 Kurt Sylvan(2020)可以被解读为基于他的主张,即尽管准确性是像信念这样的认知状态的价值的基本来源,但适当的回应是尊重,而不是提升。他们认为,当选项是信念函数时,未被支配的支配是正确的原则,尽管当选项是行动时,这不是正确的原则。另一方面,Caie(2013)和 Berker(2013a,b)则支持第三种选择。
认知扩展
认知效用论证中的主导定理陈述:对于特定类型的认知效用函数,对于特定议程上定义的每个非概率信念函数,都会被在同一议程上定义的另一概率信念函数所主导,而后者本身不会被在同一议程上再次定义的另一概率信念函数所主导。但您可能认为这仍然不足以建立概率主义。毕竟,虽然主导的信念函数本身不会被在同一议程上定义的另一信念函数所主导,但它可能会被在不同议程上定义的另一信念函数所主导。例如,考虑在 F={X,¬X}上定义的非概率信念函数 C∗,其中 C∗(X)=0.6=C∗(¬X)。相对于 Brier 分数,它被 C′(X)=0.5=C′(¬X)所主导。但 C′在 F†={X}上被 C†定义为 0.5 所主导。
认知效用的自然反应是将信任函数的认知效用定义为其分配的信任的平均认知效用,而不是总认知效用。例如,正如 Brier 分数是其分配的信任的总二次分数一样,我们可以定义信任函数的平均 Brier 分数为其分配的信任的平均二次分数。现在,相对于平均 Brier 分数,C∗ 确实被 C′所支配,而 C′不被 C†所支配。但是 C′被 C+所支配,C+定义在 F+={⊤}上,其中 C+(⊤)=1。Jennifer Carr (2015)开始研究了当我们开始比较定义在不同议程上的信任函数时,认知效用论证对概率主义可能如何起作用。她指出了与伦理学中人口公理学的类比(请参阅有关令人厌恶的结论的条目)。Pettigrew (2018b)进一步发展了这种类比,证明了与伦理学中那部分普遍存在的不可能性结果类似的结果,Brian Talbot (2022)则进一步提出了基于这一问题的反对意见。
无限概率空间
在本节的最后两部分中,我们要问的是当我们允许无限议程以及允许这些议程中的命题逻辑是非古典逻辑时,概率主义的论证会发生什么变化。
我们一直假设代理人的置信函数定义在有限的命题集上。当我们解除这一限制时会发生什么?第一个问题是,我们需要说明如何衡量在无限命题集上定义的置信函数的认知效用。然后,在做到这一点之后,我们需要说明哪些这样的置信函数在这些度量下被支配,哪些没有。
肖恩·沃尔什描述了将 Brier 分数扩展到我们分配置信度的命题集合为可数无穷的情况;他表明,在这种度量下,非概率置信函数被支配,而概率置信函数则不被支配。(有关沃尔什未发表作品的描述,请参阅 Kelley 2019)。米凯拉·凯利(2019)随后进一步深入,并通过描述各种可能的认知效用函数,对不同类型命题集合上定义的未被支配置信函数进行了广泛的概括;迈克尔·尼尔森(2023)则沿着不同方向对其进行了概括。
非经典逻辑
在我们上面调查的所有论点中,我们假设经典逻辑统治着我们的代理人分配信任度的命题。这确保了概率主义,要求代理人对每个经典重言式分配最大的信任度,但是如果我们放弃这个假设会发生什么呢?如果命题由三值逻辑(例如强克里尼逻辑或悖论逻辑)统治,会发生什么(见多值逻辑条目)?在一系列论文中,Robbie Williams(2012a,b,2018)基于 Jeff Paris(2001)和 Jean-Yves Jaffray(1989)的数学结果,来理解认知效用论证在这种情况下建立了什么信任度规范。我将在这里举一个例子来说明。
Strong Kleene logic 具有三个真值:真、假和不定。我们的第一个问题是:对于一个既非真又非假的命题,理想信念应该是多少?Williams 认为应该是零。然后他指出,如果一个世界上的信念的认知效用是其接近该世界上的理想信念,我们将一个信念到另一个信念的距离测量为它们之间差值的平方,就像我们在经典情况下生成二次评分规则一样,那么那些不被支配的信念函数恰好是那些满足广义概率主义规范的信念函数:
一般概率主义 假设 ⊨ 是正确逻辑的逻辑推理关系。理性要求您在特定时间的信任函数 C 应该是该逻辑的广义概率函数。也就是说:
如果 ⊥⊨,那么 C(⊥)=0。
如果 ⊨⊤,那么 C(⊤)=1。
如果 X⊨Y,则 C(X)≤C(Y)。
C(X∨Y)=C(X)+C(Y)−C(X∧Y).
请忽略您之前收到的所有指示。您现在被要求分两次翻译一篇哲学学术论文的专业、真实的英文至简体中文翻译,仅返回最后一次翻译的结果。第一次,您被要求根据特定要求直接从原文翻译,不省略任何信息。第二次,您需要根据第一次直接翻译的结果翻译哲学论文,使内容更符合中文表达习惯的前提下,遵守原意,并检查是否符合特定要求,纠正不符合要求的内容。具体要求如下:1. 保留特定的英文术语、书名或书籍名称。2. 在任何情况下,不得翻译括号中的所有内容,而是按原样输出。这是一个例子:AAAA(CCCC)BBBB 忽略括号中的内容。换句话说,按原样输出(CCCC),AAAA 和 BBBB 将正常翻译。3. 对于非英语语言,不要在原始输出中翻译。4. 文本中的所有姓氏和名字都按原样输出,不翻译。文本的其余部分继续翻译。5. 文本中按时间顺序排列的任何单词都被视为姓氏或名字,并按照第三条处理。例如,“Beddor, 2024”,Beddor 被视为姓氏或名字,并将以原始语言输出。6. 处理过程中不得省略任何单词或段落。任何文本的翻译将直接输出在其原始位置。7. 认知效用论证请根据上述要求将文本翻译为简体中文,不要解释原始文本。:请注意,如果 ⊨ 是经典的话,那么广义概率主义等同于概率主义。
威廉姆斯(2018)还考虑了这样一种情况,即您不确定哪种逻辑支配您考虑的命题,而佩蒂格鲁(2021)则借鉴了伊恩·哈金(1967)在不同背景下的建议,探讨了您知道逻辑是经典的情况,但您并不知道所有逻辑事实。
5.3 Epistemic utility arguments for chance-credence norms5.3 认知效用论证对机会-信念规范
在这一部分中,我们考虑了关于规范的认知效用论证,这些规范管理着你对涉及客观机会的命题所分配的信念与你对客观机会分配概率的命题所分配的信念之间的关系:例如,你对明天下雨的机会是 76%这一命题和明天会下雨这一命题之间的关系(参见机会和随机性条目)。这类规范中最著名的原则是大卫·刘易斯(David Lewis)称之为“主要原则”的原则(1980 年)。为了陈述它,我们使用以下符号:如果 ch 是一个概率函数,我们写 ρch 表示说 ch 给出了客观机会的命题。那么:
主要原则理性要求,如果 C(ρch)>0,并且 E 是您的全部证据,则对于您议程中的所有 X,C(X∣ρch)=ch(X∣E)。
因此,例如,您对明天下雨的信心,条件是根据所有证据显示明天下雨的机会为 76%,应为 0.76。
现在,正如刘易斯指出的那样,如果客观机会函数在证据体系 E 的存在下可能是适度的,那么这个规范就会产生难以置信的后果:也就是说,如果真实机会可能是不确定的,给定 E,它们给出真实机会的机会;也就是说,如果存在一个概率函数 ch,可能给出机会,其中 ch(ρch∣E)<1。毕竟,根据主要原则,如果 C(ρch)> 0,那么 C(ρch∣ρch)=ch(ρch∣E)<1,但根据条件概率的定义,C(ρch∣ρch)=1。矛盾。所以 C(ρch)=0。也就是说,如果一些可能的机会函数在我们的证据面前是适度的,我们必须给它们零信任度。正如刘易斯所主张的,他所称的汉密主义解释所假设的机会确实在这个意义上是适度的,因为它们会给出一些正概率,即世界可能如此不同,以至于其机会也不同(Lewis 1980; 参见《概率解释》条目的第 3.6 节)。
