Modele în știință

Cuprins:

Modele în știință
Modele în știință

Video: Modele în știință

Video: Modele în știință
Video: Științe; cl.V; "Zborul și plutirea" 2024, Martie
Anonim

Acesta este un fișier din arhivele Enciclopediei de Filozofie din Stanford. Informații despre autor și citare | Prieteni PDF Previzualizare | Căutare InPho | Bibliografie PhilPapers

Modele în știință

Publicat prima lună 27 februarie 2006; revizuire de fond lună 25 iunie 2012

Modelele au o importanță centrală în multe contexte științifice. Centralitatea unor modele precum modelul cu bilă de biliard al unui gaz, modelul Bohr al atomului, modelul sacului MIT al nucleonului, modelul cu lanț gaussian al unui polimer, modelul Lorenz al atmosferei, modelul Lotka-Volterra a interacțiunii prădător-pradă, modelul dublu helix al ADN-ului, modelele bazate pe agenți și evoluția în științele sociale și modelele de echilibru general ale piețelor din domeniile lor respective sunt exemple. Oamenii de știință petrec o mare parte din timp construind, testând, comparand și revizuind modele și mult spațiu de jurnal este dedicat introducerii, aplicării și interpretării acestor instrumente valoroase. Pe scurt, modelele sunt unul dintre instrumentele principale ale științei moderne.

Filozofii recunosc importanța modelelor cu o atenție din ce în ce mai mare și probează rolurile asortate pe care modelele le joacă în practica științifică. Rezultatul a fost o proliferare incredibilă de tipuri de modele în literatura filozofică. Modele de probing, modele fenomenologice, modele de calcul, modele de dezvoltare, modele explicative, modele sărăcate, modele de testare, modele idealizate, modele teoretice, modele la scară, modele euristice, modele de caricatură, modele didactice, modele de fantezie, modele de jucării, modele imaginare, modele matematice, modele înlocuitoare, modele iconice, modele formale, modele analogice și modele instrumentale sunt doar câteva dintre noțiunile care sunt utilizate pentru a clasifica modelele. În timp ce la prima vedere această abundență este copleșitoare,acesta poate fi pus sub control rapid recunoscând că aceste noțiuni se referă la diferite probleme care apar în legătură cu modelele. De exemplu, modelele ridică întrebări în semantică (care este funcția reprezentativă pe care o îndeplinesc modelele?), Ontologie (ce fel de lucruri sunt modele?), Epistemologie (cum învățăm cu modelele?) Și, bineînțeles, în filozofia generală de știință (cum se raportează modelele cu teoria?în filosofia generală a științei (cum se raportează modelele cu teoria?; care sunt implicațiile unei abordări bazate pe model pentru știință pentru dezbaterile asupra realismului științific, reducționismului, explicației și legilor naturii?).în filosofia generală a științei (cum se raportează modelele cu teoria?; care sunt implicațiile unei abordări bazate pe model pentru știință pentru dezbaterile asupra realismului științific, reducționismului, explicației și legilor naturii?).

  • 1. Semantica: modele și reprezentare

    • 1.1 Modele reprezentative I: modele de fenomene
    • 1.2 Modele reprezentative II: modele de date
    • 1.3 Modele de teorie
  • 2. Ontologie: Ce sunt modelele?

    • 2.1 Obiecte fizice
    • 2.2 Obiecte fictive
    • 2.3 Structuri teoretice
    • 2.4 Descrieri
    • 2.5 Ecuații
    • 2.6 Ontologii gerrymandered
  • 3. Epistemologia: învățarea cu modele

    • 3.1 Învățarea despre model: experimente, experimente gândite și simulare
    • 3.2 Transformarea cunoștințelor despre model în cunoștințe despre țintă
  • 4. Modele și teorie

    • 4.1 Cele două extreme: viziunea sintactică și semantica a teoriilor
    • 4.2 Modele independente de teorii
  • 5. Modele și alte dezbateri în filosofia științei

