科学哲学中基于主体的模型 modeling in the philosophy of science, agent-based (Dunja Šešelja)

首次发表于 2023 年 9 月 7 日

基于主体模型（ABMs）是计算模型，用于模拟个体主体的行为，以研究社区层面上的新兴现象。根据应用的不同，主体可以代表人类、机构、微生物等等。主体的行动基于自主决策和其他行为特征，通过形式化规则实施。通过模拟主体之间的分散本地交互以及主体与环境之间的交互，ABMs 使我们能够以受控和逐渐的方式观察复杂的群体级现象。

本文重点介绍了基于主体模型在科学哲学中的应用，特别是在科学的形式社会认识论领域。通过这些模型所研究的问题通常与科学探究的社会方面直接相关，但由于涉及到社会现象的复杂动态，许多这些问题很难用其他方法来解决。在介绍基于主体模型在科学哲学中的起源背景后（第 1 节），本文如下介绍了该方法及其应用。我们首先调查了使用基于主体模型研究的核心问题，旨在展示为什么这种方法在科学哲学中引起了兴趣（第 2 节）。由于每个研究问题可以通过各种建模框架来解决，我们接下来深入探讨了科学哲学中常用的一些框架，以展示基于主体模型如何解决哲学问题（第 3 节）。随后，我们重新审视了之前调查的问题，并通过基于主体模型获得的见解来回答每个问题（第 4 节）。最后，我们转向基于主体模型的认识论和模型的底层认识功能（第 5 节）。鉴于基于主体模型通常具有高度理想化的特点，我们研究了哪些认识论角色支持模型在探索性或解释性目标上与哲学问题的接触能力。本文最后提供了该领域未来研究方向的展望（第 6 节）。

由于关于科学基于主体模型的文献广泛且不断增长，因此不可能对在这个主题上开发的模型进行详尽的调查。相反，本条目旨在通过关注科学哲学中发展的典型 ABM 示例，以及它们在形式社会认识论之外的相关性，提供一个系统的概述。

1. 起源

基于主体模型的方法最初在 20 世纪 70 年代和 80 年代发展起来，用于社会分离模型（Schelling 1971; Sakoda 1971; 另见 Hegselmann 2017）和社会科学中的合作模型（Axelrod＆Hamilton 1981），并在生态学中以“个体为基础的建模”之名（有关概述请参见 Grimm＆Railsback 2005）。继承这一传统，基于主体模型引起了研究科学探究社会方面的学者的兴趣。通过将科学家作为具备推理和决策规则的主体来表示，基于主体模型可以用于研究科学研究的社会动态。因此，科学的基于主体模型已经在包括科学在其主题领域内的各个学科中得到发展：从科学社会学，组织科学，文化进化理论，跨学科的元科学领域（或“科学的科学”），到社会认识论和科学哲学。虽然在科学哲学中发展的基于主体模型经常处理与其他领域中的科学基于主体模型所研究的相似或相关的主题，但它们受到哲学问题的驱动-嵌入在科学哲学的广泛文献中的问题。它们的引入受到几个平行研究线的影响：科学哲学中的分析建模，相关哲学领域中的计算建模，以及社会科学中的基于主体模型。接下来，我们简要介绍每个先驱。

科学形式社会认识论发展背后的一个核心思想，由菲利普·基彻在他的《科学的进步》中简洁地表达出来：

社会认识论的一般问题，就我所理解的，是要确定认识论上设计良好的社会系统的特性，也就是要指定一组个体根据各种修改个体实践的规则操作，在相互作用中成功生成一系列共识实践的条件。（基彻 1993 年：303）

这种对科学社会认识论的视角突出了对个体和群体探究之间关系的更好理解的需求。继经济学形式建模传统之后，哲学家们引入了分析模型来研究这种关系中固有的紧张关系，例如个体和群体理性之间的紧张关系。通过这种方式，他们试图回答一个问题：个体科学家如何能够共同形成一个实现认识论目标的社群，而这些个体科学家可能受非认识论动机驱使。最著名的是戈德曼和沙克德（1991 年）开发了一个模型，研究了促进个人成功目标与促进真理获取之间的关系，而基彻（1990 年，1993 年）提出了一个认知劳动分工模型，表明由非认识论兴趣驱动的科学家社群可以实现研究努力的最优分配。这项工作之后还有许多其他贡献（例如，Zamora Bonilla 1999 年；Strevens 2003 年）。在这一传统中发展的分析模型支持了经济学方法来研究科学，根植于“慷慨的看不见的手”的思想，即在给定社群中相互作用的个体可以产生对社群目标有益的后果，而不一定以这些后果为目标（Mäki 2005 年）。

大约在同一时间，计算方法进入了博弈论背景下对理性思考和合作的哲学研究中（Skyrms 1990, 1996; Grim, Mar, & St. Denis 1998），科学哲学中的理论评估（Thagard 1988）以及社会认识论中的观点动态研究（Hegselmann & Krause 2002, 2005; Deffuant, Amblard, Weisbuch, & Faure 2002）。在这些文献中引入的计算模型包括基于主体的模型：例如，囚徒困境的元胞自动机模型，或者研究意见在一群主体中如何变化的模型。

基于主体的建模首次应用于科学研究中的科学社会学，由尼格尔·吉尔伯特（Nigel Gilbert）开发的模型（1997）（参见 Payette 2011）。吉尔伯特的基于主体的模型旨在重现此前在定量社会学研究中已经确定的科学增长指标的规律性（例如出版物增长率和每篇论文的引用分布）。该模型遵循了社会科学中人工社会模拟的已经确立的传统（参见 Epstein & Axtell 1996）。与其他社会科学（如经济学和考古学）中开发的抽象和高度理想化的模型相比，科学社会学中的基于主体的模型倾向于将模拟和用于验证的经验研究相结合（参见 Gilbert & Troitzsch 2005）。

不久之后，基于主体的模型通过 Zollman（2007）、Weisberg 和 Muldoon（2009）、Grim（2009）、Douven（2010）等先驱性作品被引入科学哲学。与社会科学中发展的基于主体的模型相比，这些基于主体的模型遵循抽象和高度理想化建模的传统。类似于分析模型，它们被引入研究个体科学家的各种属性，如他们的推理、决策、行动和关系，以及这些属性如何导致表征科学社区的现象，如获取知识的成功或失败。通过以抽象和理想化的方式表示探究，它们有助于洞察个体探究的某些方面与其对社区的影响之间的关系，同时抽象掉实际科学实践中发生的众多因素。但与分析模型不同，基于主体的模型被证明适用于通常对分析方法过于复杂的场景。这些场景包括具有异质性的科学社区，其中个体科学家在信念、研究启发法、社交网络、探究目标等方面存在差异。这些属性中的每一个都可以随时间变化，取决于主体的局部互动。通过这种方式，基于主体的模型可以展示个体探究的某些特征足以在各种初始条件下生成群体级现象。事实上，基于主体的模型在科学哲学中的引入在很大程度上遵循了生成性社会科学的核心思想：要解释宏观规律的出现，我们需要展示异质自治主体的分散局部互动如何生成它。正如 Joshua Epstein 总结的那样：“如果你没有培养它，你就没有解释它的出现”（2006）。

2. 中心研究问题

基于主体科学模型通常模拟个体探究的某些方面对科学界认知表现的影响。本节概述了以这种方式研究的一些核心研究问题。其目的是解释为什么引入基于主体模型来研究哲学问题，并且它们的引入与科学哲学领域的更广泛文献有何关联。

2.1 理论多样性与科学的激励结构

科学家群体如何确保在追求有成果的探究方向上进行押注，而不仅仅追求次优的方向？回答这个问题涉及到协调和组织认知劳动，这可以产生一种追求理论多样性的最佳多样性。在哲学文献中，人们早就认识到在给定领域中同步追求多种理论的重要性（Mill 1859; Kuhn 1977; Feyerabend 1975; Kitcher 1993; Longino 2002; Chang 2012）。但是，科学界如何实现研究努力的最佳分配？哪些因素影响科学家在划分和协调劳动时刺激理论多样性？简而言之，理论多样性是如何实现和维持的？

解决这个问题的一种方法是通过研究科学家不同的激励如何影响他们的分工。为了看到这个问题的相关性，考虑一个由相同认识激励驱动的科学家社群。正如基彻（1990）所认为的，在这样的社群中，每个人最终可能都会追求相同的、最有前景的研究方向，导致几乎没有多样性。传统上，科学哲学家试图通过论证理论选择的多样性可能来解决这个担忧（费耶阿本德 1975），以及认识价值的多样应用（库恩 1977），或者来自于对理论的不同认知态度，如接受和追求的价值（劳丹 1977）。然而，基彻怀疑非认识激励，如名声和财富，通常被认为干扰科学的认识目标，是否实际上对社群有益，因为它们鼓励科学家偏离主导的研究方向。

科学家通过信用来奖励他们的成就，这影响了他们的研究选择，这一观点早在 Merton（1973）和 Hull（1978, 1988）的研究中就已经得到认可。例如，科学家可能因为首次发现某项发现而获得认可（被称为“优先规则”），这可能激励他们采取特定的研究方法。然而，这种非认识论的激励也可能无法促进最优种类的多样性。例如，它们可能导致过多的研究花费在无用的假设上，或者过少的科学家研究最佳理论。此外，如果奖励被错误地分配给与网络关系良好的科学家，而不是分配给实际上首次发现的科学家，或者如果以信用为驱动的科学降低了科学产出的质量，激励结构将产生不良影响。这引发了一个问题：哪种激励结构能够促进劳动分工的最优划分，而不会产生认识论或道德上的有害影响？

基于主体模型为研究这些问题提供了一个合适的基础：通过将个体科学家建模为受特定激励驱动，我们可以研究他们的劳动分工和由此产生的共同探究。我们将在第 4.1 节中研究研究这些问题的模型。

2.2 理论多样性和科学的沟通结构

研究理论多样性的另一种方法是关注科学社群的沟通结构。在这种情况下，我们关注的是科学家之间的信息流如何影响他们在不同竞争性假设之间的研究分布。科学交流对于科学知识的产生在社会认识论中一直受到重视（Goldman 1999）。但是，沟通结构如何影响科学家的知识生成呢？科学家在强连接的社交网络内进行沟通，还是在较少连接的社交网络内进行沟通，在哪些研究条件下更好？这些及相关问题属于网络认识论领域，该领域研究沟通网络对知识获取过程的影响。网络认识论起源于经济学、社会学和组织科学（例如，Granovetter 1973；Burt 1992；Jackson & Wolinsky 1996；Bala & Goyal 1998），并且在哲学文献中首次与基于主体的模型相结合，由 Zollman（2007）提出（另见 Zollman 2013）。

科学交互的模拟起源于这样一个想法：科学家之间的不同通信网络（以不同程度的连接性为特征，见图 1）可能对科学思想的“探索”和“开发”之间的平衡产生不同的影响。假设一位科学家正在寻找某种疾病的最佳治疗方法，因为现有方法效果不佳。一方面，她可以追求当前主导的关于疾病原因的假设，希望最终能取得更好的结果。另一方面，她可以探索新的想法，希望能有突破，找到更成功的治愈方法。因此，科学家面临着开发（利用现有思想）和探索（寻找新可能性）之间的权衡，这在形式学习理论和组织科学中已经研究了很长时间（March 1991）。科学家之间的信息流可以影响这种权衡的方式：如果一个最初误导性的想法在社区中过快地被分享，科学家们可能会固守于研究它，过早地放弃寻找更好的解决方案。另一方面，如果信息流缓慢而稀疏，一些科学家获得的重要见解（可能导致最佳解决方案）可能在很长一段时间内未被其他社区成员发现。基于主体模型被引入以研究信息流是否会产生这些效应，以及在哪些情况下会产生这些效应。例如，如果假设科学家是理性的主体，那么一个紧密联系的社区是否最终会探索得太少，错过重要的研究方向？

除了研究由“认识论上不妥协”的科学家组成的社群之外，也可以对被认识论利益取代的社群提出类似的问题。例如，工业利益集团对科学的影响可能导致偏见或欺骗性的做法，这可能使科学界偏离其认识论目标（Holman＆Elliott 2018）。虽然最近的哲学讨论在这个问题上主要集中在非认识论价值在科学中的作用上（Douglas 2009; Holman＆Wilholt 2022; Bueter 2022; Peters 2021），基于主体模型被引入来研究认识论有害策略如何影响探究过程，并确定可以用来减轻其有害影响的干预措施。

除了理论多样性的问题，网络认识论还被应用于许多其他主题，例如最佳形式的合作，导致科学极化的因素，从众对集体探究的影响，人口多样性的影响，少数群体的地位，双重用途研究的最佳监管，论证动态等等。我们将在第 4.2 节和第 4.6 节中研究研究理论多样性和科学的沟通结构的模型。

(a)

(b)

(c)

图 1：三种理想化的通信网络类型，代表着不断增加的连接程度：(a)一个循环，(b)一个轮子，和(c)一个完全图。每个图中的节点代表科学家，而节点之间的边代表两个科学家之间的信息通道。

2.3 认知多样性

个体的认知特征的多样性在各种问题解决情境中都可能有益，包括商业和政策制定（Page 2017）。但是，科学家的认知特征的多样性，包括他们的背景信念、推理风格、研究偏好、启发式和策略，如何影响科学界的探究？在科学哲学中，这个问题在库恩对正常科学和革命性科学的区分（库恩 1962）中引起了关注，这表明不同的倾向可能会推动科学家朝着一种类型的研究而不是另一种类型的研究（参见 Hull 1988）。这引发了一个问题：如何将寻求风险的特立独行的科学家和风险规避的科学家分配给社区的探究？更一般地说：在不同的研究启发式之间如何分配劳动能够实现更成功的集体探究？

通过赋予不同认知特征的主体，我们可以使用基于主体的模型来代表不同认知多样（或统一）的人群，并研究它们对共同探究的某种成功度量的影响。我们将在第 4.3 节中研究研究这些问题的模型。

2.4 社会多样性

当科学社群的成员支持不同的非认识论价值观，如道德和政治观点，或者当他们具有不同的社会位置，如性别、种族和其他人口统计学方面时，科学社群在社会上是多样化的（Rolin 2019）。社会多样性的重要性在女性主义认识论中长期受到强调，无论是出于伦理还是认识论的原因。例如，许多人指出，社会多样性是认知多样性的重要催化剂，而认知多样性又对于观点的多样性以及科学客观性至关重要（Longino 1990, 2002；Haraway 1989；Wylie 1992, 2002；Grasswick 2011；Anderson 1995；关于科学探究背景下不同多样性概念的讨论，请参见 Steel 等人 2018 年）。

此外，在社会心理学和组织科学领域，有人认为，即使社会多样性不促进认知多样性，它在认识论上也是有益的。相反，它可能抵消同质群体的认识论有害倾向，例如对彼此证词的不合理信任或不愿分享异议意见（有关文献综述，请参见 Page 2017；Fazelpour 和 Steel 2022）。虽然这些假设得到了实证研究的支持，但基于主体模型已被证明是一个补充性的测试平台，可以调查社会多样性在认识论上有益所需满足的最小条件。

另一个通过基于主体模型解决的问题涉及可能削弱社会多样性或对科学中的少数群体成员造成不利影响的因素。例如，一个人的少数群体地位如何影响他在协作环境中的地位，考虑到科学社区中可能出现的协作规范？或者一个人的社会身份如何影响他们的观点被接受程度？我们将在第 4.4 节和第 4.7 节中研究探讨这些问题的模型。

2.5 科学中的同行分歧

科学分歧通常被认为对科学进展至关重要（库恩 1977；朗吉诺 2002；所罗门 2006）。它们通常与理论多样性（参见第 2.1 节和 2.2 节）相伴随，并促进科学家之间的批判性互动，这对于实现科学客观性至关重要。然而，对分歧的不恰当回应可能导致对有益探究的过早拒绝，导致科学领域的分裂，从而对科学进展产生逆效果。这引发了一个问题：科学家应该如何应对与同行的分歧，以降低受阻探究的机会？在这种情况下，他们应该遵循哪些认识论和方法论规范？