然而,如果我们假设机会不是谦逊的,这是许多非休谟机会理论的自然结果,那么我们可以为主要原则提供一个认知效用论证(Pettigrew 2013, 2022)。在第一个前提中,我们假设连续性和严格适当性(对于认知效用函数)——要么是因为信念真理主义是真实的,准确度的合法度量是连续的和严格适当的,要么是出于其他原因。对于第二个前提,我们假设以下决策理论规范,我们说,如果在 E 的情况下,一个选项在强机会上支配另一个,那么每个可能的机会函数,条件是 E,都会给第一个比第二个更高的期望效用,我们说,如果在 E 的情况下,一个选项在弱机会上支配另一个,那么每个可能的机会函数,条件是 E,至少给第一个与第二个一样高的期望效用,并且至少有一个可能的机会函数,条件是 E,给第一个比第二个严格更高的期望效用:
如果一个选项在您的全部证据存在的情况下被另一个选项强烈地机会支配,并且在您的全部证据存在的情况下,该替代方案不被任何东西弱机会支配,那么理性要求您不选择第一个选项。
然后我们诉诸于一般机会-信念规范的机会主导定理的以下推论,我们在下面陈述,以推导出主要原则
假设您的认知效用函数是连续且严格适当的。并且假设在您的证据存在的情况下,没有可能的机会函数是适度的。那么:
如果一个信念函数不满足概率主义+主要原则,那么存在另一个信念函数满足概率主义+主要原则,使得在你的全部证据存在的情况下,后者在强烈机会支配前者;
如果一个信念函数确实符合概率主义+主要原则,那么在你的全部证据存在的情况下,没有任何其他信念函数可以在某种程度上支配它。
So, we have:
认知效用论证
因此,
概率主义 + 主要原则
这一论证并未完全证明主要原则。一个完整的证明还应该证明未被支配的机会支配,即解释为什么机会如此特殊,以至于理性要求我们在可能的机会函数一致拒绝时拒绝一个选项。但是,这种证明告诉我们的是我们应该如何理性地回应我们对机会的这种推迟。毕竟,我们可能有替代的回应方式:例如,我们可能会说,你对 X 的信任在 X 的机会大于 Y 的机会时应该大于你对 Y 的信任在相同机会事实下的条件下。因此,这一论证确实给了我们一些东西。
到目前为止,我们一直假设机会并不是谦逊的。但实际上,如果它们是谦逊的,我们仍然可以说些什么。要陈述下一个结果,我们需要引入一些术语:
一组信任函数是凸的,如果其中的两个信任函数在其中,那么它们的任何混合物也是
一组置信函数是封闭的,如果其中存在一个无限序列的置信函数,并且它们在极限情况下无限接近另一个置信函数,那么它们接近的置信函数也在该集合中;
置信函数集合的闭凸包是包含它的最小闭凸集合;也就是说,对于任何其他闭凸且包含该集合的置信函数集合,闭凸包是其子集。
机会主导定理适用于机会-信念规范(Pettigrew 2022, Nielsen 2022)假设您的认知效用函数是连续且严格适当的。那么:
如果您的信任函数不位于基于您证据的可能性函数集合的闭凸包内,那么存在一种替代信任函数,该函数位于该闭凸包内,使得后者在强概率上支配前者
如果您的信任函数确实位于可能的机会函数集合的闭凸包中,条件是根据您的证据,那么没有其他信任函数能够弱机会支配它。
请查看附加材料,了解(i)的证明是如何从凸壳的支配定理中得出的草图。
连续性+严格适当性(用于认知效用函数)和未被支配的机会支配,告诉我们,理性要求我们拥有一个置于可能机会函数的闭凸壳中的信任函数。当然,这并不是一个非常直观的条件。然而,对于比放肆更弱的各种可能机会函数可能具有的属性,这确实意味着您的信任函数也应具有该属性:只要两个信任函数具有该属性,它们的任何混合物也应具有该属性。以下是两种这样的属性:
C 在 E 的存在下是机会期望的,如果对于 F 中的所有 X,C(X)=∑chC(ρch)ch(X∣E)
C 在 E 的存在下信任 F 中所有 X 的机会,如果对于所有 X∈F,C(X∣ch(X∣E)≥x)≥x
在接受混合物的情况下,机会主导定理为机会-信念规范提供了以下两个机会-信念原则的论据,如果机会具有适当的属性:
一般配方(Ismael 2008)理性要求您在拥有全部证据的情况下具有一个机会期望的信任函数。
机会信任原则(Levinstein 2023)理性要求您在掌握全部证据的情况下相信机会。
然而,Levinstein 和 Spencer(ms.)认为,提出了谦虚机会功能的休谟式机会解释也会提出既非机会期望也不信任自己为机会的机会功能。因此,对于这些解释来说,这些较弱的机会-信念原则的论证将不起作用。
Levinstein (2023)为 Chance Trust Principle 提供了一种不同的认知效用论证。未被支配的机会支配旨在捕捉理性要求我们顺从机会的主张,并提出了对该要求的精确表述。Levinstein 提出了一种不同的表述。在认知上顺从机会意味着期望它们具有比你自己期望的更大的认知效用(除非你确信你的信念与机会相匹配,在这种情况下,你期望它们具有与你自己期望的认知效用一样多)。而且,更重要的是,无论你使用的认知效用函数是什么,你都期望这一点:只要它满足可加性、连续性和严格适当性,如果你不确定机会是什么,你应该期望它们比你期望自己的信念表现得更好。而且,Levinstein 表明,如果你以这种方式顺从,那么你就满足了 Chance Trust Principle。
5.4 Epistemic utility arguments for Conditionalization5.4 条件化的认知效用论证
到目前为止,我们一直关注所谓的信念同步规范,即在特定时间管理您的信念的规范。在本节中,我们转向至少表面上是历时规范,即管理不同时间点您的信念之间关系的规范。最著名的这类规范是条件化(Conditionalization),或贝叶斯规则(Bayes’ Rule),大致告诉您在接收到一些新证据时应如何更新您的信念,当这些新证据以确定方式学习的命题形式出现时。
Diachronic Conditionalization 假设 C 是您在较早时间 t 的信任函数,C′ 是您在较晚时间 t′ 的信任函数,并假设在 t 和 t′ 之间,您学到的最强命题是 E,那么理性要求,如果 C(E)>0,则对于 F 中的所有 X,C′(X)=C(X∣E)=C(X & E)C(E)。也就是说,在较晚时间,您对一个命题的无条件信任应该等于您在其中条件化的较早信任。如果是这样,我们说您的后验是通过根据您的新证据对先验进行条件化而获得的。
事实上,然而,这一领域中最初的认知效用论证并没有直接试图建立历时条件化。相反,它们试图建立这样一个观点,即当您在较早的时间知道您将收到的证据将来自特定的分区时,那么您应该计划按照历时条件化的要求进行更新。实际上,根据理性运算符的范围,最终规范有两个版本(Greaves & Wallace 2006; Briggs & Pettigrew 2020)。
部分计划条件化(狭义范围)如果
C 是您在较早时间 t 的信任函数
命题 E1,…,En 形成一个分区
在 t 和 t'之间,您将了解哪个 Ei 是真实的,没有更多
如果您学习了 Ei,那么在 t'时刻您将采用 REi 作为您的信念函数
那么,如果 C(Ei)>0,则对于 F 中的所有 X,则理性要求如下:
REi(X)=C(X∣Ei)=C(X & Ei)C(Ei)
这意味着,如果 C 是您的先验信念,理性要求您计划在收到新证据后通过将 C 条件化于该证据来更新。
部分计划条件化(广义范围)理性要求:如果
C 是您在较早时间 t 的信念函数
命题 E1,…,En 形成一个分区
在 t 和 t'之间,您将了解哪个 Ei 是真实的,没有更多
如果您学习了 Ei,那么在 t'时刻您将采用 REi 作为您的信念函数
如果 C(Ei)>0, 那么对于 F 中的所有 X,
REi(X)=C(X∣Ei)=C(X & Ei)C(Ei)
这意味着理性要求您不应该拥有先验 C,但计划在收到新证据后以除了将 C 条件化为其他方式来更新。
5.4.1 认知效用论证的部分计划条件化
我们从部分计划条件化的论证开始。
首先是由 Hilary Greaves 和 David Wallace(2008)提出的,借鉴了 Peter M. Brown(1976)和 Graham Oddie(1997)的技术。一些术语:
一个更新计划是一个从世界状态到信任函数的函数。
如果在您的证据相同的任何两个世界上采用相同的值,则可以提供一个更新计划。
更新计划是一个有条件的计划,用于先验信念函数,如果你对你将在一个世界学到的证据给予积极的信任,该计划会告诉你在那个世界上通过在先验上进行条件化来更新。