    • 5.1 Modele și dezbatere realism versus antirealism
    • 5.2 Model și reducționism
    • 5.3 Modele și legi ale naturii
    • 5.4 Modele și explicații științifice
  • 6. Concluzie
  • Bibliografie
  • Instrumente academice
  • Alte resurse de internet
  • Intrări conexe

1. Semantica: modele și reprezentare

Modelele pot îndeplini două funcții fundamental reprezentative diferite. Pe de o parte, un model poate fi o reprezentare a unei părți selectate a lumii („sistemul țintă”). În funcție de natura țintei, astfel de modele sunt fie modele de fenomene, fie modele de date. Pe de altă parte, un model poate reprezenta o teorie în sensul că interpretează legile și axiomele acestei teorii. Aceste două noțiuni nu se exclud reciproc, deoarece modelele științifice pot fi reprezentări în ambele sensuri în același timp.

1.1 Modele reprezentative I: modele de fenomene

Multe modele științifice reprezintă un fenomen, în care „fenomenul” este utilizat ca termen umbrelă care acoperă toate caracteristicile relativ stabile și generale ale lumii care sunt interesante din punct de vedere științific. Empirici ca Van Fraassen (1980) permit doar ca observabilele să se califice ca atare, în timp ce realiști precum Bogen și Woodward (1988) nu impun astfel de restricții. Sunt binecunoscute modelul cu bilă de biliard al unui gaz, modelul Bohr al atomului, modelul dublu helix al ADN-ului, modelul la scară al unui pod, modelul Mundell-Fleming al unei economii deschise sau modelul Lorenz al atmosferei. exemple pentru modele de acest fel.

Un prim pas către o discuție a problemei reprezentării științifice este să ne dăm seama că nu există problema reprezentării științifice. Mai degrabă, există probleme diferite, dar conexe. Încă nu este clar ce ansamblu de întrebări specifice trebuie să ajungă la o teorie a reprezentării, dar orice listă de întrebări pe care le-ar putea pune pe ordinea de zi a unei teorii a reprezentării științifice, există două probleme care vor ocupa faza centrală în discuție (Frigg 2006). Prima problemă este de a explica în virtutea a ceea ce un model este reprezentarea a altceva. Pentru a aprecia amploarea acestei întrebări, trebuie să anticipăm o poziție în ceea ce privește ontologia modelelor (despre care vom discuta în secțiunea următoare). Acum este comună interpretarea modelelor ca entități non-lingvistice, mai degrabă decât ca descrieri. Această abordare are consecințe largi. Dacă am înțelege modelele ca pe descrieri, întrebarea de mai sus ar fi redusă la problema respectată de timp despre modul în care limbajul se raportează la realitate și nu ar exista probleme peste cele discutate deja în filosofia limbajului. Cu toate acestea, dacă înțelegem modelele ca entități non-lingvistice, ne confruntăm cu noua întrebare despre ce este pentru un obiect (care nu este un cuvânt sau o propoziție) să reprezinte științific un fenomen.ne confruntăm cu noua întrebare despre ce este pentru un obiect (care nu este un cuvânt sau o propoziție) să reprezentăm științific un fenomen.ne confruntăm cu noua întrebare despre ce este pentru un obiect (care nu este un cuvânt sau o propoziție) să reprezentăm științific un fenomen.

Oarecum surprinzător, până de curând această întrebare nu a atras prea multă atenție în filosofia științei din secolul XX, în ciuda faptului că problemele corespunzătoare din filosofia minții și din estetică au fost discutate pe parcursul a zeci de ani (există un corp substanțial de literatură care se ocupă de întrebarea a ceea ce înseamnă pentru o stare mentală să reprezinte o anumită stare de lucruri și întrebarea modului în care o configurație a mărcilor plate pe o pânză poate să înfățișeze ceva dincolo de acest pânzet a îndurat esteticienii mult timp). Cu toate acestea, unele publicații recente abordează acest lucru și alte probleme strâns legate (Bailer-Jones 2003, Contessa 2007, Elgin 2010, Frigg 2006, 2010c, Knuuttila 2009, Morrison 2009, Giere 2004, Suárez 2003, 2004, 2009, Suárez și Solé 2006, Thomson-Jones 2010, Toon 2010, 2011, 2012,van Fraassen 2004), în timp ce alții o resping ca o problemă (Callender și Cohen 2006, 2008 Teller 2001).