这个问题已经在社会认识论中关于同行异议的更广泛辩论的背景下进行了讨论。同行异议的问题涉及一个问题：在意识到同行在某个问题上存在异议时，对于 p，什么是适当的信念态度？一个人应该遵循“协调规范”，例如要降低对 p 的信心，通过在对立方的信念和自己在这个问题上的信念之间取中间立场来分歧，还是暂时搁置对 p 的判断？还是应该遵循“坚定规范”，要求坚持自己的立场，保持与遇到异议的同行之前相同的信念和信心？（支持协调规范的初步论证见，例如，Elga 2007，Christensen 2010，Feldman 2006；支持坚定规范的论证见，例如，De Cruz＆De Smedt 2013，Kelp＆Douven 2012；关于规范为什么是依赖于语境的原因，见，例如，Kelly 2010 [2011]，Konigsberg 2013，Christensen 2010，Douven 2010；关于将这一辩论应用于科学实践的最新批判性评论见 Longino 2022。)

同样，在科学分歧和争议的情况下，我们可以问：参与同行分歧的科学家是否应该通过妥协的规范来削弱自己的立场，还是应该坚持不变？在科学探究的背景下，这个问题特别具有挑战性的是，我们不仅对于关于对分歧的适当信念反应的认识问题感兴趣，还对于规范如何影响集体探究作为一个过程的成功的方法论问题感兴趣。特别是，如果科学家在研究某个主题时遇到多个分歧，他们的集体探究是否更多地受益于个体采取妥协态度还是坚定态度？基于主体模型自然而然地成为研究这些问题的一种方法：通过将科学家建模为根据不同的规范反应来引导，我们可以研究规范对共同探究的影响。我们将在第 4.5 节中研究这些问题的模型。

2.6 科学极化

与科学分歧问题密切相关的是科学极化问题。虽然科学争议通常会随着时间的推移而解决，但它们可能包括极化期，即使在广泛辩论之后，社区的不同部分仍然保持相互冲突的态度。但是，极化是如何产生的？科学社区只有在科学家过于教条主义或偏向于自己观点的情况下才会极化，还是即使在理性主体之间也可能出现极化？

在社会科学和政治科学中，有一系列正式模型来解决社会中的类似问题（参见 Bramson 等人，2017 年的综述），基于主体模型已被用于研究科学背景下极化的出现。基于主体模型之所以特别适用于这个任务，不仅在于我们可以模拟个体探究的不同方面，这些方面可能导致极化的出现（例如不同的背景信念、不同的沟通网络、不同的信任关系等），而且我们还可以观察到极化状态的形成、它们的持续时间（作为探究过程中的稳定或临时状态）以及它们的特征（例如科学家在相反观点之间的分布）。我们将在第 4.6 节中研究这些问题的模型。

2.7 科学合作

由于获取和分析科学证据对于任何个体科学家来说可能需要大量资源，科学合作是一种广泛的群体探究形式。当然，科学家进行合作的原因不仅仅是这个：导致合作的激励因素既有认识论的（例如提高研究质量），也有非认识论的（例如追求认可）。这引发了一个问题：合作何时有益，合作研究可能面临哪些挑战？受到这些问题的启发，科学哲学家研究了为什么合作有益（Wray，2002 年），合作对认识论信任和问责性提出了哪些挑战（Kukla，2012 年；Wagenknecht，2015 年），合作研究产生了哪种知识（例如集体信念或接受，M. Gilbert，2000 年；Wray，2007 年；Andersen，2010 年），合作中涉及哪些价值观（Rolin，2015 年），合作的最佳结构是什么（Perović，Radovanović，Sikimić 和 Berber，2016 年），等等。

基于主体的协作模型被引入来研究上述及相关问题，重点关注协作如何影响探究。虽然协作确实有益，但确定其有益条件并不简单。例如，根据科学家如何参与协作，社区中的少数群体可能会处于不利地位。我们将在第 4.7 节中研究这些问题的模型。

2.8 总结

除了上述主题，基于主体的模型还被应用于研究科学哲学中的许多其他主题：从研究资金的分配、证词规范、科学家的战略行为，一直到不同的理论选择程序（请参见第 4.8 节，我们列出了研究其他主题的模型）。此外，一个基于主体的模型可以同时解决多个问题（例如，社会多样性和科学协作经常一起被探究）。

为了研究本节中提出的问题，哲学家们采用了不同的表征框架。即使模型针对相同的研究问题，它们通常基于不同的建模方法。例如，个体科学家可以被表示为贝叶斯推理者，具有有限记忆的主体，寻找认识景观上的高峰的主体，通过平均从其他科学家和自己的探究中获得的信息形成自己的观点的主体，或者具备辩证推理能力的主体。同样，证据收集过程可以用概率分布的拉取、在认识或辩证景观上的觅食，或者从他人和世界接收信号的方式来表示。现在我们来看一些在研究上述问题中常用的建模框架。

3. 常用的建模框架

在开发一个模型来研究科学探究的某些方面时，首先必须决定一些相关的表征假设，例如：

如何表示调查和证据收集的过程？
模型中的代理人代表什么（例如，个体科学家，研究团队，科学实验室等）？
科学调查中的评估单位是什么（例如，假设，理论，研究计划，方法等）？
科学家如何推理和评估他们的评估单位？
科学家如何交流信息？

同样地，如果我们希望模拟科学家在任务或资源分配方面进行讨价还价的情景，我们将不得不决定如何表示他们的互动以及他们从中获得的回报。这些建模选择受到模型旨在解决的研究问题以及模型的认识目标的指导。

在科学哲学中开发的大多数基于主体的模型都是简单且高度理想化的模型。模型越简单，越容易理解和分析模拟结果背后的机制（我们将在第 5 节中讨论这个问题）。在本节中，我们深入探讨了几种常见的建模框架，这些框架已被用于这种方式。每个框架都对上述表征选择提供了不同的看法，并且已经成为各种基于主体模型的基础。具体模型暂时不会讨论 - 这留给第 4 节。

3.1 认识景观模型

将探究过程建模为对认识景观的探索，其根源可以追溯到进化生物学中的适应度景观模型，最早由 Sewall Wright（1932）引入。通过将基因型表示为多维景观上的一个点，其中景观的“高度”对应于其适应度，该模型已被用于研究种群的进化路径。

认识论景观的概念是通过 Weisberg 和 Muldoon（2009）以及 Grim（2009）的工作进入科学哲学领域的。在这种模型的重新解释中，景观代表一个研究课题，包括多个项目或多个假设。研究课题可以从狭义上理解（例如，某种疾病的治疗研究）或广义上理解（例如，天体物理学领域）。景观上的一个点代表某个假设或对研究课题的特定研究方法。不同的研究方法可以在背景假设、研究方法、研究问题等方面有所不同。因此，景观可以用 n 个维度来建模，其中 n-1 个维度代表科学方法的不同方面，而第 n 个维度（被视为景观的“高度”）代表追求相应方法所获得的认识价值的某种度量。例如，在三维景观的情况下，x 和 y 坐标形成一个二维学科矩阵，其中包含各种研究方法，而 z 坐标则衡量它们的“认识重要性”（见图 2）。后者可以按照 Kitcher 的观点理解，即重要的方法是那些促进科学概念和解释进展的方法（Kitcher 1993: 95）。

科学的基于主体模型已经利用了二维和三维的景观，以及 NK-景观的广义框架，其中维度的数量和景观的崎岖程度是模型的参数。[1] 科学家被建模为探索景观的代理人，试图找到其高峰点，即认识上最重要的点。该框架允许以不同的方式衡量探究的成功和效率：以社区发现景观高峰点的成功（而不是陷入局部最大值），发现任何非零邻域区域的成功，以及发现这些区域所需的时间等等。

图 2：Weisberg 和 Muldoon 的认识景观的两种表示：左侧是三维表示，右侧是相同景观的二维表示，其中景观的高度由不同的灰度表示：灰度越浅，景观上的点越重要（改编自 Weisberg 和 Muldoon 2009）。

3.1.1 应用于认知多样性问题

知识景观的框架已经应用于科学哲学中的各种研究问题。Weisberg 和 Muldoon（2009）引入了它来研究认知多样性对科学社区绩效的影响。使得知识景观框架特别适用于认知多样性和分工的研究的原因是它能够表示各种研究策略（作为探索景观的不同启发式）以及研究努力的协调分布（参见 Pöyhönen 2017）。

Weisberg 和 Muldoon 的基于主体的模型采用了一个三维景观（见图 2），建立在一个离散的环形网格上，其中两个峰代表了认知重要性的最高点。为了研究认知多样性，该模型考察了三种研究策略，作为三种类型的主体实施：

“控制者”旨在找到比他们当前位置更高的点，而忽略其他主体的探索。
“追随者”旨在在其直接邻域中寻找已经探索过的方法，这些方法比他们当前位置更具重要性。
“特立独行者”也旨在找到比以前探索过的点更重要的点，但与其他科学家的追随不同，他们更注重发现迄今为止未访问过的新点。

控制策略代表了忽略社会信息的个体学习，而追随者和特立独行者策略代表了考虑社会信息的不同方式。该模型研究了每种类型的探险者的同质群体或由不同群体的探险者组成的异质群体对社区在发现景观上最高点和覆盖所有非零重要性点的效率的影响。

在维斯伯格和马尔登的贡献之后，认知景观的框架变得非常有影响力，导致模型的各种改进和扩展。例如，亚历山大、希默尔赖希和汤普森（2015）引入了“群体”策略，描述了科学家能够以一定的概率识别周围更重要的点，并调整他们的方法，使其与其他靠近他们的人的方法相似但不同。托马（2015）引入了“探索者”和“提取者”策略，前者描述了一位科学家寻求与其他人追求的方法非常不同的方法，而后者（类似于亚历山大和同事的群体研究者）寻求与其他人追求的方法相似但有所不同的方法。此外，费尔南德斯·平托和费尔南德斯·平托（2018）研究了追随者策略的替代规则。最后，皮厄宏（2017）引入了“动态”景观，使得对补丁的探索“耗尽”了它们的重要性。

3.1.2 对网络认识论的应用

知识景观框架的另一个应用领域是科学的沟通结构及其对共同探究的影响。为了研究这些问题，Grim 和 Singer（Grim 2009; Grim, Singer, Fisher 等，2013）开发了基于主体的模型，采用二维景观，其中 x 轴上的点表示给定现象领域的替代假设，而 y 轴表示每个假设的“认识上的好处”或代理人通过追求它获得的认识回报。根据最佳假设的隐藏程度，认识景观的形状将代表一个更或更少“恶魔般”的研究问题（见图 3）。例如，如果最佳假设是景观中的一个狭窄的峰值（如图 3c 所示），找到它将类似于大海捞针，因此是一个恶魔般的研究问题。[2] 如果任何科学家（最终由社区的其他成员跟随）发现了景观上的最高峰，则认为探究是成功的；如果社区收敛于局部最大值，则认为探究是不成功的。该模型用于研究具有不同连通度的不同社交网络（如图 1 中的网络）以及具有不同恶魔性程度的不同认识景观对探究的成功性的影响。

(a)

(b)

(c)

图 3：具有不断增加的邪恶程度的认知景观（改编自 Grim，Singer，Fisher 等人 2013 年：443）

3.1.3 其他应用

除了上述主题外，认识论景观的框架还出现在许多其他变体中。例如，De Langhe（2014a）提出了一个基于主体的模型，旨在研究科学进展的不同概念，该模型利用了“移动的认识论景观”：一种在其中方法的重要性可以因探索其他方法而发生变化的景观。Balietti、Mäs 和 Helbing（2015）开发了一个认识论景观模型，以研究科学社区的分裂与科学进展之间的关系，其中代理人探索一个二维景观，代表对某个研究问题的可能答案的空间，正确答案位于景观的中心。Currie 和 Avin（2019）提出了对三维景观的重新解释，旨在研究科学方法的多样性，其中 x 轴和 y 轴代表不同的调查技术或获取证据的方法，z 轴代表获得证据的“锐利度”。这里的锐利度指的是研究结果与假设之间的关系，证据越增加一个人对假设的信任，它就越锐利。该模型还将证据的“独立性”表示为根据 x 和 y 坐标在景观上两点之间的距离：两种方法之间距离越远，它们的背景理论重叠越少，它们获得的证据就越独立。

最后，认识论景观模型启发了相关的景观模型。Borg、Frey、Šešelja 和 Straßer（2018 年，2019 年）提出的基于论证的科学探究模型就是一个例子。该模型受到抽象论证框架（Dung 1995）的启发，采用了“论证景观”。景观由代表竞争性研究计划的“论证树”组成（见图 4）。每个计划都是一棵根树，节点表示论证，边表示“发现关系”，代表主体从一个论证到另一个论证的路径。一个理论中的论证可能攻击另一个理论中的论证。与认识论景观相反，论证景观旨在捕捉探究的辩证维度，其中景观上的某些点被假定为可接受的论证，但后来可能被拒绝为无法辩护的。这允许明确地表示假阳性（接受错误的假设）作为一个主体在不知道存在攻击的情况下接受的论证，以及假阴性（拒绝正确的假设）作为一个主体拒绝的论证，而不知道它可以被辩护。该模型已被用于研究科学家之间的论证动态如何影响他们在各种探究条件下（如不同的社交网络、不同的决策谨慎程度等）获取知识的效率。

图 4：基于论证的基于主体模型，由 Borg、Frey、Šešelja 和 Straßer（2019）使用论证景观进行。该景观代表了两个竞争的研究计划（RP），较暗的阴影节点代表已被主体探索并对其可见的论证；较亮的阴影节点代表主体无法看见的论证。每个 RP 中最大的节点是根论证，主体通过发现关系在一个 RP 内连接论证来开始探索。箭头表示一个 RP 中的论证对另一个 RP 中的论证的攻击。

3.2 赌徒模型

在前一节中，我们看到认识论景观模型被用来表示涉及相互兼容的研究项目的调查（如 Weisberg 和 Muldoon 的模型），以及涉及竞争假设的调查（如 Grim 和 Singer 的模型）。另一个用于研究后一种情景的框架是基于“赌徒问题”。

盗匪模型的名称来自于“单臂盗匪”的术语，这是对老虎机的俗称。多臂盗匪问题最早在统计学中引入（Robbins 1952; Berry & Fristedt 1985），并在经济学中进行了研究（Bala & Goyal 1998; Bolton & Harris 1999）。它是一类决策问题，涉及以下情景：假设一个赌徒即将玩几台老虎机。每台机器根据赌徒不知道的概率分布给出随机回报。为了确定哪台机器在长期内会给出更高的回报，赌徒必须通过拉动机器的手臂进行实验。这将使她能够从所获得的结果中学习。但是她应该使用哪种策略呢？例如，她应该在最初的几次拉动中在不同的机器之间交替，然后只玩在初始测试中给出最高回报的机器吗？还是她应该在决定哪台机器更好之前进行长时间的测试阶段？在第一种情况下，她可能在足够探索之前就开始利用她当前的知识，而在第二种情况下，她可能会过长时间地进行探索。这样，赌徒面临着利用（玩到目前为止给出最好回报的机器）和探索（继续测试不同机器）之间的权衡。因此，挑战在于提出一种在探索和利用之间提供最佳平衡的策略，以最大化总的赢利。

正如我们在上面看到的（见第 2.2 节），在科学研究的背景下也可能出现勘探/开发的权衡。无论科学家是试图确定一种新的治疗方法是否优于现有方法，还是在两种具有不同成功率的新证据收集方法之间进行选择，他们都可能遇到勘探/开发的权衡。换句话说，他们可能不得不决定何时停止探索其他选择并开始利用那个似乎最适合任务的选择。