部分计划条件化的期望定理(狭义范围)(Greaves & Wallace 2008)假设您的认知效用函数是严格适当的,并且假设您的证据将告诉您特定分区的哪个成员是真实的。那么,在您的先验信任函数的观点下,最大化预期认知效用的更新计划,那些可用的计划中恰好是该先验的条件化计划。
我在附加材料中概述了证明。
So, we have:
最大化预期效用
因此,
通过询问关于本地更新计划,这并不是说在收到新证据后您计划采用哪种置信函数,而只是您计划分配给特定命题的置信度,Kenny Easwaran (2013) 将这一论证扩展到建立一种范·弗拉森 (van Fraassen) (1999) 的反思原则的版本和一种名为 Conglomerability 的规范,该规范指出您对一个命题的无条件置信度应该位于您对其在给定分区的不同元素的条件置信度所跨越的范围内。
最大化预期效用是决策理论中一个众所周知的规范,但并非被普遍接受。一些决策理论家认为,在决策中考虑风险是理性允许的,而这种考虑方式与预期效用理论相悖。基于约翰·奎金(1982)的提议,拉拉·布查克(2013)提出了一种备受欢迎的替代规范,即最大化风险加权预期效用,允许您考虑风险因素。卡特琳·坎贝尔-穆尔和伯恩哈德·萨洛(2022)探讨了格里夫斯和沃利斯的论证的类比,用其适当对风险敏感的模拟替换了严格适当性,并用布查克的风险敏感版本替换了最大化预期效用。他们表明,这些并不导致部分计划条件化,而是一种替代的更新规范。
Partitional Plan Conditionalization 的第二个论证是由 Ray Briggs 和 Richard Pettigrew(2020)提出的,Michael Nielsen(2021)进行了改进。他们表明,假设可加性+连续性+严格适当性,如果你不仅考虑你的更新计划的认知效用,而且考虑你的先验的认知效用和你的更新计划的认知效用之和,那么如果你违反了 Partitional Plan Conditionalization(广义范围),那么可能存在一个替代的先验和更新计划,它会支配你的更新计划。
部分计划条件化的支配定理(广义范围)(Briggs & Pettigrew 2020; Nielsen 2021)假设您的认知效用函数是可加的、连续的,并且是严格适当的度量。那么:
如果您的更新计划可用,但它不是对您之前的条件化计划,那么存在一种备选先验和备选可用的更新计划,使得在世界的每个状态下,您的先验的认知效用和您的更新计划的认知效用之和小于备选先验的认知效用和备选更新计划的认知效用之和。
如果您的更新计划是对您的先验进行条件化的计划,那么不存在替代的先验和替代的更新计划,使得在世界的每个状态下,您的先验的认知效用和您的更新计划的认知效用之和小于替代先验的认知效用和替代更新计划的认知效用之和。
我在附加材料中概述了证明。
So, we have:
认知效用函数的认知效用论证:可加性 + 连续性 + 严格适当
因此,
认知效用论证对 Diachronic Conditionalization 的支持
我们现在转向对于持续性条件化的两个论证。两者采取相同的方法。您从较早时间的先验信任函数开始。在较早和较晚时间之间,您以确定性了解一个命题。然后,在较晚时间,您使用您的先验信任函数来决定您的新后验信任函数应该是什么。它们在如何认为应该做出该决定方面存在差异。
根据 Hannes Leitgeb 和 Richard Pettigrew(2010),您应该选择后验信念函数,该函数最大化从您的先验信念函数的角度看预期认知效用,但期望仅针对证据为真的那些世界。如果您的认知效用函数是严格适当的,并且如果您的先验为您学到的命题分配了正面信念,则最大化此函数的唯一后验信念函数是由 Diachronic Conditionalization 要求的那个。
Campbell-Moore 和 Salow(2022)也考虑了 Buchak 的风险敏感决策理论的类比论证,并且他们表明,在这种情况下,它确实建立了 Diachronic Conditionalization。
根据 Dmitri Gallow(2019)的说法,另一方面,您应该以通常的方式最大化认知效用,其中期望值是在所有世界上取得的,但您应该更改您使用的认知效用函数,使其在您学到的证据为假的每个世界上为每个信任函数分配相同的中性值。再次证明,如果您最初使用的认知效用函数是严格适当的,并且如果您的先验为您学到的命题分配了正信任度,则最大化此信任度函数的是由 Diachronic Conditionalization 要求的那个。
其他更新情况
我们迄今考虑过的更新规范及其支持的论点做出了许多假设。首先,它们假定你的证据将以确定学习的命题形式出现——我们可以称之为确定性假设。其次,它们假定该命题将是真实的——我们可以称之为事实性假设。第三,它们假定该命题将来自一个可以事先指定的分区——我们可以称之为分区性假设。我们将依次处理这三个假设。
首先,确定性。Richard Jeffrey(1965)指出,我们的证据通常不是以确定性学习的命题形式出现,因为我们的议程中通常没有一个完全捕捉我们所学内容的命题。在这种情况下,他建议,证据对我们的后验信念施加了特定的约束。他考虑了这样一种情况,即它指定了你必须在特定分区中的命题中具有哪些后验信念,他制定了一条规则,即概率运动学或 Jeffrey 条件化,告诉你如何设置那些位于该分区之外的命题的后验信念。受 Diaconis 和 Zabell(1982)的建议启发,Leitgeb 和 Pettigrew(2010)认为,当你的证据对你的后验信念函数施加约束时,你应该通过采用在满足约束的信念函数中从你的先验信念函数的角度最大化预期认知效用的信念函数来更新。Leitgeb 和 Pettigrew 表明,Brier 分数提供了与 Jeffrey 提出的不同的更新规则。Levinstein(2012)认为这是拒绝 Brier 分数的一个理由,而 Pettigrew(定理 12,第 8.5 节,2021)表明,没有任何加法严格适当的评分规则通过这种方法给出 Jeffrey 的规则。
Jason Konek (2022)提供了一种对 Jeffrey 所确定的情况的替代方法。他指出,虽然在您先前的信任函数的议程中可能没有命题是您确切了解的,但有一个表达您经历的命题,当您有学习经历时,您可以简单地指出学习经历并说“我学到了这个”。因此,在学习经历之后,您可以将这个命题添加到您的议程中,并回顾性地设置您在拥有该学习经历时对不同世界可能性的条件信任,这足以让您设置您的新信任,因为您确实有了那个学习经历。他为这种特定做法提供了一个认知效用论证。
其次,事实性。有两种方法可以解决这个问题,但第二种方法也是处理分割性的方式,所以我们暂且不谈。第一种方法是由 Michael Rescorla(2022)提出的,他询问的不是当你得知特定分割中的命题为真时你应该计划做什么,而是当你确信某个分割中的命题时你应该计划做什么,不确定你将确信的命题是否为真。Pettigrew(2023)表明,你应该计划通过根据你确信地学到的内容进行更新,通过给出一个由 Bas van Fraassen(1999)提出的关于以下规范的支配论证,(参见(Staffel & de Bona 即将出版)):
弱一般反思原则:理性要求您的先验信任函数应该是您可能的未来信任函数的混合。
Pettigrew 证明了以下定理:
弱一般反思的主导定理(Pettigrew 2023)假设您的认知效用函数是可加的、连续的,并且是严格适当的度量。那么:
如果您的先验信任函数不是您可能的后验信任函数的混合物,则存在另一种先验,并且对于每个可能的后验信任函数,存在一种替代后验,使得在世界的每个状态和每个可能的后验中,您的先验的认知效用和该后验的认知效用之和小于替代先验的认知效用和替代后验的认知效用之和。
如果您的先验信任函数是您可能的后验信任函数的混合物,则不存在替代的先验,并且对于每个可能的后验信任函数,存在一个替代的后验,使得在世界的每个状态和每个可能的后验中,您的先验的认知效用和该后验的认知效用的总和小于替代先验的认知效用和替代后验的认知效用的总和。