A doua problemă este legată de stilurile de reprezentare. Este un lucru obișnuit ca cineva să poată reprezenta același subiect în moduri diferite. Acest pluralism nu pare să fie o prerogativă a artelor plastice, întrucât reprezentările utilizate în științe nu sunt deloc de toate. Modelul de picătură lichidă al lui Weizsäcker reprezintă nucleul unui atom într-o manieră foarte diferită de modelul de coajă, iar un model de scară a aripii unui plan aerian reprezintă aripa într-un mod diferit de modul în care un model matematic are forma sa. Ce stiluri reprezentative există în științe?

Deși această întrebare nu este abordată în mod explicit în literatura de specialitate despre așa-numita viziune semantică a teoriilor, unele răspunsuri par să iasă din înțelegerea modelelor. O versiune a viziunii semantice, cea care se bazează pe o noțiune matematică de modele (vezi Sec. 2), consideră că un model și ținta lui trebuie să fie izomorfe (van Fraassen 1980; Suppes 2002) sau parțial izomorfe (Da Costa și franceză 2003) reciproc. Cerințele formale mai slabe decât acestea au fost discutate de Mundy (1986) și Swoyer (1991). O altă versiune a viziunii semantice scade cerințele formale în favoarea similitudinii (Giere 1988 și 2004, Teller 2001). Această abordare se bucură de avantajul față de punctul de vedere al izomorfismului că este mai puțin restrictivă și poate, de asemenea, să dea seama de cazuri de modele inexacte și de simplificare. Cu toate acestea, după cum subliniază Giere,acest cont rămâne gol, atâta timp cât nu sunt specificate respecturi relevante și grade de similitudine. Specificarea unor astfel de aspecte și grade depinde de problema existentă și de contextul științific mai larg și nu poate fi făcută pe baza unor considerații pur filosofice (Teller 2001).

În literatura de specialitate au fost introduse noțiuni care pot fi înțelese ca abordând problema stilurilor reprezentative. Printre ele, joacă un rol important modelele la scară, modelele idealizate, modelele analogice și modelele fenomenologice. Aceste categorii nu se exclud reciproc; de exemplu, unele modele de scară s-ar califica, de asemenea, ca modele idealizate și nu este clar unde să trageți linia între modelele idealizate și cele analogice.

Modele la scară. Unele modele sunt în principiu copii reduse sau mărite ale sistemelor lor țintă (Black 1962). Exemple tipice sunt mașinile din lemn sau podurile model. Intuiția conducătoare este că un model de scară este o replică naturalistă sau o imagine oglindă veridică a țintei; din acest motiv, modelele de scară sunt uneori denumite și „modele adevărate” (Achinstein 1968, Cap. 7). Cu toate acestea, nu există un model de scară perfect credincios; fidelitatea este întotdeauna limitată la unele aspecte. Modelul din lemn al mașinii, de exemplu, oferă o portret fidelă a formei mașinii, dar nu a materialului acesteia. Modelele la scară par a fi un caz special al unei categorii mai largi de reprezentări pe care Peirce le-a poreclit icoane: reprezentări care reprezintă altceva pentru că seamănă îndeaproape cu aceasta (Peirce 1931–1958 Vol. 3, Para. 362). Acest lucru ridică întrebarea cu privire la ce criterii trebuie să îndeplinească un model pentru a se califica ca pictogramă. Deși par să avem intuiții puternice despre cum să răspundem la această întrebare în anumite cazuri, nu a fost formulată încă o teorie a iconicității pentru modele.