基于赌博问题的基于主体模型（ABMs）最早由 Zollman（2007 年，2010 年）引入到科学哲学中。一个基于赌博问题的 ABM 通常如下所示。类似于老虎机，每个科学理论（或假设，或方法）都被表示为具有指定的成功概率。科学家通常被建模为“目光短浅”的主体，因为他们总是追求他们认为能够获得更高回报的理论。他们通过从概率分布中随机抽取来收集理论的证据。随后，他们以贝叶斯方式根据自己研究的结果（收集到的证据）以及社交网络中邻近科学家的结果（例如图 1 中的科学家）更新他们的信念。因此，科学家不是被建模为对所有可用理论的证据的被动观察者，而是作为主体，通过选择要追求的理论来主动确定他们收集的证据类型。如果，例如，科学家就两种理论中的更好理论达成共识，则认为社区的探究是成功的。

这种类型的强盗模型建立在经济学家（Bala＆Goyal 1998）开发的分析框架上，他们研究了无限人口中不同通信网络之间的关系和社会学习过程。应用于科学的背景下，这种变体的强盗问题涉及到第 2.2 节中提到的难题：假设科学界正在努力确定两个可用假设中哪一个对于某种疾病的治疗效果更好，科学家之间的信息流结构是否会影响他们收敛于更好的假设的机会？通过将 Bala 和 Goyal 的框架应用于科学的背景和涉及有限人口的情景，Zollman 开创了网络认识论领域（参见 Zollman 2013），该领域研究社交网络对知识获取过程的影响。

除了研究网络效应对科学共识形成的目标外，科学互动的强盗模型还被应用于许多其他主题，例如偏好附加对社会学习的影响（Alexander 2013），科学中的偏见和欺骗（Holman＆Bruner 2015, 2017; Weatherall，O'Connor，＆Bruner 2020），最佳形式的合作（Zollman 2017），导致科学极化的因素（O'Connor＆Weatherall 2018; Weatherall＆O'Connor 2021b），从众效应（Weatherall＆O'Connor 2021a），人口多样性的影响（Fazelpour＆Steel 2022），双重用途研究的规范（Wagner＆Herington 2021），主导群体忽视或贬低边缘化群体证词的社会学习（Wu 2023），或对某个假设的证据的诊断性产生分歧（Michelini＆Osorio 等人即将发表）。

3.3 有界信心的观点动态模型

正如我们在上面所看到的，科学界的表现有时是根据其在达成真实假设共识方面的成功来评估的。共识是如何形成以及哪些因素有利于或阻碍其出现也是在认识社群的观点动态主题中研究的。观点动态模型旨在研究在一群调整他们的观点（或信念）的代理人中，意见如何形成和改变，这些代理人在一定的回合或时间步骤中调整他们的观点，从而形成共识、极化或多样的观点。在这个背景下，一个特别有影响力的建模框架源自 Hegselmann 和 Krause 的工作（2002 年，2005 年，2006 年），其根源于共识形成的分析模型（French 1956; DeGroot 1974; Lehrer & Wagner 1981）[3]。

基本模型的功能如下。在模拟开始时（即时间 t=0），每个代理人 xi 被分配一个关于某个问题的观点，用一个实数 xi(0)∈(0,1]来表示。然后，代理人与其他人交换他们的观点（或信念）并通过取那些与自己观点“不太远”的信念的平均值来调整它们。这些是落在“置信区间”内的观点，该区间的大小为 ϵ，这是模型的一个参数。通过这种方式，代理人对他人的观点有有限的信心。通过迭代这个过程，模型模拟了观点形成的社会动态（见图 5a）。

应用于科学研究的背景下，科学家通常被视为寻求真理的主体，他们试图确定某个参数 τ 的值，而他们只知道它位于区间(0,1]之间（Hegselmann＆Krause 2006）。在模拟开始时，每个主体被分配一个随机的初始信念。随着模型运行，主体通过接收关于 τ 的（嘈杂的）信号以及学习置信区间内的其他人的意见来调整他们的信念。例如，一个主体的信念可以根据其他人的意见的加权平均值和来自世界的信号进行更新。[4] 这样的动态将科学家描绘为能够产生指向 τ 方向的证据的主体，尽管他们的更新也受到他们先前的信念和同行的信念的影响（参见图 5b 和图 5c）。

(a)

(b)

(c)

图 5：Hegselmann 和 Krause 模型的运行示例，其中 x 轴表示模拟中的时间步骤，y 轴表示 100 个主体的观点。每个主体观点的变化用彩色线表示。τ 的值（假设的真实位置）用黑色虚线表示。图（a）显示了一个没有寻求真相的主体的社区中的观点动态，导致多样化的观点。图（b）显示了一个所有主体都是寻求真相者的社区中的观点动态，达成了接近真相的共识。图（c）显示了一个只有一半人口是寻求真相者的社区中的观点动态，也达成了接近真相的共识（改编自 Hegselmann 和 Krause 2006；有关模拟中使用的其他参数，请参阅原始文章）。

有界信心模型的早期应用是认知劳动的分工问题（Hegselmann 和 Krause 2006）。由于可以将主体建模为仅基于社会信息（即通过对置信区间内的其他人的观点进行平均）或基于社会信息和来自世界的信号来更新其信念，因此该模型可用于研究一个不是每个人都是“寻求真相者”的社区中的观点动态。然后，该模型研究了在寻求真相者和仅接收社会信息的主体之间进行怎样的劳动分工才能使社区趋于真相。

在社会认识论和科学哲学中，该框架的后续应用集中在研究科学分歧和以下问题：不同规范对不同科学家在集体探究效率上的影响是什么（Douven 2010; De Langhe 2013）？如果代理人在考虑自己的研究和其他代理人的观点时都更新他们的信念，他们代表遵循“调和规范”的科学家，即在自己的观点和同行观点之间“分歧”（见上述第 2.5 节）。相反，如果他们只根据自己的研究更新他们的信念，他们代表遵循“坚定规范”的科学家。该框架的其他应用主题包括噪声数据对观点动态的影响（Douven & Riegler 2010），关于复杂信念状态的观点动态，例如对科学理论的信念（Riegler & Douven 2009），在社会环境中通过最佳解释进行更新（Douven & Wenmackers 2017），欺骗和虚假信息的传播（Douven & Hegselmann 2021），科学社区中的网络效应和理论多样性（Douven & Hegselmann 2022），等等。

3.4 演化博弈论模型的谈判

博弈论研究的是一种情况，即一个人的行动结果不仅取决于他选择的行动，还取决于其他人的行动。在这个意义上的“游戏”是一种代理人（“玩家”）之间战略互动的模型，每个玩家都有一组可用的行动或策略。玩家战略反应的每种组合都有一个指定的结果或“回报”。与传统的博弈论不同，传统博弈论侧重于代理人在一次性互动中通过理性决策来最大化他们的回报，而进化方法侧重于人口中的重复互动。假设一个游戏由从大人口中随机抽取的玩家反复进行。虽然代理人从某种战略行为开始，但他们会根据特定的规则（称为“动力学”）学习和逐渐调整他们的反应（例如，通过模仿其他玩家或考虑他们自己过去的互动）。结果，成功的策略将在社区中扩散。通过这种方式，进化博弈理论模型可以用来解释随着长期人口层面过程的结果，人口中的策略分布如何随时间变化。虽然传统博弈论的标准方法主要关注导致“稳定”状态的玩家策略组合，例如纳什均衡-一种状态，在这种状态下，没有玩家可以通过单方面改变策略来改善他们的回报，进化方法已被用来研究均衡如何在社区中出现（参见博弈论和进化博弈论条目）。

进化博弈论最初是在生物学中引入的（Lewontin 1961; Maynard Smith 1982）。随后，它引起了社会科学家和哲学家的兴趣，作为研究文化演化的工具，即研究信念和规范如何随时间变化（Axelrod 1984; Skyrms 1996）。这些模型可以使用基于微分方程的数学处理来实现，也可以使用基于主体的建模。尽管前一种方法采用了某些理想化假设，例如无限人口大小或人口的完全混合，但基于主体的建模被引入来研究放松了这些假设的情景（参见，例如，Adami，Schossau 和 Hintze 2016）。

将进化博弈论应用于科学社会认识论，特别是受到了关于讨价还价模型的启发，研究不同的讨价还价规范如何从个体之间的局部互动中产生（Skyrms 1996; Axtell，Epstein 和 Young 2001）。该框架被 O'Connor 和 Bruner（2019）引入到认识论社群的研究中，他们在 Bruner（2019）的文化互动模型的基础上进行了建立。[5]

基于主体模型的基本思想如下：代理人在可用资源的份额上进行讨价还价，他们对自己的需求和对他人需求的期望在他们之前的互动中内生地发展。应用于科学的背景下，讨价还价不仅涉及对财务资源的明确谈判，还涉及科学家需要就如何在联合项目中分配工作量达成一致的情况（O'Connor＆Bruner 2019）。例如，如果两位科学家正在合作撰写一篇论文，或者他们正在共同组织一次会议，他们将不得不就每个人投入多少时间和精力达成一致。决定这种劳动分工的规范可能不公平。例如，如果科学家 A 在项目中付出的努力比科学家 B 少得多，但他们两个人都因其成功而获得相同的认可，那么 B 将处于不利地位。同样，如果他们同意让 A 成为合作论文的第一作者，而 B 最终在其中付出更多的努力，结果将再次是不公平的。这样的规范可能在科学界中根深蒂固，特别是在学术界的多数群体和少数群体之间的互动背景下。但是这样的规范是如何出现的？偏袒某些群体成员而不是其他群体成员对于这种歧视性模式的出现是必要的，还是它们可能因其他一些更令人惊讶的因素而根深蒂固？

基于主体的进化博弈模型已被用来研究这些相关问题。谈判被表示为两个主体之间的战略互动，每个主体都对手头的问题提出要求（例如，一定数量的工作量，联合出版物中作者姓名的顺序等）。根据每个主体的要求，每个主体都会得到一定的回报。例如，假设 A 和 B 希望组织一次会议，并开始协商谁将负责哪些任务。如果他们都提出高要求，即每个人都只愿意对项目投入最少的努力，同时期望对方承担其余的任务，他们将无法组织这个事件。另一方面，如果 B 提出低要求（承担更大部分的工作），而 A 提出高要求，他们将能够组织这次会议，尽管劳动分工将是不公平的（假设他们都能够平等地获得成功实现项目的认可）。

该游戏起源于约翰·纳什（1950 年）的工作，被称为“纳什需求游戏”（或“迷你纳什需求游戏”）。游戏中的每个玩家都提出自己的需求（低、中或高）。如果这些需求不共同超过给定的资源，每个玩家都会得到他们所要求的。如果它们超过了可用资源，没有人会得到任何东西。在上面的例子中，高可以被解释为要求在会议组织方面比其他人工作较少，或者要求在联合论文中拥有第一作者身份，同时对此付出相对较低的努力。类似地，低对应于愿意承担更大部分的工作（相对于联合论文中的作者顺序），而中对应于要求公平分配劳动。表 1 显示了这样一个游戏中的收益。任何使得联合收益为 10 的需求组合都是纳什均衡，这意味着任何一方的策略都是对方策略的最佳回应。虽然纳什均衡可能对应于资源的公平分配（如果两个玩家都要求中），但它也可能对应于不公平的分配（如果一个玩家要求低，另一个玩家要求高）。这引发了一个问题：如果代理人从他们之前的互动中学习，社区将实现哪种均衡？特别是，如果个体被分成子群（可能大小不同），他们的成员资格可以通过对其他代理人可见的标记来确定，他们可以根据合作玩家的群组成员身份制定策略。这样一个社区将演变到哪种均衡状态？为了研究这样的问题，进化模型采用规则或动态来确定玩家如何更新他们的策略以及随着时间的推移，社区中策略的分布如何变化。[6]

	Low	Med	High
Low	L,L	L,5	L,H
Med	5,L	5,5	0,0
High	H,L	0,0	0,0

Low

Med

High

Low

L,L

L,5

L,H

Med

5,L

5,5

0,0

High

H,L

0,0

表 1：纳什需求博弈中的收益表。行显示 Player1 的战略选择，列显示 Player2 的选择。每个单元格显示给定选择组合下 Player1 获得的收益，然后是 Player2 的收益。玩家可以对总资源 10 提出三个要求：低、中和高。收益以 L、M 和 H 表示，其中 M=5，L<5<H，且 L+H=10。（参见 O'Connor＆Bruner 2019；Rubin＆O'Connor 2018）

基于协商的建模框架已被用于研究科学合作中的规范和可能通过它们出现的不平等现象。例如，O'Connor 和 Bruner（2019）研究了少数群体和多数群体之间学术互动中歧视性规范的出现。Rubin 和 O'Connor（2018）研究了歧视性模式的出现及其对协作网络中多样性的影响，而 Ventura（2023）则研究了协作网络结构对歧视性规范的出现的影响，即使没有明显的代理人隶属于某个子群体的标记。此外，Klein，Marx 和 Scheller（2020）使用类似的框架研究了理性与不平等之间的关系，即不同协商策略的成功（如最大化预期效用）及其对不平等的影响。

3.5 总结

除了上述的框架之外，社会认识论和科学哲学领域还采用了许多其他方法来构建模拟。一些著名的未提及的框架包括贝叶斯框架“Laputa”（由 Angere（2010 年）和 Olsson（2011 年）开发）旨在研究信息和信任的社交网络，Betz（2013 年）提出的论证动态模型，以及 Hong 和 Page（2004 年）在认知多样性研究中使用的有影响力的框架（有关这些框架的更多信息，请参见计算哲学条目）。科学哲学中另一个使用的进化框架是由 Smaldino 和 McElreath（2016 年）提出的。该模型将科学社区表示为一个由采用文化传播的方法论实践的科学实验室组成的人口，其中这些实践从一代科学家传承到下一代，并且已被用于研究保守和冒险科学的选择（O'Connor 2019）。在下一节中，我们将根据上述和其他一些框架来看一下基于主体模型在科学哲学中获得的一些核心结果。

4. 核心结果

为了概述基于主体模型在科学哲学中获得的主要发现，我们将回顾第 2 节中讨论的研究问题，并看看它们是如何通过具体模型来回答的。

4.1 理论多样性与科学激励结构

在我们调查研究科学激励结构的基于主体模型之前，我们首先研究一些启发了模拟发展的分析模型的结果。为了更准确地了解个体激励如何塑造认识协调和理论多样性，哲学家们引入了受经济学研究启发的形式化分析模型。这些文献中的一个核心结果是，当科学家按照自身利益而不是追求认识目标行事时，可以实现劳动的最优分配（例如，Kitcher 1990；Brock＆Durlauf 1999；Strevens 2003）。更具体地说，这些模型表明，如果我们假设科学家的目标是最大化发现的回报，他们将成功地在研究努力中实现最优分配，如果他们考虑到每个研究方向的成功概率以及当前有多少其他科学家在追求该方向。假设所有科学家以相同的方式评估理论，他们对名声和财富的兴趣，而不仅仅是追求认识目标，将导致其中一些科学家选择最初看起来不太有前途的途径。[7]

基于主体模型（ABMs）被引入以解决类似的问题，但假设了更复杂的情景。例如，Muldoon 和 Weisberg（2011）开发了一个认识论景观模型（见第 3.1 节），以检验 Kitcher 和 Strevens 的结果在科学家对其社区中正在进行的研究项目以及这些项目未来成功的信息访问程度存在差异的假设下的稳健性。他们的结果表明，一旦科学家对其他人正在从事的工作或项目可能成功的程度有限的信息，他们自组织的分工就无法达到最优。另一个例子是 De Langhe 和 Greiff（2010）的模型，他们将 Kitcher 的模型推广到了一个多个认识论标准决定科学家背景假设、可接受的方法、可接受的难题等情况。模拟结果显示，一旦科学实践被建模为基于多个标准，竞争的动机就无法提供最优的分工。