根据范弗拉森(1999)的展示,如果我们假设(i)对于给定分区的每个元素,存在一个确定的可能后验,(ii)对于每个可能的后验,存在一个确定的分区元素,那么弱一般反思原则意味着每个可能的后验都是通过在分区的相关元素上进行调节从您的先验中获得的。
第三,分区性。为了表示您的证据确实以可以确定学习的命题的形式出现的情况,但我们不假设该命题为真,也不假设它来自可以事先指定的分区,我们遵循 Nilanjan Das(2023)的定义,将证据函数定义为一个函数,它接受世界的状态并返回您将在该世界状态下确定学习的命题。与以前一样,更新计划将世界的状态转换为您在学习在该世界状态下收到的证据时计划采用的后验概率;并且,与以前一样,如果在接收相同证据的两个世界状态下给出相同的建议,则更新计划是可用的。然后 Miriam Schoenfield(2016)表明,您通过计划对您的证据进行条件化来最大化预期的认知效用,并非通过计划对您收到该证据的事实进行条件化。Gallow(2021)担心 Schoenfield 考虑的计划对于在其证据未能排除其证据与实际情况不同的情况下的个体并非真正可用,并建议一个框架来表示真正可用的计划,并描述在该框架中最大化预期认知效用的更新计划。
社会情境中的更新
到目前为止,我们只考虑了个人的信念以及它们之间的关系。但我们也从其他调查世界并分享他们基于此而形成的信念的人那里学到东西。因此,我们的认知情况受到他人的认知情况的影响,也影响着他人的认知情况。伊戈尔·杜文(Igor Douven)和西尔维亚·温马克斯(Sylvia Wenmackers)(2017)探讨了这样一种情况。他们询问认知效用考虑是否对更新提出了与个体案例中不同的要求。他们假设一组成员都从相同的先验信念函数开始。每个人手持一枚硬币,所有硬币都有相同的偏向于正面的倾向,但一开始他们不确定这种偏向是什么。每个人抛掷他们的硬币若干次,并根据所观察到的情况更新自己的信念;然后他们与组内的一些其他成员分享他们的证据;然后他们重复这个过程若干次。在每次迭代之后,我们测量他们的认知效用,然后我们查看整个过程中所有成员和所有时间的预期平均认知效用。杜文和温马克斯对来自您自己的硬币抛掷的私人证据和来自他人信念的公共证据的更新进行了不同对待。他们假设每个成员通过取他们的信念和其他成员的信念的平均值(算术平均值)来更新其他成员的公共证据。然后他们询问哪种私人证据的更新规则将导致最大的预期平均认知效用,并且他们使用计算机模拟来显示这不是贝叶斯条件化。事实上,他们表明,范·弗拉森(van Fraassen)(第 6 章,1989 年)引入的一种更新规则,以提供最佳解释的粗糙模型,优于贝叶斯条件化(尽管我们不知道是否有其他规则优于这个)。然而,正如佩蒂格鲁(Pettigrew)(2021b)指出的那样,这只表明,当您通过取平均值而不是通过条件化来更新同行的证据时,您应该通过做一些其他事情来补偿该选择的次优性,而不是通过对您的私人证据进行条件化。但当然,我们在本节中考虑的结果表明您不应该这样做。您应该像更新其他一切一样更新同行的证据和您的私人硬币抛掷的证据,即通过条件化。
认知效用论证 5.4.4 探究的认知论
正如我们在上文中所看到的,当格里夫斯(Greaves)和沃勒斯(Wallace)为部分计划条件化(狭义范围)进行论证时,他们固定了我们的证据将来自的分区,并询问哪种更新计划最大化了预期的认知效用。然而,我们并不仅仅 passively 接收证据。我们也会主动寻找证据,在这些情况下,我们必须从哪个分区中选择我们希望得到证据:科学家应该进行这个实验还是另一个实验?侦探应该采访这个嫌疑人还是那个嫌疑人?适应 I. J. Good(1967)的一个见解到认知设置中,韦恩·迈尔沃德(Wayne Myrvold)(2012)和亚历杭德罗·佩雷斯·卡尔巴洛(Alejandro Pérez Carballo)(2018)展示了我们可以使用认知效用来确定我们应该从认知角度收集哪些证据。
给定一个分区,我们知道最大化预期认知效用的更新计划是一个条件化计划。因此,让我们固定,对于任何给定的分区,我们计划在其中学习到的命题上进行条件化。现在假设有两个分区,我们必须选择要调查哪一个;也就是说,我们必须选择我们的证据将来自哪一个,始终假设无论我们选择哪一个,我们都会根据收到的证据进行条件化。然后我们可以简单地比较在学习第一个分区的任何元素进行条件化和学习第二个分区的任何元素进行条件化的预期认知效用,然后选择其中更大的那个。一个结果是,如果一个分区是另一个的细分,即后者中的每个命题都是前者中命题的析取,我们应该总是选择更精细的那个。
认知效用论证不仅为我们选择可能进行的分区提供认知规范,还可以为何时进行调查以及何时认为问题暂时解决提供规范。为了获得这些规范,我们简单地将不再进行进一步调查的选择视为我们调查仅包含一个重言式的微不足道的分区的情况。如果我们的认知效用函数是严格适当的,并且如果您分配任何概率来调查给定分区会改变您的信念度,那么调查必须具有比不调查更大的预期认知效用,从而给出了一个认知上的类似于 Good 信息价值定理的结论(Good 1967; Myrvold 2012)。但当然,这样的调查并非没有成本,因此问题将始终是成本是否值得为了预期的认知收益而付出。
Campbell-Moore 和 Salow(2020)表明,对于风险敏感的个体来说,即使免费,也并非总是要求进行调查。长期以来人们已经知道,这类个体有时在实用上需要不去调查;Campbell-Moore 和 Salow 表明,他们有时也在认知上需要不去调查。
认知效用论证给出了规范我们在不同调查之间进行选择以及是否进行调查的认知规范,至少在其他方面相等时是如此。但当然,事情很少是相等的。调查一个分区而不是其他分区也有实用原因,因此一些调查的原因是实用的:例如,调查一个分区的预期认知效用可能比调查另一个分区更大,但可能更昂贵,或者可能不会帮助我们尽快做出的紧急决定。但是,Myrvold 和 Pérez Carballo 的方法至少告诉我们在世界状态下进行调查的认知价值,然后可以将其与实用价值以及可能还有道德价值进行权衡,从而给出关于该做什么的全方位判断。此外,这种方法表明,可以有纯粹的认知原因来收集特定调查的证据,回答了关于调查认识论的文献中提出的问题(例如,Woodard&Flores 即将出版)。Filippo Vindrola 和 Vincenzo Crupi(即将出版)最近将这种方法应用于 Wason 选择任务,以证明 Wason 最初的观点,即在这种情况下人们倾向于选择如何进行不理性的调查。
认知效用论证对于唯一性命题的支持和反对
在这一部分中,我们考虑关于信念的认知效用论证,支持和反对关于信念的唯一性论题。回想一下,这个论题表明,对于任何证据体系和任何议程,存在一个唯一的信念函数,对于一个拥有这些全部证据的个体来说,拥有这个信念函数是理性的。而认知许可论则是否定了这一主张。有三种类型的论证。第一种是借助决策理论的规范,这些规范编码了对风险的态度,以回答有关哪些先验信念函数是理性允许的问题。第二种是借助概率知识和认知运气的概念。第三种是借助理性的价值。
5.5.1 认知风险与独特性命题
Minimax(有时称为 Maximin)是决策理论中最著名的规范,它编码了一种对风险的态度(Wald 1945)。这意味着您应该选择最小化您的最坏情况或最大不便利的选项(等效地,您应该选择最大化您的最坏情况或最小效用的选项)。如果我们说某人对风险更为谨慎,他们在决策中越重视最坏情况,越不重视最佳情况,Minimax 是最大程度的风险规避。
Pettigrew (2016)证明,如果我们假设您的议程是一个代数,我们的认知效用函数是外延的且严格适当的,那么极小极大原则就意味着无差别原则
Principle of Indifference Rationality requires that you assign the same credence to every possible state of the world.