Modele idealizate. O idealizare este o simplificare deliberată a ceva complicat cu obiectivul de a-l face mai tratabil. Avioanele fără fricțiune, masele punctuale, viteze infinite, sisteme izolate, agenți omniscienți și piețele în echilibru perfect sunt doar câteva exemple binecunoscute. Dezbaterile filozofice asupra idealizării s-au concentrat pe două tipuri generale de idealizări: așa-numitele idealizări aristoteliene și galileene.

Idealizarea aristotelică se ridică la „dezbrăcarea”, în imaginația noastră, toate proprietățile de la un obiect concret pe care credem că nu sunt relevante pentru problema de care dispunem. Acest lucru ne permite să ne concentrăm pe un set limitat de proprietăți izolate. Un exemplu este un model mecanic clasic al sistemului planetar, care descrie planetele ca obiecte având doar formă și masă, ignorând toate celelalte proprietăți. Alte etichete pentru acest tip de idealizare includ „abstractizarea” (Cartwright 1989, Cap. 5), „presupunerile de neglijabilitate” (Musgrave 1981) și „metoda de izolare” (Mäki 1994).

Idealizările galileene sunt cele care implică distorsiuni deliberate. Fizicienii construiesc modele formate din mase punctuale care se deplasează pe planuri fără frecare, economiștii presupun că agenții sunt atotcuprinși, biologii studiază populațiile izolate ș.a. A fost caracteristică abordării lui Galileo în știință să folosească simplificări de acest fel ori de câte ori o situație era prea complicată de abordat. Din acest motiv, este obișnuit să ne referim la acest tip de idealizări ca „idealizări galileene” (McMullin 1985); o altă etichetă comună este „modele distorsionate”.

Idealizările galileene sunt ascuțite de ghicitori. Ce ne spune un model care implică distorsiuni de acest fel despre realitate? Cum îi putem testa exactitatea? Ca răspuns la aceste întrebări, Laymon (1991) a propus o teorie care înțelege idealizările ca fiind limite ideale: imaginați o serie de rafinamente experimentale ale situației reale care se apropie de limita postulată și apoi necesită ca proprietățile unui sistem să fie mai apropiate de limită ideală, cu atât comportamentul său trebuie să fie mai aproape de comportamentul limitei ideale (monotonie). Dar aceste condiții nu trebuie să fie întotdeauna menținute și nu este clar cum să înțelegem situațiile în care nu există o limită ideală. Putem, cel puțin, în principiu, să producem o serie de blaturi de masă care sunt tot mai alunecoase, dar nu putem produce o serie de sisteme în care constanta lui Planck se apropie de zero. Acest lucru ridică întrebarea dacă cineva poate întotdeauna face un model idealizat mai realist prin de-idealizarea acestuia. Vom reveni la această problemă în secțiunea 5.1.

Idealizările galileene și aristotelice nu se exclud reciproc. Dimpotrivă, adesea se reunesc. Luați în considerare modelul mecanic al sistemului planetar: modelul ia în considerare doar un set restrâns de proprietăți și distorsionează acestea, de exemplu, descriind planetele drept sfere ideale cu o distribuție de masă simetrică de rotație.

Modelele care implică idealizări substanțiale galileene și aristotelice sunt uneori denumite „caricaturi” (Gibbard și Varian 1978). Modelele cu caricatura izolează un număr mic de caracteristici importante ale unui sistem și le denaturează într-un caz extrem. Un exemplu clasic este modelul lui Ackerlof (1970) de pe piața automobilelor, care explică diferența de preț între mașinile noi și cele folosite doar în ceea ce privește informațiile asimetrice, ignorând astfel toți ceilalți factori care pot influența prețurile automobilelor. Cu toate acestea, este controversat dacă astfel de modele extrem de idealizate pot fi considerate în continuare reprezentări informative ale sistemelor lor țintă (pentru o discuție despre modelele de caricatură, în special în economie, a se vedea Reiss 2006).