一个密切相关的问题涉及“优先规则”——一种将科学发现的功劳归功于最先发现者的规范（Strevens 2003, 2011）——以及它对劳动分工的影响。虽然 Kitcher 和 Strevens 的模型表明，优先规则激励了科学家在竞争性研究项目中的最佳分布，但一系列形式化模型，包括基于主体模型，被开发出来重新审视这些结果，并对这一规范进行进一步的阐明。例如，Rubin 和 Schneider（2021）研究了如果功劳由个人而不是整个科学界来分配会发生什么。他们进一步假设，关于两位科学家同时发现的消息会在一个网络社区中传播。模拟结果显示，连接更多的科学家比连接较少的科学家更有可能获得功劳，这可能一方面对社区中的少数群体成员不利，另一方面削弱了优先规则作为激励措施在实现最佳劳动分工方面的作用。除了优先规则如何影响劳动分工的问题外，基于主体模型还被用于研究优先规则的其他影响。例如，Tiokhin、Yan 和 Morgan（2021）开发了一个进化的基于主体模型，显示优先规则导致科学界朝着基于较小样本量的研究发展，从而降低了发表结果的可靠性。

对于科学中劳动分工的激励影响也可以从“利用”现有项目的激励和“探索”新思想的激励两方面进行分析。例如，De Langhe（2014b）在 Kitcher 和 Strevens 的模型的基础上发展了一个广义版本，其中代理人通过权衡利用现有理论和探索新理论的相对成本和收益来实现最佳的劳动分工。在赌徒模型和网络认识论的框架下（见第 3.2 节），Kummerfeld 和 Zollman（2016）提出了一个基于主体模型，研究了科学家面临两个竞争假设的情景，其中一个假设更好，尽管代理人不知道哪个更好。虽然代理人总是选择追求（或利用）看起来更有前途的假设，但他们也可能偶尔研究（从而探索）另一种假设。模拟结果显示，如果社区被自组织，即每个科学家根据个人认为最优的程度进行探索，那么代理人将被激励将探索留给其他人。结果，科学家将无法形成足够高的激励来探索新思想，即从整个社区的角度来看最优的激励。

4.2 理论多样性和科学的沟通结构

4.2.1 “Zollman 效应”

基于网络认识论的理论多样性研究引发了一个新的假设：科学社区的沟通结构可以促进或阻碍理论多样性的出现，从而影响认知劳动的分工。这个想法最初是由 Zollman（2007 年，2010 年；见第 3.2 节）开发的强盗模型所证明的，并被称为“Zollman 效应”（Rosenstock，Bruner 和 O'Connor 2017）。Grim（2009 年）、Grim、Singer、Fisher 和同事（2013 年）以及 Angere 和 Olsson（2017 年）的基于不同建模框架的基于主体模型也得出了类似的发现。这些模型表明，在高度连接的社区中，早期的错误结果可能会迅速在科学家之间传播，导致他们调查一个次优的研究方向。因此，科学家可能会过早地放弃对不同假设的探索，而是利用较差的假设。鉴于这些发现，Zollman（2010 年）强调，为了使一个探究成功，它需要具备“短暂多样性”的特性：一个社区进行并行探索不同理论的过程，这个过程持续时间足够长，以防止对最佳理论的过早放弃，但最终会被共识所取代。除了连通性可能有害的结果外，还表明在连接较少的网络中学习速度较慢，这表明在社会学习的背景下准确性和速度之间存在权衡（Zollman 2007；Grim，Singer，Fisher 等人 2013）。

然而，随后的研究表明，在原始模型的参数空间内，Zollman 效应并不是非常稳健（Rosenstock 等人，2017）。特别是，该结果适用于那些可以被认为是困难探究特征的参数：在这些情景中，科学家数量相对较少，证据以相对较小的批次收集，而竞争假设的客观成功差异相对较小。此外，其他模型表明，如果追求的假设的多样性（因此也是探索性）以其他方式生成，那么更加连接的社区可能会胜过较少连接的社区。例如，Kummerfeld 和 Zollman（2016）表明，通过允许代理人偶尔获取有关他们当前不追求的假设的信息，从而放松探索和开发之间的权衡，是一种生成多样性的方式，使得完全连接的社区表现优于较少连接的社区。Frey 和 Šešelja（2020）研究了另一种生成多样性的方式：他们表明，如果科学家在决定是否放弃当前理论并开始追求竞争理论时具有一定的谨慎或“理性惯性”，那么完全连接的社区将获得足够的探索程度，以胜过较少连接的群体。基于其他建模框架的基于主体的模型（ABMs）也提出了类似的观点，例如 Douven 和 Hegselmann（2022）的有界信任模型，或者 Borg，Frey，Šešelja 和 Straßer（2018）的基于论证的 ABM，每个模型都展示了在高度连接的情况下保持短暂多样性的不同方式。

4.2.2 虚假信息的传播

基于主体模型在科学界研究认识论有害策略时，主要采用了网络认识论赌博模型（见第 3.2 节）。例如，Holman 和 Bruner（2015）的一个模型研究了工业赞助代理人的干扰如何影响医学界的信息流，并且科学家可以采取哪些策略来保护自己免受这种有害影响。为此，他们考虑了一个场景，即医生定期与工业赞助代理人交流关于某种药物作为治疗某种疾病的疗效的信息。由于工业赞助代理人的动机是出于财务而非认识论的利益，并且他们不太可能改变主意，无论他们收到多少相反的证据，他们不仅仅是有偏见，而是“固执地有偏见”。他们的模拟表明，科学界可以通过两种方式保护自己免受固执有偏见代理人的有害影响：首先，通过增加他们的连接性；其次，通过学习如何根据可信度重新组织他们的社交网络，最终忽视有偏见的代理人。在后续模型中，Holman 和 Bruner（2017）还展示了工业如何在不腐败组成它的个体科学家的情况下，通过帮助亲工业的科学家取得成功的职业生涯来影响科学界。

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，研究了二十世纪下半叶烟草行业采用的“烟草策略”，以误导公众对吸烟的负面健康影响（由 Oreskes 和 Conway 2010 进行了详细分析）。具体而言，该模型研究了某些欺骗性做法如何在不干扰（认识论驱动的）科学研究的情况下误导公众舆论。作者研究了两种宣传策略：一种是“选择性分享”符合行业偏好立场的研究结果，另一种是“有偏见的产出”研究结果，即额外的研究得到资助，但只有适合的发现才会被发表。结果表明，由于在这两种情况下，决策者根据偏向更糟糕理论的结果偏见样本来更新他们的信念，所以这两种策略都能够在各种考察参数下误导决策者对科学产出的看法。作者还研究了记者在报道科学发现时采用的策略，并表明不谨慎地追求“公平”，即报道争议双方相同数量的结果，可能导致误导信息的传播。

另一个开发用于研究科学欺骗的基于论证的模型的例子是 Borg，Frey，Šešelja 和 Straßer（2017, 2018; 见第 3.1.3 节）。假设在科学家必须从三个可用的最佳选择中确定最佳选择的竞争性研究计划的背景下，欺骗性沟通以代理人仅分享关于他们的理论的积极发现，同时隐瞒潜在异常的消息来表示。潜在的想法是，欺骗包括提供一些（真实的）信息，同时隐瞒其他信息，这导致接收者做出错误的推断（Caminada 2009）。与本节讨论的前两个模型不同，在那些不是所有代理人都显示有偏见或欺骗行为的情况下，Borg 等人研究了人口中的网络效应。这种情况代表了一个社区，该社区受到确认偏见和保护自己的研究线不受批判性审查的激励驱动。模拟结果显示，首先，可靠的社区（不包含欺骗者）比欺骗性社区更成功，其次，增加连接性会增加欺骗性人口收敛于最佳理论的可能性。

4.3 认知多样性

正如我们在第 2.1 节中所看到的，认知多样性问题涉及科学家的认知特征的多样性（包括他们的背景信念，推理风格，研究偏好，启发式和策略）与科学社区的研究之间的关系。科学哲学家特别关注不同研究启发式在社区绩效中的分工如何影响。

一个特别有影响力的基于主体模型来解决这个问题的是 Weisberg 和 Muldoon（2009）的认知景观模型。该模型研究了不同研究策略所催生的劳动分工，科学家可以充当“控制者”、“追随者”或“特立独行者”（见上文第 3.1 节）。根据模拟结果，Weisberg 和 Muldoon 认为，首先，特立独行者的研究策略胜过其他策略。其次，如果我们认为特立独行者策略在必要资源方面是昂贵的，那么将特立独行者引入追随者群体中可以实现最佳的劳动分工。尽管 Weisberg 和 Muldoon 的基于主体模型最终发现存在编码错误（Alexander 等人，2015），但他们关于认知多样性提高科学家生产力的观点得到了经过调整的模型的支持，尽管有一些限制。

首先，Thoma（2015）的模型表明，如果科学家足够灵活改变他们当前的方法，并且足够了解社区中其他人进行的研究，认知多样性的群体将胜过同质化的群体。其次，Pöyhönen（2017）证实，如果我们认为特立独行的策略稍微耗时一些，那么特立独行者和追随者的混合群体在所获得结果的平均认识重要性方面可能胜过仅由特立独行者组成的群体。根据 Pöyhönen 的说法，认知多样性有益的另一个条件涉及到景观的拓扑结构：只有在更具挑战性的研究问题（以崎岖的认识景观表示）的情况下，多样化的群体才能胜过同质化的群体，而在易于研究的问题（如 Weisberg 和 Muldoon 的景观，图 2 所示）的情况下则不然。景观的拓扑结构的重要性也被 Alexander 和同事（2015）强调，他们使用 NK-landscapes 来表明社会学习是否有益关键取决于景观的拓扑结构。最后，还有其他研究策略（例如 Alexander 和同事的“群体”策略，见第 3.1.1 节）胜过 Weisberg 和 Muldoon 的特立独行者，而对追随者策略的微小改变可能会显著提高其性能（Fernández Pinto 和 Fernández Pinto 2018）。

模型文献中受到关注的认知多样性的另一个方面涉及多样性与专业知识之间的关系。这个问题最早由洪和佩奇（2004）在经济学中进行了研究。该模型研究了启发式多样性群体（由具有不同问题解决方法的主体组成）与仅由专家组成的群体在解决特定问题时的表现。洪和佩奇的原始结果表明，“多样性胜过能力”，即由采用不同启发式方法的个体组成的群体在表现上优于仅由专家组成的群体，即最优的“问题解决者”。尽管这一发现产生了很大影响力，但随后的研究表明，一旦在模型中加入更现实的专业知识假设，这一发现并不稳健（格林、辛格、布拉姆森等，2019 年；雷尤拉和库奥里科斯基，2021 年；另见辛格，2019 年）。

认知多样性和科学社区中的分工问题也被 Hegselmann 和 Krause 的有界信任模型所研究（Hegselmann＆Krause 2006; 参见上面的第 3.3 节）。基于主体模型研究了社区中的意见动态，该社区在某种意义上是多样化的，只有一些个体是积极寻求真相的人，而其他人通过与那些与自己观点相似的代理人交换意见来调整自己的信念。Hegselmann 和 Krause 通过结合基于主体建模和分析方法来研究这样一个社区能够在何种条件下达成对真相的共识。他们表明，一方面，如果模型中的所有代理人都是寻求真相的人，他们将达成对真相的共识。另一方面，如果社区分工，它达成对真相的共识能力将取决于寻求真相的代理人数量，真相相对于代理人观点的位置，决定意见交换范围的信心程度以及真相信号的相对权重（与社会信息的权重相对比）。例如，在某些参数设置下，即使只有一个寻求真相的代理人，也会引导整个社区走向真相。

4.4 社会多样性

正如我们在第 2.4 节中所看到的，基于主体模型被引入来研究与科学相关的社会多样性的两个问题：首先，社会多样性对科学团体的认识效果，其次，可能削弱社会多样性或使科学中的少数群体成员处于不利地位的因素。

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）多样性对集体探究的影响。该模型研究了社会不同子群体之间不同程度的信任如何影响科学界的表现。模拟结果显示，社会多样性可以通过减少科学家对彼此发现的过度信任来改善群体探究。这在紧密联系的社区中进行困难探究的情况下尤为重要，因为高度的信任可能导致对客观错误假设的过早认可。作者还展示了社会多样性如何在研究路径选择中对抗从众效应的负面影响，前提是从众倾向不是太高。使用类似的强盗框架，Wu（2023）研究了在主导群体忽视或贬低来自边缘化群体的结果的环境中，边缘化群体如何学习。她表明，在这种情况下，边缘化群体的成员可以在形成比主导群体成员更准确的信念方面获得认识优势。通过这种方式，该模型旨在从立场认识论的角度解释“倒置论”，即边缘化群体可能具有认识上的特权地位（Wylie 2003）。

关于后一个问题，我们之前提到了 Rubin 和 Schneider（2021）的模型，该模型展示了少数群体成员由于科学中的优先规则和科学界的结构而变得处于不利地位（第 4.1 节）。在后续的模型中，Rubin（2022）展示了科学界的组织结构也可以影响“引用差距”的出现，即少数群体成员的出版物被引用次数少于多数群体成员的出版物。少数群体成员的少数地位对其在科学合作中的地位的影响主要是通过进化博弈理论模型的谈判来研究的（参见第 3.4 节）。这些模型展示了少数群体由于其少数地位以及这种地位对谈判和合作实践的影响而可能受到歧视的不同方式（Rubin＆O'Connor 2018; O'Connor＆Bruner 2019; Ventura 2023）。此外，结果表明，这样的结果可能对科学进展产生负面影响，并且可能有助于解释为什么性别和种族少数群体倾向于聚集在学术子学科中（O'Connor＆Bruner 2019; Rubin＆O'Connor 2018）。我们将在下面的第 4.7 节中重新讨论这些模型，该节专门讨论科学合作的问题。

4.5 科学中的同行分歧

正如我们在第 2.5 节中所看到的，同行分歧辩论突出了可以指导科学家的不同规范。引入基于主体的模型来研究这些规范对共同探究的影响。为此，Douven（2010）和 De Langhe（2013）改进了 Hegselmann 和 Krause（2006；参见第 3.3 节）的有界信任模型，以研究和解决调和和坚定规范对探究目标的影响。[9]

这两个模型都表明，这些规范的影响取决于上下文。在 Douven 的模型中，当通过调查获得的数据不是非常嘈杂时，即它是指示真相而不是由于测量误差而产生的，与坚定的人相比，调和的人群将更快地发现真相。然而，如果数据变得嘈杂，模拟结果显示准确性和速度之间存在权衡。虽然坚定的人群相对较快地接近真相，但在模拟的后续回合中并没有提高准确性。相反，调和的人群最终更接近真相，但需要相对较长的时间。这表明，一个规范是否对共同目标最优可能在很大程度上取决于调查的上下文问题，例如获得无噪声证据。De Langhe 得出了类似的结论，他使用了一个模型来表示长期存在的科学分歧和涉及多个相互竞争的认识系统的调查。该模型受到 Goldman（2010）的启发，即尽管意见不合的同行可能共享有关问题的证据，但他们可能不共享评估前一种证据的认识系统的证据。他的模拟结果表明，在自己的认识系统内进行调和是有益的，但在不同认识系统之间存在分歧时情况并非如此。[10]

4.6 科学极化

基于主体模型对科学界极化的初步研究基于 Hegselmann 和 Krause 的有界信任模型（Hegselmann＆Krause 2006; 参见第 3.3 节）[11]。该模型表明，当一些代理人通过忽视来自世界的证据，而只考虑他们从其他人那里学到的与自己观点相似的内容时，社区可能会极化。后续的模型基于不同的框架，试图研究即使所有代理人都是真相追求者，即只考虑认识论考虑因素形成观点的理性代理人，是否会出现极化。

例如，辛格等人（2019）的模型显示，在共享信念理由的思考主体群体中，如果仅仅使用基于一致性的方法来管理有限的记忆（通过遗忘与大多数先前考虑相冲突的理由），则会出现极化现象。奥尔松（2013）使用贝叶斯建模框架 Laputa 展示了在思考过程中，如果主体对他人的证词赋予不同程度的信任，这取决于他们持有的观点有多相似，那么极化现象就会出现。在基于赌博模型的另一个贝叶斯框架中，奥康纳和韦瑟尔（2018）展示了如果科学家社群不仅共享证词，还共享无偏见的证据，那么如果他们将来自其他科学家的证据视为不确定，而这些科学家的信念与他们自己的信念相差太远，那么社群最终会陷入极化状态。此外，米歇利尼、奥索里奥和同事们（即将发表）将赌博模型与有界信心框架相结合，研究了在对某个假设的证据的诊断价值上存在分歧的社群中的极化现象（由贝叶斯因子建模）。他们的研究结果表明，对证据诊断性的初步分歧可能导致极化，这取决于所进行研究的样本量以及科学家们分享意见的置信区间。