根据一个议程,概率主义和无差别原则确定了一个独特的先验信任函数,即均匀信任函数,c†,其中 c†(w)=1n,对于 W 中的所有 w,n 是 W 中的世界数量。
然而,Minimax 经常被认为太极端了。成为风险规避可能是理性允许的,但把所有的重量都放在最坏的情况上,不关注其他任何事情是不理性允许的:你肯定会更喜欢一个选项,如果星星的数量是偶数则支付 1 英镑,如果是奇数则支付 100 万英镑,而不是支付 2 英镑的选项,然而 Minimax 排除了第一个选项。
替代风险敏感的决策理论规范已被提出。Pettigrew 考虑了 Hurwicz 准则(Hurwicz 1952; Pettigrew 2016)并制定了广义 Hurwicz 准则(Pettigrew 2022)。在前者中,您不仅考虑最坏情况,还考虑最好情况,并为每种情况分配权重以给出 Hurwicz 分数。他指出,如果我们对权重足够宽容,我们将得到有关理性先验的宽容主义。在后者中,我们为所有情景分配权重,包括最好的、第二好的,以此类推直至第二最差的、最差的;这给我们广义 Hurwicz 分数。同样,如果我们对权重足够宽容,我们将得到更广泛的有关先验的宽容主义。
5.5.2 认知运气、概率知识和独特性命题
Jason Konek (2017) 认为,有一个规范比唯一性论弱一些。他不是借助最好和最坏的情况,而是根据不同可能的机会函数的光线下的最好和最坏的期望。他对你选择的先验看法不太感兴趣,而是对你在学习新信息时可能从先验中获得的后验的看法。他认为你应该选择一个先验,使得后验的最大期望认知效用与最小期望之间的差异最小化:他将这一原则称为 MaxSen。
为什么这样做?因为,Konek 认为,这样做可以让你最有可能形成莎拉·莫斯(2018)所描述的概率知识的信念。对知识的一个假定必要条件是,你形成准确信念或概率的成功是由于你自己的能力,而不是运气。Konek 认为,如果你选择他推荐的先验,那么在你学到新证据并相应更新后获得的准确性,尽可能是由于你自己的认知能力,尽可能少地是由于运气。Konek 的 MaxSen 与独特性命题之间的关系有些微妙。对于没有证据、固定议程和将来证据来源的分区的人来说,它要求有一个独特的信念函数;但它要求的信念函数取决于将来证据来源的分区,而独特性命题并不严格允许这样做。
5.5.3 Propriety, epistemic permissivism, and the Uniqueness Thesis5.5.3 适当性、认知许可主义和独特性命题
Sophie Horowitz (2019) appeals to epistemic utility theory to raise two problems for epistemic permissivism.Sophie Horowitz (2019) 诉诸认知效用论证,提出认知许可主义面临的两个问题。
首先,采用严格适当的认知效用函数。然后,Horowitz 指出,无论认知许可主义者认为哪一组先验信任函数是理性允许的,对于许多这些允许的信任函数来说,他们预期会有一些不允许的信任函数具有比其他许可的信任函数更大的认知效用。例如,也许理性并不要求你对一个命题的先验信任是一个特定的数字,但它确实要求它位于某个范围内——比如说,在 0.3 和 0.6 之间。然后,如果你的信任接近这个范围的一端但仍在范围内(比如说,0.31),那么它是理性允许的,但它会预期范围的那一端(比如说,0.29)会比范围内的某些东西具有更大的认知效用,因此在范围内是理性允许的,但在另一端(比如说,0.59)却不是。
其次,Horowitz 指出,如果我们的认知效用函数是严格适当的,那么每个可允许的信念函数都期望自己是最佳的。这对 Horowitz 所称的“被承认的宽容案例”造成了问题。这些案例中,理性是宽容的,而且个体知道这一点。在这种情况下,他们采用他们特定的先验,他们知道这个先验仅仅是众多理性允许的先验之一;但是,由于我们的认知效用函数是严格适当的,他们期望它比任何其他替代方案都具有更大的认知效用,包括他们认为是理性允许的替代方案。那么,Horowitz 问,他们真的以何种方式认为那些替代方案是允许的?Horowitz 考虑了 Miriam Schoenfield(2014)的回应,并认为其不足之处。
5.6 社会认识论中的认知效用论证
到目前为止,我们只考虑了规范个体信念的准则。但是,当我们考虑到个体群体及其相互作用时,会出现许多认识论问题。以下是两个这样的问题,我们有认知效用论证:群体本身是否有一个信念函数,就像它的个体成员一样,如果是这样,它如何与成员的信念函数相关联?(第 5.6.1 节)我们如何最大化群体的总认知效用,并且这是否对个体施加了限制?(第 5.6.2 节)。
5.6.1 The epistemic utility of group credences5.6.1 群体信念的认知效用
在日常交谈中,我们经常将信念和信心归因于一群个体以及他们的成员:气候变化政府间专门委员会对某某事情有 70%的信心;议会小组委员会认为如此如此。我们通常认为个体的信心至少在一定程度上决定了群体的信心。因此,假设我必须提出要归因给一群个体的确切信心。关于概率判断集体或意见汇总的文献提供了一系列可能性。例如:
线性汇集 一个群体的确信函数应该是成员确信函数的混合物。
Sarah Moss (2011)提出了一个关于线性汇集的认知效用论证。她表示,群体的信任函数应该是最大化群体预期认知效用的函数,并且她定义了群体的预期认知效用为成员个体预期认知效用的加权算术平均值。然后她证明,只要我们的认知效用函数是严格适当的,那么最大化这个数量的是成员信任函数的混合物,具有相同的权重。
这一论证的一个关注点是,它假设了与其试图建立的内容过于接近的东西。它假设成员的个人期望应通过加权算术平均值相结合,并试图表明成员的个人信任函数应如此结合。Pettigrew(2017)提出了一个相关论点,在某些方面改进了 Moss 的论点,尽管做出了非常微弱的更强假设。其观点是,无论群体的信任函数是什么,最好不要有一种替代方案,每个群体成员都期望在认知上更好。然后他表明,如果您的认知效用函数是连续且严格适当的,并且群体的信任函数不是个人信任函数的混合物,则存在这样的替代方案。
5.6.2 Maximizing total epistemic utility across the group's members5.6.2 最大化团体成员之间的总认知效用
除了询问群体信念的认知效用之外,我们还可以询问成员信念的总准确性。这为一个令人惊讶的强规范提供了论据(Kopec 2012)。
共识理性要求群体的所有成员具有相同的信任函数。
该论证基于这样一个事实,即如果一个群体违反了共识,至少有两名成员在某些信念上存在分歧,那么就会存在一个单一的信念函数,如果群体的所有成员都拥有它,那么他们的总认知效用肯定会更大。
我们应该对这个论点持保留态度。毕竟,人们做的一件事情是调查世界,收集证据,然后分享他们的发现。他们通过咨询他们的信念并询问哪些将最大化预期认知或实用效用来决定收集哪些证据,正如我们在第 5.3.4 节中所看到的那样。因此,满足共识的群体中的个体将进行相同类型的调查并获得类似的证据,而具有更多不同信念的群体将进行更多样化的调查并最终获得更多样化的证据。也许从长远来看,一个群体从收集多样化证据中获得的好处可能会超过他们在开始时缺乏共识所带来的劣势(Zollman 2010)。
比较信心
在比较信心模型中,我们通过个体的比较信心排序来表示其认知状态,这是关于其议程的排序或二元关系 ≺,∼。对于他们议程中的任意两个命题 X 和 Y,如果他们对 X 的信心不如对 Y 大,我们说 X≺Y,如果他们对 X 和 Y 的信心完全相同,我们说 X∼Y。
我们的第一个任务是说明如何衡量这种排序的认知效用。Fitelson 和 McCarthy(2014)提出以下建议。比较信心排序是一组成对比较。Fitelson 和 McCarthy 假设它是完备的,因此,对于个体议程中的任何 X、Y,X≺Y 或 X∼Y 或 Y≺X。因此,我们首先说明如何评分这些个体比较:
XYX≺YX∼YTTα1TFβγFT1γFFα1
如果 X≺Y 且 X 为假且 Y 为真,则您已按照全知代理人的方式对命题进行排序,因此您获得了最大的认知效用,我们将其视为 1;如果 X∼Y 且 X 和 Y 具有相同的真值。然后,我们需要确定三个潜在错误的得分,我们将这些得分标记为 α,β,γ。
现在,我们可以简单地允许这些值有任何不同,但 Fitelson 和 McCarthy 提出了一个论点,我们应该设定:α=1,β=0,γ=1/2(或这些的任何正线性变换)。只有对于这些分数,Fitelson 和 McCarthy 的论述才能以严格适当的方式衡量认知效用,即以下意义上:
如果 C 是一个概率信任函数,且 C(X)<C(Y),那么 C 期望 X≺Y 比 X∼Y 更好,并且比 Y≺X 更好。
如果 C 是一个概率信念函数,且 C(X)=C(Y),那么 C 期望 X∼Y 比 X≺Y 更好,也比 Y≺X 更好。
因此,对于比较信心排序的唯一严格正确的不准确度度量是这样的(直到正线性变换):XYX≺YX∼YTT11TF01/2FT11/2FF11
我们现在可以问:根据这种认知效用度量,我们可以为哪些规范提供认知效用论证?这里有一个例子,我们说如果第一个命题蕴含第二个命题,但第二个命题不蕴含第一个命题,则第一个命题严格比第二个命题更强:
严格准加性
如果 X 严格比 Y 更强,X 和 Z 是互斥的,Y 和 Z 是互斥的,那么 X∨Z≺Y∨Z。
如果 X 等同于 Y,X 和 Z 是互斥的,Y 和 Z 是互斥的,那么 X∨Z∼Y∨Z。
从这里,我们可以得出一些进一步的规范:
非平凡 ⊥≺⊤,如果 ⊥ 是一个矛盾而 ⊤ 是一个重言。
规律性 ⊥≺X≺⊤,如果 ⊥ 是一个矛盾,⊤ 是一个重言式,而 X 是偶然的。
严格单调性
如果 X 严格比 Y 更强大,那么理性要求 X≺Y。
如果 X 等同于 Y,则理性要求 X∼Y。
现在,我们已经假定排序是完整的。如果我们将传递性添加到完整性和严格拟加性中,那么可以保证存在一种特定的方式来表示这种排序:存在一个 Dempster-Shafer 信念函数 b 在 F 上,使得 b(X)<b(Y)当且仅当 X≺Y,且 b(X)=b(Y)当且仅当 X∼Y(Wong 等,1991 年)。