În acest moment, am dori să menționăm o noțiune care pare a fi strâns legată de idealizare, și anume aproximarea. Deși uneori termenii sunt folosiți în mod interschimbabil, se pare că există o diferență clară între cei doi. Aproximările sunt introduse într-un context matematic. Un element matematic este o aproximare a altuia dacă este apropiat de el într-un anumit sens relevant. Ce este acest articol poate varia. Uneori vrem să aproximăm o curbă cu alta. Acest lucru se întâmplă atunci când extindem o funcție într-o serie de putere și păstrăm doar primii doi sau trei termeni. În alte situații, aproximăm o ecuație cu alta, lăsând un parametru de control să tindă spre zero (Redhead 1980). Punctul esențial este că nu trebuie să apară problema interpretării fizice. Spre deosebire de idealizarea galileană,care implică o denaturare a unui sistem real, aproximarea este o chestiune pur formală. Desigur, acest lucru nu implică faptul că nu pot exista relații interesante între aproximări și idealizare. De exemplu, o aproximare poate fi justificată subliniind că este „pandantivul matematic” la o idealizare acceptabilă (de exemplu, atunci când neglijăm un termen disipativ într-o ecuație, deoarece facem presupunerea idealizantă că sistemul este lipsit de fricțiune).când neglijăm un termen disipativ într-o ecuație, deoarece facem presupunerea idealizantă că sistemul este fără frecare).când neglijăm un termen disipativ într-o ecuație, deoarece facem presupunerea idealizantă că sistemul este fără frecare).

Modele analogice. Exemple standard de modele analogice includ modelul hidraulic al unui sistem economic, modelul cu bilă de biliard al unui gaz, modelul computerizat al minții sau modelul de cădere de lichid al nucleului. La nivelul cel mai de bază, două lucruri sunt analoge dacă există anumite similitudini relevante între ele. Hesse (1963) distinge diferite tipuri de analogii în funcție de tipurile de relații de asemănare în care intră două obiecte. Un tip simplu de analogie este unul care se bazează pe proprietăți partajate. Există o analogie între pământ și lună, bazată pe faptul că ambele sunt corpuri mari, solide, opace, sferice, care primesc căldură și lumină de la soare, care se învârt în jurul axelor lor și gravitează spre alte corpuri. Dar similitudinea proprietăților nu este o condiție necesară. O analogie între două obiecte poate fi, de asemenea, bazată pe similitudini relevante între proprietățile lor. În acest sens mai liberal, putem spune că există o analogie între sunet și lumină, deoarece ecourile sunt similare cu reflexiile, zgomotul la luminozitate, tonalitatea la culoare, detectabilitatea de către ureche și detectabilitatea de către ochi și așa mai departe.

Analogiile pot fi, de asemenea, bazate pe similitudinea sau asemănarea relațiilor dintre părțile a două sisteme, mai degrabă decât pe proprietățile lor monadice. În acest sens, unii politicieni afirmă că relația unui tată cu copiii săi este analogă relației statului cu cetățenii. Analogiile menționate până acum au fost ceea ce Hesse numește „analogii materiale”. Obținem o noțiune mai formală de analogie atunci când facem abstracție de caracteristicile concrete pe care sistemele le dețin și ne concentrăm numai pe configurarea lor formală. Ceea ce modelul analog împarte apoi cu ținta sa nu este un set de caracteristici, ci același model de relații abstracte (adică aceeași structură, unde structura este înțeleasă în sens formal). Această noțiune de analogie este strâns legată de ceea ce Hesse numește „analogie formală”. Două elemente sunt corelate prin analogie formală, dacă sunt ambele interpretări ale aceluiași calcul formal. De exemplu, există o analogie formală între un pendul oscilant și un circuit electric oscilant, deoarece ambele sunt descrise de aceeași ecuație matematică.