对认识社群中的极化现象也进行了基于主体模型的论证动态模拟研究。例如，科普克（2022）在 Betz（2013）的框架下提出了一个模型，展示了理性主体在开放辩论论坛中进行论证交流的某些方式可能导致极化社群的形成，即使主体并不偏好与谁进行辩论。

4.7 科学合作

如第 2.7 节所讨论的，基于主体模型已被用于研究合作何时有益以及它如何影响探究。为了研究合作为何出现以及何时有益，Boyer-Kassem 和 Imbert（2015）开发了一个计算模型，科学家通过共享中间结果来合作。他们研究了一个更大的竞争社区中的合作小组，由优先规则驱动，在这个社区中，合作者必须平等分享发现的奖励。他们的模拟表明，合作对于共同和个体的探究都是有益的。当科学家合作时，他们的探究进展更快，更有可能成为首先发现的团队的一部分。此外，尽管科学界可能从所有科学家完全合作中获益（因为一些科学家找到的解决方案将与所有人分享），但对于个体科学家来说，其他合作组合可能更好（另请参见 Boyer-Kassem 和 Imbert 即将发表的文章）。

为了研究最佳合作条件，Zollman（2017）提出了一个网络认识论模型。该模型假设通过合作，科学家彼此教授不同的概念方案，旨在解决科学问题，并且合作是有成本的。他的研究结果表明，降低合作成本和扩大合作小组的规模有益于参与者，尽管鼓励科学家与不同的合作小组合作可能不会导致高效的探究。

尽管上述模型研究了社会统一的群体，基于主体模型也被用于研究社会多样化的合作环境和其中可能自发出现的歧视模式。这些模型通常基于进化博弈理论框架，研究伴随学术合作的谈判规范（见第 3.4 节）。Bruner（2019）最初使用这个框架来展示，在涉及资源分配的文化互动中，少数群体成员可能仅仅因为其群体规模较小而处于劣势 [12]。O'Connor 和 Bruner（2019）使用这种方法来研究认识共同体中类似模式的出现。模拟结果表明，少数群体在科学合作中可能因为其群体规模而处于劣势，而这种影响会随着群体规模的减小而增加。Rubin 和 O'Connor（2018）使用类似的框架来研究认识合作网络中的多样性和歧视问题，特别关注同质性的作用——倾向于与自己社会群体的成员建立联系，而不是与外群体的成员建立联系。他们的研究结果表明，可能在学术互动中出现的歧视规范可能促进同质性，并减少合作网络中的社会多样性。此外，Ventura（2023）展示了即使在没有人口统计类别的情况下，不平等也可能在合作网络中出现，因为科学家可能仅仅因为合作网络的结构和他们在其中的特定位置而处于劣势。

4.8 附加主题

如在第 2.8 节中提到的，基于主体模型已被应用于科学哲学中许多其他主题的研究：研究拨款给研究资助的问题（Harnagel 2019; Avin 2019a,b），研究科学进展的波普尔和库恩模型（De Langhe 2014a），正常科学和革命性科学的动态（De Langhe 2017），科学方法的多元主义（Currie & Avin 2019），研究设计和数据分析指导方法对科学发现质量的影响（Smaldino & McElreath 2016），科学家作为信念交换的动机行为（Merdes 2021），期刊的出版策略（Zollman 2009），元归纳学习（Schurz 2009, 2012），证据强度对科学共识准确性的影响（Santana 2018），科学团队的管理和结构（Sikimić & Herud-Sikimić 2022），指导如何根据他人的主张改变信念的证词规范的可靠性评估（Mayo-Wilson 2014），来源可靠性的评估（Merdes, Von Sydow, & Hahn 2021），面对相反证据不愿改变科学立场的“认识顽固性”对科学的影响（Santana 2021），不同理论选择评估对研究效率的影响（Borg et al. 2019），等等。

5. 基于主体模型的认识论

在前一节中，我们深入探讨了通过基于主体模型获得的各种结果。但我们应该对这些发现有多么认真？它们对科学究竟告诉我们什么？鉴于科学模型的主要认知功能之一是帮助我们了解世界（参见科学模型条目），这引发了一个问题：我们可以通过基于主体模型学到什么，以及我们必须采取哪些方法步骤来获得这样的知识？这些问题涉及基于主体模型的认识论。[13]

5.1 抽象建模的挑战

在社会科学中关于模拟的早期讨论中，Boero 和 Squazzoni（2005）提出了一种将 ABM 分类为基于案例的模型、典型化和理论抽象的方法，这是基于所代表目标的属性。基于案例的模型代表了一个在时间和空间上被界定的经验场景，而典型化则代表了一类经验现象。最后，理论抽象正如其名称所示，从经验目标的各种特征中抽象出来，旨在对社会现象进行简化和普遍化的表示。

遵循社会科学中抽象 ABM 的传统，科学哲学中的大多数模拟都是在所谓的“KISS”（保持简单，愚蠢）方法中开发的。因此，它们属于上述第三类 ABM。构建简单模型的主要优点是，它们比复杂模型更容易理解所代表的因果机制。然而，这也引发了一个问题：鉴于这些模型的高度理想化特性，我们能从这些模型中学到什么关于真实科学的知识呢？例如，这些模拟的结果是否增加了我们对科学社区的理解？我们能否利用它们来解释科学史上的某些事件，或者为科学探究的组织提供规范性建议？这些问题一直是哲学辩论的问题，与对经验科学中高度理想化或玩具模型的认识功能的讨论密切相关。特别是，批评者认为，如果抽象 ABM 要对经验目标有信息价值，首先需要进行验证和经验证实。

5.2 验证和验证：从基于主体模型的探索性到解释性功能

在基于主体模型的背景下，验证是一种评估基于主体模型的计算机程序相对于其概念设计的准确性的方法。而验证则涉及对模型与其所声称的目标之间关联的评估。无论模型建立的目的是什么，它总是需要一定程度的验证，以确保其模拟代码不会受到错误和其他意外问题的影响。所需验证的类型取决于模型的目的和预期目标。正如 Mayo-Wilson 和 Zollman（2021）所提出的，验证并不总是对于某些建模目的而言是必要的，例如说明某些事件或情况在理论上是可能的。模型可以通过“合理性论证”和基于简化的历史案例研究来证明。根据 Mayo-Wilson 和 Zollman 的观点，基于主体模型在某种程度上类似于思想实验，它们可以用来唤起规范直觉，证明反事实的主张，说明可能性和不可能性等等。此外，当涉及到社会系统动力学的问题时，基于主体模型比单纯的思想实验更适合这个任务，因为这些目标现象的复杂性。

如果 ABM 的功能是提供概念验证或可能性解释，那么经验验证也是不必要的。如果模型仅仅展示了某种现象的理论可能性，那么它就提供了一个概念验证（有时也称为“可能性验证”或“原理验证”）（参见 Arnold 2008）。目标现象可以以抽象、理想化的方式来表示，而不考虑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个具体功能。首先，模型可以示范一种方法或方法论如何生成给定目标现象的潜在表示。例如，如果一个 ABM 展示了认知多样性框架如何被用来表示认知多样性，那么它在这个意义上提供了一个概念验证。其次，模型可以提供结果，显示某种因果机制可以在模型世界中找到。例如，如果一个高度理想化的模拟显示出某种类型的认知多样性导致了模拟社区的高效调查，那么它在后一种意义上提供了一个概念验证。虽然概念验证建模有时被认为只是发展更现实模型的初步步骤（例如参见 Gräbner 2018），但它也被认为已经本身提供了有价值的哲学洞见（例如参见 Šešelja 2021a）。

同样，如果模型展示了某种特定前提条件下，某种目标现象可能如何发生，那么模拟可以提供可能性解释（HPEs）（Rosenstock 等人，2017 年; Gräbner，2018 年; Frey＆Šešelja，2018 年; Šešelja，2022b 年）。与实际解释或简单解释不同，实际上是现象发生的解释，HPEs（有时也称为“潜在解释”）涵盖了现象发生的可能方式的解释。[16] 根据 Verreault-Julien（2019 年）提出的广义概念，HPEs 是具有“可能是‘p 因为 q’”形式的命题，其中 p 是被解释的现象，q 是解释的原因，可能性可以涉及各种类型的模态，如认识论、逻辑、因果等。

上述认识论功能-提供概念验证或 HPE-通常被认为是一种探索性建模，其中所代表的目标可以是抽象的理论现象（Ylikoski＆Aydinonat，2014 年; Šešelja，2021a 年）。相比之下，为了解释经验现象，许多人认为基于主体模型需要经过经验证实。这在模型被认为解释了实际科学实践中的某些模式，提供了支持现有经验（包括历史）假设的证据，或者通过科学政策提供干预建议时被强调为重要（Arnold，2014 年; Martini＆Fernández Pinto，2017 年; Thicke，2020 年; Šešelja，2021a 年）。

验证基于主体模型的目的在于检查模型是否是目标的合理表示，其中“合理”可能涉及模型的不同方面（Gräbner 2018）。例如，我们可以测试模型中所表示的机制与我们对它们的经验知识的一致程度，模型的外生输入是否在经验上可行，模型的输出在多大程度上复制了关于目标的现有知识，或者它是否能预测其未来状态。不同的作者对于科学哲学中基于主体模型的这些观点提出了不同的阐述（参见 Thicke 2020; Šešelja 2022b; Bedessem 2019; Politi 2021; Pesonen 2022）。

尽管其中一些步骤可能具有挑战性，但其他步骤可能更可行。例如，Martini 和 Fernández Pinto（2017）认为，科学的基于主体模型可以根据经验数据进行校准。Harnagel（2019）通过使用文献计量数据对认识景观模型进行校准的方式进行了示例说明。

其他人认为，模拟的结果至少应该以其稳健性进行分析。稳健性分析（RA）包括：

参数 RA，通过敏感性分析研究模型参数值变化对结果稳定性的影响；[17]
结构 RA，关注模型结构特征和基本假设变化下结果的稳定性；
表示性 RA，研究结果在表示框架、建模技术或建模媒介变化下的稳定性（Weisberg 2013：第 9 章；Houkes，Šešelja 和 Vaesen 即将出版）。

在基于主体模型的背景下，RA 的主要目的是帮助理解模型结果成立的条件（在模型世界中）：它们是依赖于特定的参数值还是依赖于关于所代表目标中涉及的因果因素的特定假设，或者结果只是模型中某些理想化假设的产物。这可以以至少两种方式有助于我们对模型及其结果的理解。一方面，如果 RA 显示结果在参数值、结构和表示假设的各种变化下仍然成立，这可能增加我们对结果不仅仅是模型中理想化的产物的信心（参见，例如，Kuorikoski，Lehtinen 和 Marchionni 2012）[18]。另一方面，如果结果仅在特定的参数值或特定的结构或表示假设下成立，这可以帮助界定模型的应用背景（例如，困难调查的背景，涉及小型科学社区的调查的背景等）。

5.3 “模型家族观”

鲁棒性分析的重要性表明，在孤立地确定单个 ABM 的认识功能可能是困难的。为了评估 ABM 的结果是否解释了某个经验目标，有必要检查它们在理想化建模假设变化下的稳健性。一种方法是通过在之前的模型中替换一些假设来构建一个新模型。此外，使用基于完全不同表示框架的模型可能还有助于这种鲁棒性研究。这就是为什么在建模文献中越来越强调使用多个模型研究同一研究问题的价值所在。

例如，Aydinonat，Reijula 和 Ylikoski（2021）主张“基于主体的家族模型视角”的重要性。作者认为模型是论证设备，其中由给定模型支持的论证可以通过基于后续模型的分析加强。在社会科学建模的更广泛背景下，也赞同通过多个模型研究现象的方法（参见 Page 2018; Kuhlmann 2021）。

总之，尽管科学哲学中的基于主体的模型往往是高度理想化的，但它们可以具有探索性的作用，例如确定科学探究中潜在的因果机制，提供可能性解释，或对历史案例研究提供猜想和新的视角（参见 Šešelja 2022a）。此外，如果伴随验证程序，它们还可以扮演更具挑战性的认识角色（例如提供经验现象的解释或为经验假设提供证据），这可能受益于研究针对相同目标现象的模型类别。

6. 结论和展望

本条目概述了基于主体模型在科学哲学研究中的应用。由于这些应用主要涉及科学探究的社会方面，科学哲学中的基于主体模型主要在科学的形式社会认识论子领域中得到发展。虽然基于主体模型在这一领域经历了快速增长，但它仍然需要经受时间的考验。特别是关于抽象模型的认识地位和方法论基础的基础性问题（例如，KISS 与 KIDS 方法的对比，见脚注 14）仍然是开放的。话虽如此，现有模型取得的理论成就令人瞩目，并为基于主体模型作为一种哲学方法的进一步发展提供了坚实的基础。

目前较少关注的一个方向是基于主体模型和经验方法的结合。尽管早期关于基于主体模型的哲学讨论强调了实验和计算方法的有益结合（例如，Hartmann、Lisciandra 和 Machery 2013），但这个领域尚未得到广泛探索，为未来的研究提供了充分的机会。例如，高度理想化的基于主体模型可以从实验研究的验证中受益（如 Mohseni 等人 2021 所示）。此外，定性研究，如对科学社区的民族志研究，可以帮助在构建模型时从实证角度提供假设（例如，Ghorbani、Dijkema 和 Schrauwen 2015）。

另一个新兴的研究方向来自人工智能的最新发展。特别是，大数据和机器学习模型可以成为生成基于主体模型输入的有益途径，例如代理行为（参见 Kavak、Padilla、Lynch 和 Diallo 2018；Zhang、Valencia 和 Chang 2023）。例如，自然语言处理技术已被用于以自然语言表达其论点的代理的表示（Betz 2022）。这些增强提供了高度理想化模型的新机会：从对其假设进行非理想化的鲁棒性分析，到对新问题和现象的探索。