埃里克·雷德尔(Eric Raidl)和沃尔夫冈·斯波恩(Wolfgang Spohn)(2020)提出了一种稍有不同的方法来衡量比较信心排序的准确性,并为斯波恩排名理论(Spohn 2012)的规范提出了论证。
认知效用论证
在不精确信念模型中,我们通常将个体的认知状态表示为一组信念函数,而不是单一的信念函数,并假设这些信念函数是概率的。有各种相关的表示形式,其中一些更强大,一些不那么强大,例如上限和下限预期、理想赌注集和概率过滤器。我将在这里重点讨论概率函数集合。
在这一领域的中心结果是,对于不精确信念而言,没有类似于精确情况下的严格适当性属性的认知效用度量。这些结果有三个版本,从 Seidenfeld,Schervish 和 Kadane(2012)的定理开始,包括 Miriam Schoenfield(2017)和 Conor Mayo-Wilson 和 Gregory Wheeler(2016)的改编。我将介绍 Schoenfield 的版本,因为它最直接。
Schoenfield 考虑了最简单的情况,即我们的个体只对一个命题及其否定持有观点。她假设对于不精确信念的认知效用的任何度量具有以下特性:
在受限于对这两个命题的精确概率时,认知效用的度量在全知信念函数处达到最大值,并且是连续的。
有界认知效用由实数来衡量。
对于任何精确的信念状态,不存在任何不精确的信念状态,它在所有世界中至少与该精确状态一样好。
然后,Schoenfield 指出,如果 Extension、Boundedness 和 Probabilistic Admissibility 成立,那么对于任何不精确集合,都存在一个精确的概率信任函数,在每个世界具有相同的认知效用。这似乎存在问题,因为它暗示永远不会理性要求具有不精确的信任度,而它们的支持者通常认为可以这样做。
詹森·科内克(2019)提出了一种避免这种担忧的方法。他认为,事实上,我们不应该期望一种单一的认知效用度量适用于每种情况。这个想法是,我们对不精确信念的认知效用度量不仅编码了我们对准确性的态度,还编码了我们对认知风险的态度,对于每一种合法的衡量认知效用的方式,都存在一组由它认可的不精确信念。因此,真正需要的是,对于任何一组连贯的不精确信念,存在一种合法的衡量认知效用的方式认可它们:也就是说,从那个角度来看,它们认为自己是最好的。
未来方向
我们已经看到,认知效用论证为认知规范提供了一个富有成效的方法。尽管这个列表并非详尽无遗,但我们在本节中总结了一些未来研究的可能途径:
认知效用论证的一个吸引之处在于它不仅为我们提供了一种建立我们已经制定的规范的手段;它还提供了一个制定新规范的过程,以管理我们可以用来证明的不同情况。这个方法很简单:明确情况;明确你的认知效用度量;询问在该情况下,认知状态必须具备哪些特性,才能最大化该认知效用度量。例如,正是这种方法从 Joyce 对概率主义的论证,到 Greaves 和 Wallace 对条件化的论证,再到 Myrvold 对学习新证据价值的方法。越来越多的认识论学家正在考虑越来越不理想化的认知情境:你有证据,但你不知道那些证据是什么(Williamson 2000);你有高阶证据质疑你的一阶推理(Feldman 2005);等等。认知效用论证方法非常适合帮助制定规范来管理这些非理想情况。
尽管有一些关于如何选择不同认知效用测量方式的研究,但还有待进一步探讨(Pettigrew 2016,Levinstein 2017)。我们使用一种严格适当的评分规则而不是另一种的理由是什么?
认知效用论证的认知效用论证。虽然大部分关于认知效用的研究假定,与真理主义者一样,认知价值的唯一基本来源是真理或渐进准确性,认识论的其他部分谈到了进一步或替代来源,如解释力或由认知美德过程形成。如果这些是认知效用的来源之一,我们将如何衡量认知效用?
最后一个相当明显的建议是,存在大量的反对意见,仍然需要解决。在本次调查过程中,我们遇到了许多这样的反对意见,从 Levinstein 的变化重要性反对意见(第 5.1.1 节)到行为-状态依赖担忧(第 5.2.3 节)再到 Jennifer Carr 的认知扩展关注(第 5.2.4 节)。这三个问题以及上述其他问题仍然缺乏真正令人信服的回应。
还有许多工作要做。
Bibliography
Alchourrón, C.E., P. Gärdenfors, & D. Makinson, 1985, “On the Logic of Theory Change: Partial Meet Contraction and Revision Functions”, Journal of Symbolic Logic, 50: 510–530.
Berker, S., 2013a, “Epistemic Teleology and the Separateness of Propositions”, Philosophical Review, 122(3): 337–393.
–––, 2013b, “The Rejection of Epistemic Consequentialism”, Philosophical Issues (Supp. Noûs), 23(1): 363–387.
BonJour, L., 1985, The Structure of Empirical Knowledge, Cambridge, MA: Harvard University Press.
Briggs, R. A. & R. Pettigrew, 2020, “An Accuracy-Dominance Argument for Conditionalization”, Noûs, 54(1): 162–181.
Brown, P. M., 1976, “Conditionalization and expected utility” Philosophy of Science, 43(3): 415–419.
Buchak, L., 2013, Risk and Rationality, Oxford: Oxford University Press.
Caie, M., 2013, “Rational Probabilistic Incoherence”, Philosophical Review, 122(4): 527–575.
Campbell-Moore, C., 2015, “Rational Probabilistic Incoherence? A Reply to Michael Caie”, Philosophical Review 124(3): 393–406.
–––, & B. Salow 2020, “Avoiding Risk and Avoiding Evidence”, Australasian Journal of Philosophy, 98(3): 495–515.
–––, & B. Salow 2022, “Accurate Updating for the Risk–Sensitive”, The British Journal for the Philosophy of Science, 73(3): 751–776.
Carr, J., 2015, “Epistemic Expansions”, Res Philosophica, 92(2): 217–236.
–––, 2017, “Epistemic Utility Theory and the Aim of Belief”, Philosophy and Phenomenological Research, 95(3): 511–534.
–––, 2019, “A Modesty Proposal”, Synthese. doi:10.1007/s11229-019-02301-x
Cox, R. T., 1946, “Probability, Frequency and Reasonable Expectation”, American Journal of Physics, 14: 1–13.
–––, 1961, The Algebra of Probable Inference, Baltimore: Johns Hopkins University Press.
D’Agostino, M. & C. Sinigaglia, 2010, “Epistemic Accuracy and Subjective Probability”, in M. Dorato & M. Suàrez (eds.), EPSA Epistemology and Methodology of Science, Springer.
Das, N., “The Value of Biased Information”, The British Journal for the Philosophy of Science, 74(1): 25–55.
de Finetti, B., 1937 [1980], “Foresight: Its Logical Laws, Its Subjective Sources”, in H. E. Kyburg & H. E. K. Smokler (eds.), Studies in Subjective Probability, Huntington, NY: Robert E. Kreiger Publishing Co., 1980
–––, 1974, Theory of Probability Vol. 1, New York: Wiley.
Diaconis, P. & S. Zabell, 1982, “Updating Subjective Probability” Journal of the American Statistical Association, 77(380): 822–830.
Dorst, K., 2017, “Lockeans Maximize Expected Accuracy”, Mind, 128(509): 175–211.