O altă distincție datorată lui Hesse este cea dintre analogiile pozitive, negative și neutre. Analogia pozitivă dintre două elemente constă în proprietățile sau relațiile pe care le împărtășesc (atât moleculele de gaz, cât și bilele de biliard au masă), analogia negativă în cele pe care nu le împărtășesc (bilele de biliard sunt colorate, moleculele de gaz nu). Analogia neutră cuprinde proprietățile cărora nu se știe încă dacă aparțin analogiei pozitive sau negative. Analogiile neutre joacă un rol important în cercetarea științifică, deoarece dau naștere la întrebări și sugerează noi ipoteze. În acest sens, diverși autori au subliniat rolul euristic pe care îl joacă analogiile în construcția teoriei și în gândirea creatoare (Bailer-Jones și Bailer-Jones 2002; Hesse 1974, Holyoak și Thagard 1995, Kroes 1989, Psillos 1995,și eseurile culese în Hellman 1988).

Modele fenomenologice. Modelele fenomeneologice au fost definite în moduri diferite, deși înrudite. O definiție tradițională le face să fie modele care reprezintă doar proprietăți observabile ale țintelor lor și se abțin de la postularea mecanismelor ascunse și altele asemenea. O altă abordare, datorată lui McMullin (1968), definește modelele fenomenologice ca modele independente de teorii. Totuși, acest lucru pare a fi prea puternic. Multe modele fenomenologice, deși nu reușesc să fie derivate dintr-o teorie, încorporează principii și legi asociate teoriilor. Modelul de cădere de lichid al nucleului atomic, de exemplu, prezintă nucleul ca o cădere de lichid și îl descrie ca având mai multe proprietăți (tensiune superficială și încărcare, printre altele) originare din diferite teorii (hidrodinamică și, respectiv, electrodinamică). Anumite aspecte ale acestor teorii - deși nu sunt de obicei teoria completă - sunt apoi utilizate pentru a determina atât proprietățile statice, cât și cele dinamice ale nucleului.

Concluzii finale. Fiecare dintre aceste noțiuni este încă oarecum vagă, suferă de probleme interne și trebuie depusă multă muncă pentru a le întări. Dar mai presantă decât aceste probleme este întrebarea modului în care diferitele noțiuni se raportează între ele. Sunt analogii fundamental diferite de idealizări sau ocupă diferite domenii la scară continuă? Cum diferă icoanele de idealizări și analogii? În prezent nu știm cum să răspundem la aceste întrebări. Ceea ce avem nevoie este un raport sistematic al diferitelor moduri în care modelele se pot raporta la realitate și la modul în care aceste moduri se compară între ele.

1.2 Modele reprezentative II: modele de date

Un alt tip de modele reprezentative sunt așa-numitele „modele de date” (Suppes 1962). Un model de date este o versiune corectată, rectificată, regimentată și, în multe cazuri, o versiune idealizată a datelor pe care le obținem din observarea imediată, așa-numitele date brute. Caracteristic, mai întâi se elimină erorile (de exemplu, se elimină punctele din înregistrare care sunt datorate observării defectuoase) și apoi se prezintă datele într-un mod „îngrijit”, de exemplu, desenând o curbă lină printr-un set de puncte. Aceste două etape sunt denumite în mod obișnuit „reducerea datelor” și „montarea curburilor”. Atunci când investigăm traiectoria unei anumite planete, de exemplu, eliminăm mai întâi punctele care nu sunt rele din evidențele de observare și apoi adaptăm o curbă lină la cele rămase. Modelele de date joacă un rol crucial în confirmarea teoriilor, deoarece este modelul de date și nu datele brute dese și complexe pe care le comparăm cu o predicție teoretică.