Bibliography

Adami, Christoph, Jory Schossau, and Arend Hintze, 2016, “Evolutionary Game Theory Using Agent-Based Methods”, Physics of Life Reviews, 19: 1–26. doi:10.1016/j.plrev.2016.08.015
Alexander, J. McKenzie, 2013, “Preferential Attachment and the Search for Successful Theories”, Philosophy of Science, 80(5): 769–782. doi:10.1086/674080
Alexander, Jason McKenzie, Johannes Himmelreich, and Christopher Thompson, 2015, “Epistemic Landscapes, Optimal Search, and the Division of Cognitive Labor”, Philosophy of Science, 82(3): 424–453. doi:10.1086/681766
Alexandrova, Anna, 2008, “Making Models Count”, Philosophy of Science, 75(3): 383–404. doi:10.1086/592952
Andersen, Hanne, 2010, “Joint Acceptance and Scientific Change: A Case Study”, Episteme, 7(3): 248–265. doi:10.3366/epi.2010.0206
Anderson, Elizabeth, 1995, “Knowledge, Human Interests, and Objectivity in Feminist Epistemology”:, Philosophical Topics, 23(2): 27–58. doi:10.5840/philtopics199523213
Angere, Staffan and Erik J. Olsson, 2017, “Publish Late, Publish Rarely!: Network Density and Group Performance in Scientific Communication”, in Boyer-Kassem, Mayo-Wilson, and Weisberg 2017: 34–62 (ch. 2).
Arnold, Eckhart, 2008, Explaining Altruism: A Simulation-Based Approach and Its Limits, (Practical Philosophy 11), Frankfurt: Ontos Verlag. doi:10.1515/9783110327571
–––, 2014, “What’s wrong with social simulations?”, The Monist, 97(3): 359–377. doi:10.5840/monist201497323
Avin, Shahar, 2019a, “Centralized Funding and Epistemic Exploration”, The British Journal for the Philosophy of Science, 70(3): 629–656. doi:10.1093/bjps/axx059
–––, 2019b, “Mavericks and Lotteries”, Studies in History and Philosophy of Science Part A, 76: 13–23. doi:10.1016/j.shpsa.2018.11.006
Axelrod, Robert M., 1984, The Evolution of Cooperation, New York: Basic Books.
–––, 1997, The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration, (Princeton Studies in Complexity), Princeton, NJ: Princeton University Press.
Axelrod, Robert and William D. Hamilton, 1981, “The Evolution of Cooperation”, Science, 211(4489): 1390–1396. doi:10.1126/science.7466396
Axtell, Robert L, Joshua M. Epstein, and H. Peyton Young, 2001, “The Emergence of Classes in a Multi-Agent Bargaining Model”, in Social Dynamics, Steven N. Durlauf and H. Peyton Young (eds.), (Economic Learning and Social Evolution 4), Cambridge, MA: MIT Press, 191–211 (ch. 7).
Aydinonat, N. Emrah, Samuli Reijula, and Petri Ylikoski, 2021, “Argumentative Landscapes: The Function of Models in Social Epistemology”, Synthese, 199(1–2): 369–395. doi:10.1007/s11229-020-02661-9
Bala, Venkatesh and Sanjeev Goyal, 1998, “Learning from Neighbours”, The Review of Economic Studies, 65(3): 595–621. doi:10.1111/1467-937X.00059
Balietti, Stefano, Michael Mäs, and Dirk Helbing, 2015, “On Disciplinary Fragmentation and Scientific Progress”, PLOS ONE, 10(3): e0118747. doi:10.1371/journal.pone.0118747
Bedessem, Baptiste, 2019, “The Division of Cognitive Labor: Two Missing Dimensions of the Debate”, European Journal for Philosophy of Science, 9(1): article 3. doi:10.1007/s13194-018-0230-8
Berry, Donald A. and Bert Fristedt, 1985, Bandit Problems: Sequential Allocation of Experiments, (Monographs on Statistics and Applied Probability), Dordrecht: Springer Netherlands. doi:10.1007/978-94-015-3711-7
Betz, Gregor, 2013, Debate Dynamics: How Controversy Improves Our Beliefs, (Synthese Library : Studies in Epistemology, Logic, Methodology and Philosophy of Science 357), Dordrecht: Springer. doi:10.1007/978-94-007-4599-5
–––, 2022, “Natural-Language Multi-Agent Simulations of Argumentative Opinion Dynamics”, Journal of Artificial Societies and Social Simulation, 25(1): article 2. doi:10.18564/jasss.4725
Boero, Riccardo, and Flaminio Squazzoni, 2005, “Does Empirical Embeddedness Matter? Methodological Issues on Agent-Based Models for Analytical Social Science”, Journal of Artificial Societies and Social Simulation, 8(4). [Boero and Squazzoni 2005 available online]
Bokulich, Alisa, 2014, “How the Tiger Bush Got Its Stripes: ‘How Possibly’ vs. ‘How Actually’ Model Explanations:”, The Monist, 97(3): 321–338. doi:10.5840/monist201497321
–––, 2017, “Models and Explanation”, in Springer Handbook of Model-Based Science, Lorenzo Magnani and Tommaso Bertolotti (eds.), Cham: Springer International Publishing, 103–118. doi:10.1007/978-3-319-30526-4_4
Bolton, Patrick and Christopher Harris, 1999, “Strategic Experimentation”, Econometrica, 67(2): 349–374. doi:10.1111/1468-0262.00022
Borg, AnneMarie, Daniel Frey, Dunja Šešelja, and Christian Straßer, 2017, “Examining Network Effects in an Argumentative Agent-Based Model of Scientific Inquiry”, in Logic, Rationality, and Interaction: 6th International Workshop, LORI 2017, Sapporo, Japan, September 11-14, 2017, Alexandru Baltag, Jeremy Seligman, and Tomoyuki Yamada (eds.), (Lecture Notes in Computer Science 10455), Berlin/Heidelberg: Springer Berlin Heidelberg, 391–406. doi:10.1007/978-3-662-55665-8_27
–––, 2018, “Epistemic Effects of Scientific Interaction: Approaching the Question with an Argumentative Agent-Based Model”, Historical Social Research, 43(1): 285–309.
–––, 2019, “Theory-Choice, Transient Diversity and the Efficiency of Scientific Inquiry”, European Journal for Philosophy of Science, 9(2): article 26. doi:10.1007/s13194-019-0249-5
Boyer-Kassem, Thomas and Cyrille Imbert, 2015, “Scientific Collaboration: Do Two Heads Need to Be More than Twice Better than One?”, Philosophy of Science, 82(4): 667–688. doi:10.1086/682940
–––, forthcoming, “Explaining Scientific Collaboration: A General Functional Account”, The British Journal for the Philosophy of Science, first online: August 2021. doi:10.1086/716837
Boyer-Kassem, Thomas, Conor Mayo-Wilson, and Michael Weisberg (eds.), 2017, Scientific Collaboration and Collective Knowledge: New Essays, New York: Oxford University Press. doi:10.1093/oso/9780190680534.001.0001
Bramson, Aaron, Patrick Grim, Daniel J. Singer, William J. Berger, Graham Sack, Steven Fisher, Carissa Flocken, and Bennett Holman, 2017, “Understanding Polarization: Meanings, Measures, and Model Evaluation”, Philosophy of Science, 84(1): 115–159. doi:10.1086/688938
Brock, William A. and Steven N. Durlauf, 1999, “A Formal Model of Theory Choice in Science”, Economic Theory, 14(1): 113–130. doi:10.1007/s001990050284
Bruner, Justin P., 2019, “Minority (Dis)Advantage in Population Games”, Synthese, 196(1): 413–427. doi:10.1007/s11229-017-1487-8
Bueter, Anke, 2022, “Bias as an Epistemic Notion”, Studies in History and Philosophy of Science, 91: 307–315. doi:10.1016/j.shpsa.2021.12.002
Burt, Ronald S., 1992, Structural Holes: The Social Structure of Competition, Cambridge, MA: Harvard University Press. doi:10.4159/9780674029095
Caminada, Martin, 2009, “Truth, Lies and Bullshit: Distinguishing Classes of Dishonesty”, in Proceedings of the Social Simulation Workshop at the Twenty-First International Joint Conference on Artificial Intelligence (IJCAI), Pasadena, CA, USA, pp. 39–50.
Chang, Hasok, 2012, Is Water H2O? Evidence, Realism and Pluralism, (Boston Studies in the Philosophy of Science, 293), Dordrecht ; New York: Springer. doi:10.1007/978-94-007-3932-1
Christensen, David, 2010, “Higher-Order Evidence”, Philosophy and Phenomenological Research, 81(1): 185–215. doi:10.1111/j.1933-1592.2010.00366.x
Csaszar, Felipe A., 2018, “A Note on How NK Landscapes Work”, Journal of Organization Design, 7(1): article 15. doi:10.1186/s41469-018-0039-0
Currie, Adrian and Shahar Avin, 2019, “Method Pluralism, Method Mismatch, & Method Bias”, Philosopher’s Imprint, 19: article 13.
De Cruz, Helen and Johan De Smedt, 2013, “The Value of Epistemic Disagreement in Scientific Practice. The Case of Homo floresiensis”, Studies in History and Philosophy of Science Part A, 44(2): 169–177. doi:10.1016/j.shpsa.2013.02.002
De Langhe, Rogier, 2013, “Peer Disagreement under Multiple Epistemic Systems”, Synthese, 190(13): 2547–2556. doi:10.1007/s11229-012-0149-0
–––, 2014a, “A Comparison of Two Models of Scientific Progress”, Studies in History and Philosophy of Science Part A, 46: 94–99. doi:10.1016/j.shpsa.2014.03.002
–––, 2014b, “A Unified Model of the Division of Cognitive Labor”, Philosophy of Science, 81(3): 444–459. doi:10.1086/676670
–––, 2017, “Towards the Discovery of Scientific Revolutions in Scientometric Data”, Scientometrics, 110(1): 505–519. doi:10.1007/s11192-016-2108-x
De Langhe, Rogier and Matthias Greiff, 2010, “Standards and the Distribution of Cognitive Labour: A Model of the Dynamics of Scientific Activity”, Logic Journal of the IGPL, 18(2): 278–293. doi:10.1093/jigpal/jzp058
Deffuant, Guillaume, Frédéric Amblard, Gérard Weisbuch, and Thierry Faure, 2002, “How Can Extremism Prevail? A Study Based on the Relative Agreement Interaction Model”, Journal of Artificial Societies and Social Simulation, 5(4). [Deffuant et al. 2002 available online]
Deffuant, Guillaume, David Neau, Frederic Amblard, and Gérard Weisbuch, 2000, “Mixing Beliefs among Interacting Agents”, Advances in Complex Systems, 3(01n04): 87–98. doi:10.1142/S0219525900000078
DeGroot, Morris H., 1974, “Reaching a Consensus”, Journal of the American Statistical Association, 69(345): 118–121. doi:10.1080/01621459.1974.10480137
Derex, Maxime and Robert Boyd, 2016, “Partial Connectivity Increases Cultural Accumulation within Groups”, Proceedings of the National Academy of Sciences, 113(11): 2982–2987. doi:10.1073/pnas.1518798113
Derex, Maxime, Charles Perreault, and Robert Boyd, 2018, “Divide and Conquer: Intermediate Levels of Population Fragmentation Maximize Cultural Accumulation”, Philosophical Transactions of the Royal Society B: Biological Sciences, 373(1743): 20170062. doi:10.1098/rstb.2017.0062
Douglas, Heather E., 2009, Science, Policy, and the Value-Free Ideal, Pittsburgh, PA: University of Pittsburgh Press.
Douven, Igor, 2010, “Simulating Peer Disagreements”, Studies in History and Philosophy of Science Part A, 41(2): 148–157. doi:10.1016/j.shpsa.2010.03.010
–––, 2019, “Computational Models in Social Epistemology”, in Fricker, Graham, Henderson, & Pedersen 2019: 457–465.
Douven, Igor and Rainer Hegselmann, 2021, “Mis- and Disinformation in a Bounded Confidence Model”, Artificial Intelligence, 291: 103415. doi:10.1016/j.artint.2020.103415
–––, 2022, “Network Effects in a Bounded Confidence Model”, Studies in History and Philosophy of Science, 94: 56–71. doi:10.1016/j.shpsa.2022.05.002
Douven, Igor and Christoph Kelp, 2011, “Truth Approximation, Social Epistemology, and Opinion Dynamics”, Erkenntnis, 75(2): 271–283. doi:10.1007/s10670-011-9295-x
Douven, Igor and Alexander Riegler, 2010, “Extending the Hegselmann-Krause Model I”, Logic Journal of the IGPL, 18(2): 323–335. doi:10.1093/jigpal/jzp059
Douven, Igor and Sylvia Wenmackers, 2017, “Inference to the Best Explanation versus Bayes’s Rule in a Social Setting”, The British Journal for the Philosophy of Science, 68(2): 535–570. doi:10.1093/bjps/axv025
Dray, William H., 1957, Laws and Explanation in History, (Oxford Classical & Philosophical Monographs), London: Oxford University Press.
Dung, Phan Minh, 1995, “On the Acceptability of Arguments and Its Fundamental Role in Nonmonotonic Reasoning, Logic Programming and n-Person Games”, Artificial Intelligence, 77(2): 321–357. doi:10.1016/0004-3702(94)00041-X
Edmonds, Bruce, 2017, “Different Modelling Purposes”, in Simulating Social Complexity: A Handbook, Bruce Edmonds and Ruth Meyer (eds.), second edition, (Understanding Complex Systems), Cham: Springer, 39–58. doi:10.1007/978-3-319-66948-9_4
Edmonds, Bruce and Scott Moss, 2005, “From KISS to KIDS – An ‘Anti-Simplistic’ Modelling Approach”, in Multi-Agent and Multi-Agent-Based Simulation: Joint Workshop MABS 2004, Paul Davidsson, Brian Logan, and Keiki Takadama (eds.), (Lecture Notes in Computer Science 3415), Berlin, Heidelberg: Springer Berlin Heidelberg, 130–144. doi:10.1007/978-3-540-32243-6_11
Elga, Adam, 2007, “Reflection and Disagreement”, Noûs, 41(3): 478–502. doi:10.1111/j.1468-0068.2007.00656.x
Epstein, Joshua M., 2006, Generative Social Science: Studies in Agent-Based Computational Modeling, (Princeton Studies in Complexity), Princeton, NJ: Princeton University Press.
Epstein, Joshua M, 2008, “Why Model?”, Journal of Artificial Societies and Social Simulation, 11(4): article 12. [Epstein 2008 available online]
Epstein, Joshua M. and Robert Axtell, 1996, Growing Artificial Societies: Social Science from the Bottom Up, (Complex Adaptive Systems), Washington, DC: Brookings Institution Press.
Fang, Christina, Jeho Lee, and Melissa A. Schilling, 2010, “Balancing Exploration and Exploitation Through Structural Design: The Isolation of Subgroups and Organizational Learning”, Organization Science, 21(3): 625–642. doi:10.1287/orsc.1090.0468
Fazelpour, Sina and Daniel Steel, 2022, “Diversity, Trust, and Conformity: A Simulation Study”, Philosophy of Science, 89(2): 209–231. doi:10.1017/psa.2021.25
Feldman, Richard, 2006, “Epistemological Puzzles about Disagreement”, in Epistemology Futures, Stephen Hetherington (ed.), Oxford/New York: Oxford University Press, 216–326.
Feldman, Richard and Ted A. Warfield (eds.), 2010, Disagreement, Oxford/New York: Oxford University Press. doi:10.1093/acprof:oso/9780199226078.001.0001
Fernández Pinto, Manuela and Daniel Fernández Pinto, 2018, “Epistemic Landscapes Reloaded: An Examination of Agent-Based Models in Social Epistemology.”, Historical Social Research/Historische Sozialforschung, 43(1): 48–71. doi:10.12759/HSR.43.2018.1.48-71
Feyerabend, Paul K., 1975, Against Method, London: New Left Books.
Forber, Patrick, 2010, “Confirmation and Explaining How Possible”, Studies in History and Philosophy of Science Part C: Studies in History and Philosophy of Biological and Biomedical Sciences, 41(1): 32–40. doi:10.1016/j.shpsc.2009.12.006
–––, 2012, “Conjecture and Explanation: A Reply to Reydon”, Studies in History and Philosophy of Science Part C: Studies in History and Philosophy of Biological and Biomedical Sciences, 43(1): 298–301. doi:10.1016/j.shpsc.2011.10.018