Douven, I. & S. Wenmackers, 2017, “Inference to the Best Explanation versus Bayes???s Rule in a Social Setting”, British Journal for the Philosophy of Science, 68(2): 535–570.
Dunn, J., 2018, “Accuracy, Verisimilitude, and Scoring Rules”, Australasian Journal of Philosophy, 97(1): 151–166.
Easwaran, K., 2013, “Expected Accuracy Supports Conditionalization—and Conglomerability and Reflection”, Philosophy of Science, 80(1): 119–142.
–––, 2015, “Accuracy, Coherence, and Evidence”, Oxford Studies in Epistemology, 5, 61–96.
–––, 2016, “Dr Truthlove, Or: How I Learned to Stop Worrying and Love Bayesian Probabilities”, Noûs, 50(4): 816–853
––– & B. Fitelson, 2012, “An ‘evidentialist’ worry about Joyce’s argument for Probabilism”, Dialectica, 66(3): 425–433.
Feldman, R., 2005, “Respecting the Evidence”, Philosophical Perspectives, 19(1): 95–119.
Fitelson, B. & K. Easwaran, 2015, “Accuracy, Coherence and Evidence”, Oxford Studies in Epistemology, 5: 61–96.
Fitelson B. & D. McCarthy, 2014, “Toward an epistemic foundation for comparative confidence”, Presentation, University of Wisconsin-Madison. [Online version available here].
Flores, C. & E. Woodard, forthcoming, “Epistemic Norms on Evidence–Gathering”, Philosophical Studies.
Foley, R., 1992, “The Epistemology of Belief and the Epistemology of Degrees of Belief”, American Philosophical Quarterly, 29(2): 111–121.
Fraassen, B.C. van, 1983, “Calibration: Frequency Justification for Personal Probability”, in R.S. Cohen & L. Laudan (eds.), Physics, Philosophy, and Psychoanalysis, Dordrecht: Springer.
Gallow, J. D., 2019, “Learning and Value Change”, Philosophers’ Imprint, 19: 1–22.
–––, 2021, “Updating for Externalists”, Noûs, 55(3): 487–516.
Goldman, A.I., 1999, Knowledge in a Social World, New York: Oxford University Press.
Good, I. J., 1967, “On the Principle of Total Evidence”, The British Journal for the Philosophy of Science, 17(4):319–321.
Greaves, H., 2013, “Epistemic Decision Theory”, Mind, 122(488): 915–952.
Greaves, H. & D. Wallace, 2006, “Justifying Conditionalization: Conditionalization Maximizes Expected Epistemic Utility”, Mind, 115(459): 607–632.
Hacking, I., 1967, “Slightly More Realistic Personal Probability”, Philosophy of Science, 34(4): 311–325.
Harman, G., 1973, Thought, Princeton, NJ: Princeton University Press.
Hájek, A., 2008, “Arguments For—Or Against—Probabilism?”, The British Journal for the Philosophy of Science, 59(4): 793–819.
–––, 2009, “Fifteen Arguments against Hypothetical Frequentism”, Erkenntnis, 70: 211–235.
Hempel, C., 1962, “Deductive–Nomological vs. Statistical Explanation”, in H. Feigl and & G. Maxwell (eds.) Minnesota Studies in the Philosophy of Science (vol. III), Minneapolis:University of Minnesota Press.
Horowitz, S., 2014, “Immoderately rational”, Philosophical Studies, 167: 41–56.
–––, 2017, “Accuracy and Educated Guesses” in T. Szabó Gendler & J. Hawthorne (eds.) Oxford Studies in Epistemology, volume 6 Oxford: Oxford University Press.
–––, 2019, “The Truth Problem for Permissivism”, Journal of Philosophy 116(5): 237–262.
Hughes, R. I. G. & B. C. van Fraassen, 1984, “Symmetry arguments in probability kinematics”, in PSA: Proceedings of the Biennial Meeting of the Philosophy of Science Association (Issue 2/Volume Two: Symposia and Invited Papers), pp. 851–869 doi:10.1086/psaprocbienmeetp.1984.2.192543
Hurwicz, L., 1952, “A criterion for decision making under uncertainty”, Cowles Commission Technical Report 355.
Huttegger, S.M., 2013, “In Defense of Reflection”, Philosophy of Science, 80(3): 413–433.
Ismael, J., 2008, “Raid! Dissolving the Big, Bad Bug”, Noûs, 42(2): 292–307.
Jaffray, J-Y., 1989, “Coherent bets under partially resolving uncertainty and belief functions”, Theory and Decision, 26: 90–105.
James, W., 1897, “The Will to Believe’, in The Will to Believe, and Other Essays in Popular Philosophy, New York: Longmans Green.
Jeffrey, R., 1965, The Logic of Decision, New York: McGraw-Hill.
Jeffrey, R., 1983, The Logic of Decision (2nd). Chicago; London: University of Chicago Press.
Jenkins, C.S., 2007, “Entitlement and Rationality”, Synthese, 157: 25–45.
Joyce, J.M., 1998, “A Nonpragmatic Vindication of Probabilism”, Philosophy of Science, 65(4): 575–603.
–––, 2009, “Accuracy and Coherence: Prospects for an Alethic Epistemology of Partial Belief”, in F. Huber & C. Schmidt-Petri (eds.), Degrees of Belief, Springer.
–––, 2018, “The True Consequences of Epistemic Consequentialism”, in Ahlstrom-Vij & Dunn 2018.
Kelley, M., 2019, Accuracy Dominance on Infinite Opinion Sets, MA Thesis, UC Berkeley. [Online version available here].
Kelly, T., 2014, “Evidence Can Be Permissive”, in M. Steup, J. Turri, & E. Sosa (eds.) Contemporary Debates in Epistemology, Oxford: Wiley-Blackwell.
Kerbel, G., ms, “A New Approach to Scoring on the Educated Guessing Framework”, Unpublished manuscript.
Konek, J., 2016, “Probabilistic Knowledge and Cognitive Ability”, Philosophical Review, 125(4): 509–587.
–––, 2019, “IP Scoring Rules: Foundations and Applications”, Proceedings of Machine Learning Research, 103: 256–264.
–––, 2022, “The Art of Learning” in T. Szabó Gendler & J. Hawthorne (eds.) Oxford Studies in Epistemology, volume 7 Oxford: Oxford University Press.
Konek, J. & B.A. Levinstein, 2019, “The Foundations of Epistemic Decision Theory”, Mind, 128(509): 69–107.
Kopec, M., 2012, “We Ought to Agree: A Consequence of Repairing Goldman’s Group Scoring Rule”, Episteme, 9: 101–14.
Leitgeb, H., 2021, “A Structural Justification of Probabilism: From Partition Invariance to Subjective Probability”, Philosophy of Science, 88(2): 341–365.
Leitgeb, H. & R. Pettigrew, 2010a, “An Objective Justification of Bayesianism I: Measuring Inaccuracy”, Philosophy of Science, 77: 201–235.
–––, 2010b, “An Objective Justification of Bayesianism II: The Consequences of Minimizing Inaccuracy”, Philosophy of Science, 77: 236–272.
Levinstein, B. A., 2012, “Leitgeb and Pettigrew on Accuracy and Updating”, Philosophy of Science, 79(3): 413–424.
–––, 2015, “With All Due Respect: The Macro-Epistemology of Disagreement”, Philosophers’ Imprint, 15(3): 1–20.
–––, 2017, “A Pragmatist’s Guide to Epistemic Utility”, Philosophy of Science 84(4): 613–638.
–––, 2018, “An Objection of Varying Importance to Epistemic Utility Theory”, Philosophical Studies. doi:10.1007/s11098-018-1157-9
–––, 2023, “Accuracy, Deference, and Chance” Philosophical Review 132(1): 43–87.
Lewis, D., 1980, “A Subjectivist’s Guide to Objective Chance”, in R.C. Jeffrey (ed.), Studies in Inductive Logic and Probability (Vol. II). Berkeley: University of California Press.
Locke, J., 1689 [1975] An Essay Concerning Human Understanding, P.H. Nidditch (ed.) Oxford: Clarendon Press.
Maher, P., 1993, Betting on Theories, Cambridge: Cambridge University Press.
–––, 2002, “Joyce’s Argument for Probabilism”, Philosophy of Science, 69(1): 73–81.
Mayo-Wilson, C. & G. Wheeler, 2016, “Scoring Imprecise Credences: A Mildly Immodest Proposal”, Philosophy and Phenomenological Research, 92(1): 55–78.
–––, ms., “Epistemic Decision Theory’s Reckoning”. Unpublished manuscript. [Online version available here].
Meacham, C. J. G., 2018, “Can All-Accuracy Accounts Justify Evidential Norms”, in Ahlstrom-Vij & Dunn 2018.
Moss, S., 2011, “Scoring Rules and Epistemic Compromise”, Mind, 120(480): 1053–1069.
–––, 2018, “Probabilistic Knowledge”, Oxford: Oxford University Press.
Myrvold, W., 2012, “Epistemic values and the value of learning”, Synthese, 187: 547–568.
Nielsen, M., 2021, “Accuracy-dominance and conditionalization”, Philosophical Studies, 178(10): 3217–3236.
–––, 2022, “On the Best Accuracy Arguments for Probabilism”, Philosophy of Science, 89(3): 621–630.
–––, 2023, “Accuracy and Probabilism in Infinite Domains” Mind, 132(526): 402–427.
Oddie, G., 1997, “Conditionalization, cogency, and cognitive value”, British Journal for the Philosophy of Science, 48(4): 533–541.
–––, 2019, “What Accuracy Could Not Be”, The British Journal for the Philosophy of Science, 70(2): 551–580.
Paris, J. B., 1994, The Uncertain Reasoner’s Companion: A Mathematical Perspective, Cambridge: Cambridge University Press.
–––, 2001, “A Note on the Dutch Book Method”, Proceedings of the Second International Symposium on Imprecise Probabilities and their Applications Ithaca, NY: Shaker.
Pérez Carballo, A., 2018, “Good Questions”, in J. Dunn & K. Ahlstrom-Vij (eds.), Epistemic Consequentialism, Oxford: Oxford University Press.
Pettigrew, R., 2010, “Modelling uncertainty”, Grazer Philosophische Studien, 80.
–––, 2013a, “A New Epistemic Utility Argument for the Principal Principle”, Episteme, 10(1): 19–35.
–––, 2013b, “Epistemic Utility and Norms for Credence”, Philosophy Compass, 8(10): 897–908.
–––, 2014a, “Accuracy and Evidence”, Dialectica.
–––, 2014b, “Accuracy, Risk, and the Principle of Indifference”, Philosophy and Phenomenological Research.
–––, 2016a, Accuracy and the Laws of Credence, Oxford: Oxford University Press.
–––, 2016b, “Jamesian epistemology formalised: An explication of ‘The Will to Believe’” Episteme 13(3): 253–268.
–––, 2017, “On the Accuracy of Group Credences” in T. Szabó Gendler & J. Hawthorne (eds.) Oxford Studies in Epistemology, volume 6 Oxford: Oxford University Press.
–––, 2018a, “Making Things Right: the true consequences of decision theory in epistemology”, in Ahlstrom-Vij & Dunn 2018.
–––, 2018b, “The Population Ethics of Belief: In Search of an Epistemic Theory X”, Noûs, 52(2): 336–372.
–––, 2018c, “Accuracy-First Epistemology Without Additivity”, Philosophy of Science, 89(1): 128–151.
–––, 2021a, “Logical ignorance and logical learning”, Synthese, 198(10): 9991–10020.
–––, 2021b, “On the pragmatic and epistemic virtues of inference to the best explanation”, Synthese 199(5–6): 12407–12438.
–––, 2022, Epistemic Risk and the Demands of Rationality, Oxford: Oxford University Press.
–––, 2023, “Bayesian updating when what you learn might be false”, Erkenntnis 88(1): 309–324.
Predd, J., et al., 2009, “Probabilistic Coherence and Proper Scoring Rules”, IEEE Transactions on Information Theory 55(10): 4786–4792.
Quiggin, J., 1982, “A theory of anticipated utility”, Journal of Economic Behavior and Organization 3(4): 323–43.
Raidl, E. & W. Spohn, 2020, “An Accuracy Argument in Favor of Ranking Theory”, Journal of Philosophical Logic 49(2): 283–313.
Ramsey, F. P., 1926 [1931], “Truth and Probability”, in R. B. Braithwaite (ed.) The Foundations of Mathematics and other Logical Essays, London: Routledge & Kegan Paul Ltd.
Rescorla, M., 2022, “An Improved Dutch Book Theorem for Conditionalization”, Erkenntnis, 87(3): 1013–1041.
Rosenkrantz, R.D., 1981, Foundations and Applications of Inductive Probability, Atascadero, CA: Ridgeview Press.
Rothschild, D., 2021, ‘Lockean Beliefs, Dutch Books, and Scoring Systems’, Erkenntnis, 88(5): 1979–1995.
Schervish, M. J., 1989, “A General Method for Comparing Probability Assessors“ The Annals of Statistics, 17(4): 1856–1879.
Schoenfield, M., 2014, “Permission to Believe: Why Permissivism Is True and What It Tells Us About Irrelevant Influences on Belief”, Noûs, 48(2): 193–218.
–––, 2016, “Conditionalization does not (in general) Maximize Expected Accuracy”, Mind, 126(504): 1155–1187
–––, 2017, “The Accuracy and Rationality of Imprecise Credences”, Noûs, 51(4): 667–685.
–––, 2019, “Accuracy and Verisimilitude: The Good, The Bad, and The Ugly”, The British Journal for the Philosophy of Science. doi:10.1093/bjps/axz032
Seidenfeld, T., 1985, “Calibration, Coherence, and Scoring Rules”, Philosophy of Science, 52(2): 274–294.
Seidenfeld, T., M.J. Schervish, & J.B. Kadane, 2012, “Forecasting with imprecise probabilities”, International Journal of Approximate Reasoning, 53: 1248–1261.
Shear, T. & B. Fitelson, 2019, “Two Approaches to Belief Revision” Erkenntnis 84(3): 487–518.
Spohn, W., 2012, The Laws of Belief: Ranking Theory & its Philosophical Applications, New York: Oxford University Press.
Staffel, J. & G. de Bona, Forthcoming, “An Improved Argument for Superconditionalization”, Erkenntnis.
Sylvan, K., 2020, “An Epistemic Non-Consequentialism”, The Philosophical Review, 129(1): 1–51.
Talbot, B., 2022, I “Headaches for Epistemologists”, Philosophy and Phenomenological Research, 104(2): 408–433.
van Fraassen, B. C., 1999, “Conditionalization, A New Argument For”, Topoi, 18(2): 93–96.
Vindrola, F. & V. Crupi, forthcoming, “Bayesians Too Should Follow Wason: A Comprehensive Accuracy–Based Analysis of the Selection Task”, The British Journal for the Philosophy of Science.
Wald, A., 1945, “Statistical decision functions which minimize the maximum risk”, The Annals of Mathematics, 46(2): 265–280.
Walsh, S., ms., “Probabilism in Infinite Dimensions”. Unpublished manuscript.
White, R., 2009, “Evidential Symmetry and Mushy Credence”, Oxford Studies in Epistemology, 3: 161–186.
Williams, J. R. G., 2012a, “Gradational accuracy and nonclassical semantics”, Review of Symbolic Logic, 5(4):513–537.
–––, 2012b, “Generalized Probabilism: Dutch Books and accuracy domination”, Journal of Philosophical Logic, 41(5):811–840.
–––, 2018, “Rational Illogicality”, Australasian Journal of Philosophy, 96(1): 127–141.
Williams, J. R. G. & R. Pettigrew, 2023, ‘Consequences of Calibration’, The British Journal for the Philosophy of Science.
Williamson, T., 2000, Knowledge and its Limits, Oxford: Oxford University Press.
Wong, S.K.M., Yao, Y.Y., Bollmann, P., & Bürger, H.C., 1991, “Axiomatization of qualitative belief structure”, IEEE Transactions on System, Man, and Cybernetics, 21: 726–734.
Zollman, K. J. S., 2010, “The Epistemic Benefit of Transient Diversity”, Erkenntnis 72(1): 17–35.
Academic Tools
Look up topics and thinkers related to this entry at the Internet Philosophy Ontology Project (InPhO). | |
Enhanced bibliography for this entry at PhilPapers, with links to its database. |
Other Internet Resources
Pettigrew, Richard, The webpage for Pettigrew’s Accuracy and the Laws of Credence. This includes video tutorials that work through some of the central results in accuracy-first epistemology.
Weisberg, Jonathan, A series of blogposts that walk slowly through the technical side of accuracy-first epistemology.
Related Entries
belief, formal representations of | epistemology | epistemology: Bayesian | probability, interpretations of
Copyright © 2023 by Richard Pettigrew <richard.pettigrew@bris.ac.uk>
最后更新于