French, John R. P. Jr, 1956, “A Formal Theory of Social Power.”, Psychological Review, 63(3): 181–194. doi:10.1037/h0046123
Frey, Daniel and Dunja Šešelja, 2018, “What Is the Epistemic Function of Highly Idealized Agent-Based Models of Scientific Inquiry?”, Philosophy of the Social Sciences, 48(4): 407–433. doi:10.1177/0048393118767085
Frey, Daniel and Dunja Šešelja, 2020, “Robustness and Idealizations in Agent-Based Models of Scientific Interaction”, The British Journal for the Philosophy of Science, 71(4): 1411–1437. doi:10.1093/bjps/axy039
Fricker, Miranda, Peter J. Graham, David Henderson, and Nikolaj J. L. L. Pedersen (eds.), 2019, The Routledge Handbook of Social Epistemology, New York: Routledge. doi:10.4324/9781315717937
Fumagalli, Roberto, 2016, “Why We Cannot Learn from Minimal Models”, Erkenntnis, 81(3): 433–455. doi:10.1007/s10670-015-9749-7
Gelfert, Axel, 2016, How to Do Science with Models: A Philosophical Primer, (SpringerBriefs in Philosophy), Cham: Springer International Publishing. doi:10.1007/978-3-319-27954-1
Ghorbani, Amineh, Gerard Dijkema, and Noortje Schrauwen, 2015, “Structuring Qualitative Data for Agent-Based Modelling”, Journal of Artificial Societies and Social Simulation, 18(1): article 2. doi:10.18564/jasss.2573
Gilbert, Margaret, 2000, Sociality and Responsibility: New Essays in Plural Subject Theory, Lanham, MD/Oxford: Rowman & Littlefield Publishers.
Gilbert, Nigel, 1997, “A Simulation of the Structure of Academic Science”, Sociological Research Online, 2(2): 91–105. doi:10.5153/sro.85
Gilbert, G. Nigel and Klaus G. Troitzsch, 2005, Simulation for the Social Scientist, second edition, Maidenhead/New York: Open University Press.
Goldman, Alvin I., 2010, “Epistemic Relativism and Reasonable Disagreement”, in Feldman and Warfield 2010: 187–215. doi:10.1093/acprof:oso/9780199226078.003.0009
–––, 1999, Knowledge in a Social World, Oxford: Clarendon Press. doi:10.1093/0198238207.001.0001
Goldman, Alvin I. and Moshe Shaked, 1991, “An Economic Model of Scientific Activity and Truth Acquisition”, Philosophical Studies, 63(1): 31–55. doi:10.1007/BF00375996
Graebner, Claudius, 2018, “How to Relate Models to Reality? An Epistemological Framework for the Validation and Verification of Computational Models”, Journal of Artificial Societies and Social Simulation, 21(3): article 8. doi:10.18564/jasss.3772
Granovetter, Mark S., 1973, “The Strength of Weak Ties”, American Journal of Sociology, 78(6): 1360–1380. doi:10.1086/225469
Grasswick, Heidi Elizabeth (ed.), 2011, Feminist Epistemology and Philosophy of Science: Power in Knowledge, (Feminist Philosophy Collection), Dordrecht/New York: Springer. doi:10.1007/978-1-4020-6835-5
Grim, Patrick, 2009, “Threshold Phenomena in Epistemic Networks.”, in Complex Adaptive Systems and the Threshold Effect: Views from the Natural and Social Sciences, (Papers from the 2009 AAAI Fall Symposium 3), 53–60. [Grim 2009 available online]
Grim, Patrick, Gary Mar, and Paul St. Denis, 1998, The Philosophical Computer: Exploratory Essays in Philosophical Computer Modeling, with the Group for Logic and Formal Semantics, Cambridge, MA: MIT Press.
Grim, Patrick, Daniel J. Singer, Aaron Bramson, Bennett Holman, Sean McGeehan, and William J. Berger, 2019, “Diversity, Ability, and Expertise in Epistemic Communities”, Philosophy of Science, 86(1): 98–123. doi:10.1086/701070
Grim, Patrick, Daniel J. Singer, Steven Fisher, Aaron Bramson, William J. Berger, Christopher Reade, Carissa Flocken, and Adam Sales, 2013, “Scientific Networks on Data Landscapes: Question Difficulty, Epistemic Success, and Convergence”, Episteme, 10(4): 441–464. doi:10.1017/epi.2013.36
Grimm, Volker and Steven F. Railsback, 2005, Individual-Based Modeling and Ecology, (Princeton Series in Theoretical and Computational Biology), Princeton, NJ: Princeton University Press. doi:10.1515/9781400850624
Grüne-Yanoff, Till, 2009, “Learning from Minimal Economic Models”, Erkenntnis, 70(1): 81–99. doi:10.1007/s10670-008-9138-6
Haraway, Donna Jeanne, 1989, Primate Visions: Gender, Race, and Nature in the World of Modern Science, New York/London: Routledge. doi:10.4324/9780203421918
Harnagel, Audrey, 2019, “A Mid-Level Approach to Modeling Scientific Communities”, Studies in History and Philosophy of Science Part A, 76: 49–59. doi:10.1016/j.shpsa.2018.12.010
Hartmann, Stephan, Chiara Lisciandra, and Edouard Machery, 2013, “Editorial: Formal Epistemology Meets Experimental Philosophy”, Synthese, 190(8): 1333–1335. doi:10.1007/s11229-013-0269-1
Hartmann, Stephan, Carlo Martini, and Jan Sprenger, 2009, “Consensual Decision-Making Among Epistemic Peers”, Episteme, 6(2): 110–129. doi:10.3366/E1742360009000598
Heesen, Remco, 2019, “The Credit Incentive to Be a Maverick”, Studies in History and Philosophy of Science Part A, 76: 5–12. doi:10.1016/j.shpsa.2018.11.007
Hegselmann, Rainer, 2017, “Thomas C. Schelling and James M. Sakoda: The Intellectual, Technical, and Social History of a Model”, Journal of Artificial Societies and Social Simulation, 20(3): article 15. doi:10.18564/jasss.3511
Hegselmann, Rainer and Ulrich Krause, 2002, “Opinion Dynamics and Bounded Confidence Models, Analysis, and Simulation”, Journal of Artificial Societies and Social Simulation, 5(3). [Hegselmann and Krause 2002 available online]
–––, 2005, “Opinion Dynamics Driven by Various Ways of Averaging”, Computational Economics, 25(4): 381–405. doi:10.1007/s10614-005-6296-3
–––, 2006, “Truth and Cognitive Division of Labor: First Steps towards a Computer Aided Social Epistemology”, Journal of Artificial Societies and Social Simulation, 9(3): article 10. [Hegselmann and Krause 2006 available online]
Hempel, Carl G., 1965, Aspects of Scientific Explanation: And Other Essays in the Philosophy of Science, New York: Free Press.
Holman, Bennett and Justin P. Bruner, 2015, “The Problem of Intransigently Biased Agents”, Philosophy of Science, 82(5): 956–968. doi:10.1086/683344
–––, 2017, “Experimentation by Industrial Selection”, Philosophy of Science: 1008–1019. doi:10.1086/694037
Holman, Bennett and Kevin C. Elliott, 2018, “The Promise and Perils of Industry-Funded Science”, Philosophy Compass, 13(11): e12544. doi:10.1111/phc3.12544
Holman, Bennett and Torsten Wilholt, 2022, “The New Demarcation Problem”, Studies in History and Philosophy of Science, 91: 211–220. doi:10.1016/j.shpsa.2021.11.011
Hong, Lu and Scott E. Page, 2004, “Groups of Diverse Problem Solvers Can Outperform Groups of High-Ability Problem Solvers”, Proceedings of the National Academy of Sciences, 101(46): 16385–16389. doi:10.1073/pnas.0403723101
Houkes, Wybo, Dunja Šešelja, and Krist Vaesen, forthcoming, “Robustness Analysis”, in The Routledge Handbook of Philosophy of Scientific Modeling, Natalia Carrillo, Tarja Knuuttila, and Ram Koskinen (eds.). [Houkes, Šešelja, and Vaesen forthcoming available online]
Hull, David L., 1978, “Altruism in Science: A Sociobiological Model of Co-Operative Behaviour among Scientists”, Animal Behaviour, 26: 685–697. doi:10.1016/0003-3472(78)90135-5
–––, 1988, Science as a Process: An Evolutionary Account of the Social and Conceptual Development of Science, (Science and Its Conceptual Foundations), Chicago, IL: University of Chicago Press.
Jackson, Matthew O. and Asher Wolinsky, 1996, “A Strategic Model of Social and Economic Networks”, Journal of Economic Theory, 71(1): 44–74. doi:10.1006/jeth.1996.0108
Kauffman, Stuart A., 1993, The Origins of Order: Self Organization and Selection in Evolution, New York: Oxford University Press.
Kauffman, Stuart and Simon Levin, 1987, “Towards a General Theory of Adaptive Walks on Rugged Landscapes”, Journal of Theoretical Biology, 128(1): 11–45. doi:10.1016/S0022-5193(87)80029-2
Kavak, Hamdi, Jose J. Padilla, Christopher J. Lynch, and Saikou Y. Diallo, 2018, “Big Data, Agents, and Machine Learning: Towards a Data-Driven Agent-Based Modeling Approach”, in Proceedings of the Annual Simulation Symposium (ANSS ’18), San Diego, CA, USA: Society for Computer Simulation International, article 12 (12 pages).
Kelly, Thomas, 2010 [2011], “Peer Disagreement and Higher‐Order Evidence”, in Feldman and Warfield 2010: 111–174. An abridged version was published in Social Epistemology: Essential Readings, Alvin I. Goldman and Dennis Whitcomb (eds.), Oxford/New York: Oxford University Press, 2011, 183–217. doi:10.1093/acprof:oso/9780199226078.003.0007
Kelp, Christoph and Igor Douven, 2012, “Sustaining a Rational Disagreement”, in EPSA Philosophy of Science: Amsterdam 2009, Henk W. De Regt, Stephan Hartmann, and Samir Okasha (eds.), Dordrecht: Springer Netherlands, 101–110. doi:10.1007/978-94-007-2404-4_10
Kitcher, Philip, 1990, “The Division of Cognitive Labor”, The Journal of Philosophy, 87(1): 5–22. doi:10.2307/2026796
–––, 1993, The Advancement of Science: Science without Legend, Objectivity without Illusions, New York: Oxford University Press. doi:10.1093/0195096533.001.0001
Klein, Dominik, Johannes Marx, and Simon Scheller, 2020, “Rationality in Context: On Inequality and the Epistemic Problems of Maximizing Expected Utility”, Synthese, 197(1): 209–232. doi:10.1007/s11229-018-1773-0
Konigsberg, Amir, 2013, “The Problem with Uniform Solutions to Peer Disagreement”, Theoria, 79(2): 96–126. doi:10.1111/j.1755-2567.2012.01149.x
Kopecky, Felix, 2022, “Arguments as Drivers of Issue Polarisation in Debates Among Artificial Agents”, Journal of Artificial Societies and Social Simulation, 25(1): article 4. doi:10.18564/jasss.4767
Kuhlmann, Meinard, 2021, “On the Exploratory Function of Agent-Based Modelling”, Perspectives on Science, 29(4): 510–536. doi:10.1162/posc_a_00381
Kuhn, Thomas S., 1962, Structure of Scientific Revolutions, Chicago: The University of Chicago Press.
–––, 1977, The Essential Tension: Selected Studies in Scientific Tradition and Change, Chicago: University of Chicago Press.
Kukla, Rebecca, 2012, “‘Author TBD’: Radical Collaboration in Contemporary Biomedical Research”, Philosophy of Science, 79(5): 845–858. doi:10.1086/668042
Kummerfeld, Erich and Kevin J. S. Zollman, 2016, “Conservatism and the Scientific State of Nature”, The British Journal for the Philosophy of Science, 67(4): 1057–1076. doi:10.1093/bjps/axv013
Kuorikoski, Jaakko, Aki Lehtinen, and Caterina Marchionni, 2012, “Robustness Analysis Disclaimer: Please Read the Manual before Use!”, Biology & Philosophy, 27(6): 891–902. doi:10.1007/s10539-012-9329-z
Laudan, Larry, 1977, Progress and Its Problems: Toward a Theory of Scientific Growth, Berkeley, CA: University of California Press.
Lazer, David and Allan Friedman, 2007, “The Network Structure of Exploration and Exploitation”, Administrative Science Quarterly, 52(4): 667–694. doi:10.2189/asqu.52.4.667
Lehrer, Keith and Carl Wagner, 1981, Rational Consensus in Science and Society, (Philosophical Studies Series 24), Dordrecht/Boston: D. Reidel Publishing Company. doi:10.1007/978-94-009-8520-9
Lewontin, Richard C., 1961, “Evolution and the Theory of Games”, Journal of Theoretical Biology, 1(3): 382–403. doi:10.1016/0022-5193(61)90038-8
Longino, Helen E., 1990, Science as Social Knowledge: Values and Objectivity in Scientific Inquiry, Princeton, NJ: Princeton University Press.
–––, 2002, The Fate of Knowledge, Princeton, NJ: Princeton University Press.
–––, 2022, “What’s Social about Social Epistemology?”, The Journal of Philosophy, 119(4): 169–195. doi:10.5840/jphil2022119413
Mäki, Uskali, 2005, “Economic Epistemology: Hopes and Horrors”, Episteme, 1(3): 211–222. doi:10.3366/epi.2004.1.3.211
March, James G., 1991, “Exploration and Exploitation in Organizational Learning”, Organization Science, 2(1): 71–87. doi:10.1287/orsc.2.1.71
Martini, Carlo and Manuela Fernández Pinto, 2017, “Modeling the Social Organization of Science: Chasing Complexity through Simulations”, European Journal for Philosophy of Science, 7(2): 221–238. doi:10.1007/s13194-016-0153-1
Mason, Winter A., Andy Jones, and Robert L. Goldstone, 2008, “Propagation of Innovations in Networked Groups.”, Experimental Psychology: General, 137(3): 422–433. doi:10.1037/a0012798
Mason, Winter and Duncan J. Watts, 2012, “Collaborative Learning in Networks”, Proceedings of the National Academy of Sciences, 109(3): 764–769. doi:10.1073/pnas.1110069108
Maynard Smith, John, 1982, Evolution and the Theory of Games, Cambridge/New York: Cambridge University Press. doi:10.1017/CBO9780511806292
Mayo-Wilson, Conor, 2014, “Reliability of Testimonial Norms in Scientific Communities”, Synthese, 191(1): 55–78. doi:10.1007/s11229-013-0320-2
Mayo-Wilson, Conor and Kevin J. S. Zollman, 2021, “The Computational Philosophy: Simulation as a Core Philosophical Method”, Synthese, 199(1–2): 3647–3673. doi:10.1007/s11229-020-02950-3
Merdes, Christoph, 2021, “Strategy and the Pursuit of Truth”, Synthese, 198(1): 117–138. doi:10.1007/s11229-018-01985-x
Merdes, Christoph, Momme Von Sydow, and Ulrike Hahn, 2021, “Formal Models of Source Reliability”, Synthese, 198(S23): 5773–5801. doi:10.1007/s11229-020-02595-2
Merton, Robert King, 1973, The Sociology of Science: Theoretical and Empirical Investigations, Chicago: University of Chicago Press.
Michelini, Matteo, Javier Osorio, Wybo Houkes, Dunja Šešelja, and Christian Straßer, forthcoming, “Scientific Disagreements and the Diagnosticity of Evidence: How Too Much Data May Lead to Polarization”, Journal of Artificial Societies and Social Simulation. [Michelini et al. preprint available online]
Mill, John Stuart, 1859, On Liberty, London: John W. Parker and son.
Mohseni, Aydin, Cailin O’Connor, and Hannah Rubin, 2021, “On the Emergence of Minority Disadvantage: Testing the Cultural Red King Hypothesis”, Synthese, 198(6): 5599–5621. doi:10.1007/s11229-019-02424-1
Muldoon, Ryan and Michael Weisberg, 2011, “Robustness and Idealization in Models of Cognitive Labor”, Synthese, 183(2): 161–174. doi:10.1007/s11229-010-9757-8
Nash, John F. Jr, 1950, “The Bargaining Problem”, Econometrica, 18(2): 155–162. doi:10.2307/1907266
Nguyen, James, 2020, “It’s Not a Game: Accurate Representation with Toy Models”, The British Journal for the Philosophy of Science, 71(3): 1013–1041. doi:10.1093/bjps/axz010
O’Connor, Cailin, 2017, “The Cultural Red King Effect”, The Journal of Mathematical Sociology, 41(3): 155–171. doi:10.1080/0022250X.2017.1335723
–––, 2019, “The Natural Selection of Conservative Science”, Studies in History and Philosophy of Science Part A, 76: 24–29. doi:10.1016/j.shpsa.2018.09.007
O’Connor, Cailin and Justin Bruner, 2019, “Dynamics and Diversity in Epistemic Communities”, Erkenntnis, 84(1): 101–119. doi:10.1007/s10670-017-9950-y
O’Connor, Cailin and James Owen Weatherall, 2018, “Scientific Polarization”, European Journal for Philosophy of Science, 8(3): 855–875. doi:10.1007/s13194-018-0213-9
Olsson, Erik J., 2011, “A Simulation Approach to Veritistic Social Epistemology”, Episteme, 8(2): 127–143. doi:10.3366/epi.2011.0012
–––, 2013, “A Bayesian Simulation Model of Group Deliberation and Polarization”, in Bayesian Argumentation: The Practical Side of Probability, Frank Zenker (ed.), (Synthese Library 362), Dordrecht: Springer Netherlands, 113–133. doi:10.1007/978-94-007-5357-0_6
Oreskes, Naomi and Erik M. Conway, 2010, Merchants of Doubt: How a Handful of Scientists Obscured the Truth on Issues from Tobacco Smoke to Global Warming, New York: Bloomsbury Press.
Page, Scott E., 2017, The Diversity Bonus: How Great Teams Pay Off in the Knowledge Economy, Princeton/Oxford: Princeton University Press.
–––, 2018, The Model Thinker: What You Need to Know to Make Data Work for You, New York: Basic Books.
Payette, Nicolas, 2011, “Agent-Based Models of Science”, in Models of Science Dynamics. Understanding Complex Systems, Andrea Scharnhorst, Katy Börner, and Peter van den Besselaar (eds.), Berlin/Heidelberg: Springer, 127–157. doi:10.1007/978-3-642-23068-4_4
Perović, Slobodan, Sandro Radovanović, Vlasta Sikimić, and Andrea Berber, 2016, “Optimal Research Team Composition: Data Envelopment Analysis of Fermilab Experiments”, Scientometrics, 108(1): 83–111. doi:10.1007/s11192-016-1947-9
Pesonen, Renne, 2022, “Argumentation, Cognition, and the Epistemic Benefits of Cognitive Diversity”, Synthese, 200(4): article 295. doi:10.1007/s11229-022-03786-9
Peters, Uwe, 2021, “Illegitimate Values, Confirmation Bias, and Mandevillian Cognition in Science”, The British Journal for the Philosophy of Science, 72(4): 1061–1081. doi:10.1093/bjps/axy079
Politi, Vincenzo, 2021, “Formal Models of the Scientific Community and the Value-Ladenness of Science”, European Journal for Philosophy of Science, 11(4): article 97. doi:10.1007/s13194-021-00418-w
Pöyhönen, Samuli, 2017, “Value of Cognitive Diversity in Science”, Synthese, 194(11): 4519–4540. doi:10.1007/s11229-016-1147-4
Reijula, Samuli and Jaakko Kuorikoski, 2021, “The Diversity-Ability Trade-Off in Scientific Problem Solving”, Philosophy of Science, 88(5): 894–905. doi:10.1086/714938
Reiss, Julian, 2012, “The Explanation Paradox”, Journal of Economic Methodology, 19(1): 43–62. doi:10.1080/1350178X.2012.661069
Reutlinger, Alexander, Dominik Hangleiter, and Stephan Hartmann, 2018, “Understanding (with) Toy Models”, The British Journal for the Philosophy of Science, 69(4): 1069–1099. doi:10.1093/bjps/axx005
Reydon, Thomas A.C., 2012, “How-Possibly Explanations as Genuine Explanations and Helpful Heuristics: A Comment on Forber”, Studies in History and Philosophy of Science Part C: Studies in History and Philosophy of Biological and Biomedical Sciences, 43(1): 302–310. doi:10.1016/j.shpsc.2011.10.015
Riegler, Alexander and Igor Douven, 2009, “Extending the Hegselmann–Krause Model III: From Single Beliefs to Complex Belief States”, Episteme, 6(2): 145–163. doi:10.3366/E1742360009000616
Robbins, Herbert, 1952, “Some Aspects of the Sequential Design of Experiments”, Bulletin of the American Mathematical Society, 58(5): 527–535.
Rolin, Kristina, 2015, “Values in Science: The Case of Scientific Collaboration”, Philosophy of Science, 82(2): 157–177. doi:10.1086/680522
–––, 2019, “The Epistemic Significance of Diversity”, in Fricker, Graham, Henderson, & Pedersen 2019: 158–166.
Rosenstock, Sarita, Justin Bruner, and Cailin O’Connor, 2017, “In Epistemic Networks, Is Less Really More?”, Philosophy of Science, 84(2): 234–252. doi:10.1086/690717
Rubin, Hannah, 2022, “Structural causes of citation gaps”, Philosophical Studies, 179(7): 2323–2345.
Rubin, Hannah and Cailin O’Connor, 2018, “Discrimination and Collaboration in Science”, Philosophy of Science, 85(3): 380–402. doi:10.1086/697744
Rubin, Hannah and Mike D. Schneider, 2021, “Priority and Privilege in Scientific Discovery”, Studies in History and Philosophy of Science Part A, 89: 202–211. doi:10.1016/j.shpsa.2021.08.005
Rueger, Alexander, 1996, “Risk and Diversification in Theory Choice”, Synthese, 109(2): 263–280. doi:10.1007/BF00413769
Sakoda, James M., 1971, “The Checkerboard Model of Social Interaction”, The Journal of Mathematical Sociology, 1(1): 119–132. doi:10.1080/0022250X.1971.9989791
Saltelli, Andrea, Marco Ratto, Terry Andres, Francesca Campolongo, Jessica Cariboni, Debora Gatelli, Michaela Saisana, and Stefano Tarantola, 2008, Global Sensitivity Analysis: The Primer, Chichester: John Wiley & Sons.
Santana, Carlos, 2018, “Why Not All Evidence Is Scientific Evidence”, Episteme, 15(2): 209–227. doi:10.1017/epi.2017.3
Santana, Carlos, 2021, “Let’s Not Agree to Disagree: The Role of Strategic Disagreement in Science”, Synthese, 198(S25): 6159–6177. doi:10.1007/s11229-019-02202-z
Schelling, Thomas C., 1971, “Dynamic Models of Segregation”, The Journal of Mathematical Sociology, 1(2): 143–186. doi:10.1080/0022250X.1971.9989794
Schurz, Gerhard, 2009, “Meta-Induction and Social Epistemology: Computer Simulations of Prediction Games”, Episteme, 6(2): 200–220. doi:10.3366/E1742360009000641
–––, 2012, “Meta-Induction in Epistemic Networks and the Social Spread of Knowledge”, Episteme, 9(2): 151–170. doi:10.1017/epi.2012.6
Šešelja, Dunja, 2021a, “Exploring Scientific Inquiry via Agent-Based Modelling”, Perspectives on Science, 29(4): 537–557. doi:10.1162/posc_a_00382
–––, 2021b, “Some Lessons from Simulations of Scientific Disagreements”, Synthese, 198(Suppl 25): 6143–6158. doi:10.1007/s11229-019-02182-0
–––, 2022a, “Agent‐based Models of Scientific Interaction”, Philosophy Compass, 17(7): e12855. doi:10.1111/phc3.12855
–––, 2022b, “What Kind of Explanations Do We Get From Agent-Based Models of Scientific Inquiry?”, in Proceedings of the 16th International Congress of Logic, Methodology and Philosophy of Science and Technology, Hanne Andersen, Tomávs Marvan, Hasok Chang, Benedikt Löwe, and Ivo Pezlar (eds.), London: College Publications.
Sikimić, Vlasta and Ole Herud-Sikimić, 2022, “Modelling Efficient Team Structures in Biology”, Journal of Logic and Computation, 32(6): 1109–1128. doi:10.1093/logcom/exac021
Singer, Daniel J., 2019, “Diversity, Not Randomness, Trumps Ability”, Philosophy of Science, 86(1): 178–191. doi:10.1086/701074
Singer, Daniel J., Aaron Bramson, Patrick Grim, Bennett Holman, Jiin Jung, Karen Kovaka, Anika Ranginani, and William J. Berger, 2019, “Rational Social and Political Polarization”, Philosophical Studies, 176(9): 2243–2267. doi:10.1007/s11098-018-1124-5
Skyrms, Brian, 1990, The Dynamics of Rational Deliberation, Cambridge, MA: Harvard University Press.
–––, 1996, Evolution of the Social Contract, Cambridge/New York: Cambridge University Press.
Smaldino, Paul E. and Richard McElreath, 2016, “The Natural Selection of Bad Science”, Royal Society Open Science, 3(9): 160384. doi:10.1098/rsos.160384
Solomon, Miriam, 2006, “Groupthink versus The Wisdom of Crowds: The Social Epistemology of Deliberation and Dissent”, The Southern Journal of Philosophy, 44(S1): 28–42. doi:10.1111/j.2041-6962.2006.tb00028.x
Squazzoni, Flaminio (ed.), 2009, Epistemological Aspects of Computer Simulation in the Social Sciences, (Lecture Notes in Computer Science 5466), Berlin/Heidelberg: Springer. doi:10.1007/978-3-642-01109-2
Steel, Daniel, Sina Fazelpour, Kinley Gillette, Bianca Crewe, and Michael Burgess, 2018, “Multiple Diversity Concepts and Their Ethical-Epistemic Implications”, European Journal for Philosophy of Science, 8(3): 761–780. doi:10.1007/s13194-018-0209-5
Strevens, Michael, 2003, “The Role of the Priority Rule in Science”:, Journal of Philosophy, 100(2): 55–79. doi:10.5840/jphil2003100224
–––, 2011, “Economic Approaches to Understanding Scientific Norms”, Episteme, 8(2): 184–200. doi:10.3366/epi.2011.0015
Thagard, Paul, 1988, Computational Philosophy of Science, Cambridge, MA: MIT Press. doi:10.7551/mitpress/1968.001.0001
Thicke, Michael, 2020, “Evaluating Formal Models of Science”, Journal for General Philosophy of Science, 51(2): 315–335. doi:10.1007/s10838-018-9440-1
Thoma, Johanna, 2015, “The Epistemic Division of Labor Revisited”, Philosophy of Science, 82(3): 454–472. doi:10.1086/681768
Tiokhin, Leonid, Minhua Yan, and Thomas J. H. Morgan, 2021, “Competition for Priority Harms the Reliability of Science, but Reforms Can Help”, Nature Human Behaviour, 5(7): 857–867. doi:10.1038/s41562-020-01040-1
Ventura, Rafael, 2023, “Structural Inequality in Collaboration Networks”, Philosophy of Science, 90(2): 336–353. doi:10.1017/psa.2022.73
Verreault-Julien, Philippe, 2019, “How Could Models Possibly Provide How-Possibly Explanations?”, Studies in History and Philosophy of Science Part A, 73: 22–33. doi:10.1016/j.shpsa.2018.06.008
Wagenknecht, Susann, 2015, “Facing the Incompleteness of Epistemic Trust: Managing Dependence in Scientific Practice”, Social Epistemology, 29(2): 160–184. doi:10.1080/02691728.2013.794872
Wagner, Elliott and Jonathan Herington, 2021, “Agent-Based Models of Dual-Use Research Restrictions”, The British Journal for the Philosophy of Science, 72(2): 377–399. doi:10.1093/bjps/axz017
Weatherall, James Owen and Cailin O’Connor, 2021a, “Conformity in Scientific Networks”, Synthese, 198(8): 7257–7278. doi:10.1007/s11229-019-02520-2
–––, 2021b, “Endogenous Epistemic Factionalization”, Synthese, 198(S25): 6179–6200. doi:10.1007/s11229-020-02675-3
Weatherall, James Owen, Cailin O’Connor, and Justin P. Bruner, 2020, “How to Beat Science and Influence People: Policymakers and Propaganda in Epistemic Networks”, The British Journal for the Philosophy of Science, 71(4): 1157–1186. doi:10.1093/bjps/axy062
Weisberg, Michael, 2013, Simulation and Similarity: Using Models to Understand the World, (Oxford Studies in Philosophy of Science), Oxford/New York: Oxford University Press.
Weisberg, Michael and Ryan Muldoon, 2009, “Epistemic Landscapes and the Division of Cognitive Labor”, Philosophy of Science, 76(2): 225–252. doi:10.1086/644786
Wray, K. Brad, 2002, “The Epistemic Significance of Collaborative Research”, Philosophy of Science, 69(1): 150–168. doi:10.1086/338946
–––, 2007, “Who Has Scientific Knowledge?”, Social Epistemology, 21(3): 337–347. doi:10.1080/02691720701674288
Wright, Sewall, 1932, “The Roles of Mutation, Inbreeding, Crossbreeding, and Selection in Evolution”, Proceedings of the Sixth International Congress on Genetics, 1: 356–366.
Wu, Jingyi, 2023, “Epistemic Advantage on the Margin: A Network Standpoint Epistemology”, Philosophy and Phenomenological Research, 106(3): 755–777. doi:10.1111/phpr.12895
Wylie, Alison, 1992, “The Interplay of Evidential Constraints and Political Interests: Recent Archaeological Research on Gender”, American Antiquity, 57(1): 15–35. doi:10.2307/2694833
–––, 2002, Thinking from Things: Essays in the Philosophy of Archaeology, Berkeley, CA: University of California Press.
–––, 2003, “Why Standpoint Matters”, in Science and Other Cultures: Issues in Philosophies of Science and Technology, Robert Figueroa and Sandra Harding (eds.), New York/London: Routledge, 26–48.
Ylikoski, Petri, 2014, “Agent-Based Simulation and Sociological Understanding”, Perspectives on Science, 22(3): 318–335. doi:10.1162/POSC_a_00136
Ylikoski, Petri and N. Emrah Aydinonat, 2014, “Understanding with Theoretical Models”, Journal of Economic Methodology, 21(1): 19–36. doi:10.1080/1350178X.2014.886470
Zamora Bonilla, Jesús P., 1999, “The Elementary Economics of Scientific Consensus”, Theoria: An International Journal for Theory, History and Foundations of Science, 14(3): 461–488.
Zhang, “Synergistic Integration Between Machine Learning and Agent-Based Modeling: A Multidisciplinary Review”, IEEE Transactions on Neural Networks and Learning Systems, 34(5): 2170–2190. doi:10.1109/TNNLS.2021.3106777
Zollman, Kevin J. S., 2007, “The Communication Structure of Epistemic Communities”, Philosophy of Science, 74(5): 574–587. doi:10.1086/525605
–––, 2009, “Optimal Publishing Strategies”, Episteme, 6(2): 185–199. doi:10.3366/E174236000900063X
–––, 2010, “The Epistemic Benefit of Transient Diversity”, Erkenntnis, 72(1): 17–35. doi:10.1007/s10670-009-9194-6
–––, 2013, “Network Epistemology: Communication in Epistemic Communities”, Philosophy Compass, 8(1): 15–27. doi:10.1111/j.1747-9991.2012.00534.x
–––, 2017, “Learning to Collaborate”, in Boyer-Kassem, Mayo-Wilson, and Weisberg 2017: 65–77 (ch. 3).
–––, 2018, “The Credit Economy and the Economic Rationality of Science”, The Journal of Philosophy, 115(1): 5–33. doi:10.5840/jphil201811511

Academic Tools

How to cite this entry.

Preview the PDF version of this entry at the Friends of the SEP Society.

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

Angere, Staffan, 2010, “Knowledge in a Social Network”, Lund University, unpublished manuscript.
the CoMSES Model Library, a digital repository of ABMs
NetLogo

Acknowledgments

Many thanks to Wybo Houkes, Matteo Michelini, Samuli Reijula, Christian Straßer, Krist Vaesen and Soong Yoo for valuable discussions and comments on earlier drafts. I am also grateful to the anonymous reviewer for the helpful comments and suggestions. The research for this paper is supported by the Deutsche Forschungsgemeinschaft (DFG, German Research Foundation)—project number 426833574.

上一页*多模态逻辑的哲学方向——见多模态逻辑的哲学方向 philosophical aspects of multi-modal logic — see multi-modal logic, philosophical aspects of 下一页科学模型 models in science (Roman Frigg and Stephan Hartmann)

最后更新于8小时前