Construcția unui model de date poate fi extrem de complicată. Necesită tehnici statistice sofisticate și ridică serioase întrebări metodologice, precum și filozofice. Cum putem decide ce puncte din înregistrare trebuie eliminate? Și având în vedere un set curat de date, ce curbă ne potrivim? Prima întrebare a fost abordată în principal în contextul filozofiei experimentului (a se vedea, de exemplu, Galison 1997 și Staley 2004). În centrul acestei ultime întrebări se află așa-numita problemă de montare a curbelor, care este aceea că datele în sine nu indică ce formă ar trebui să ia curba montată. Discuțiile tradiționale despre alegerea teoriei sugerează că această problemă este soluționată de teoria de fundal, de considerentele de simplitate, de probabilitățile anterioare sau de o combinație a acestora. Forster and Sober (1994) subliniază că această formulare a problemei de montare a curbelor este o ușoară supraestimare, deoarece există o teoremă a statisticilor datorată lui Akaike, care arată (având în vedere anumite presupuneri) că datele în sine subscriu (deși nu determină) o inferență privind forma curbei dacă presupunem că curba montată trebuie aleasă astfel încât să ajungă la un echilibru între simplitatea și bunătatea de încadrare într-un mod care să maximizeze precizia predictivă. Discuții suplimentare despre modelele de date pot fi găsite în Chin și Brewer (1994), Harris (2003), Laymon (1982) și Mayo (1996).forma s, dacă presupunem că curba montată trebuie să fie aleasă astfel încât să ajungă la un echilibru între simplitatea și bunătatea potrivirii într-un mod care să maximizeze precizia predictivă. Discuții suplimentare despre modelele de date pot fi găsite în Chin și Brewer (1994), Harris (2003), Laymon (1982) și Mayo (1996).forma s, dacă presupunem că curba montată trebuie să fie aleasă astfel încât să ajungă la un echilibru între simplitatea și bunătatea potrivirii într-un mod care să maximizeze precizia predictivă. Discuții suplimentare despre modelele de date pot fi găsite în Chin și Brewer (1994), Harris (2003), Laymon (1982) și Mayo (1996).

1.3 Modele de teorie

În logica modernă, un model este o structură care face ca toate propozițiile unei teorii să fie adevărate, unde o teorie este considerată un set (de obicei închis deductiv) de propoziții într-un limbaj formal (vezi Bell și Machover 1977 sau Hodges 1997 pentru detalii). Structura este un „model” în sensul că reprezintă teoria. Ca un exemplu simplu, considerăm geometria euclidiană, care constă din axiome - de exemplu „orice două puncte pot fi unite printr-o linie dreaptă '- și teoremele care pot fi derivate din aceste axiome. Orice structură pentru care toate aceste afirmații sunt adevărate este un model al geometriei euclidiene.

O structură S = <U, O, R> este o entitate compusă formată din (i) un set U nevaccabil de indivizi numit domeniu (sau univers) din S, (ii) un set indexat O (adică o listă ordonată)) a operațiunilor pe U (care pot fi goale) și (iii) un set R de relații ne-gol indexate pe U. Este important de menționat că nimic despre ceea ce obiectele sunt importante pentru definirea unei structuri - sunt simple manechine. În mod similar, operațiile și funcțiile sunt specificate pur extensiv; adică relațiile n -place sunt definite ca clase de n -tuple, iar funcțiile care iau n argumente sunt definite ca clase de (n +1) -tuples. Dacă toate propozițiile unei teorii sunt adevărate atunci când simbolurile sale sunt interpretate ca referindu-se la obiecte, relații sau funcții ale unei structuri S, atunci S este un model al acestei teorii.

Multe modele din știință preiau din logică ideea de a fi interpretarea unui calcul abstract. Acest lucru este deosebit de relevant în fizică, unde legile generale - cum ar fi ecuația lui Newton a mișcării - se află în centrul unei teorii. Aceste legi sunt aplicate unui anumit sistem - de exemplu, un pendul - prin alegerea unei funcții speciale de forță, făcând presupuneri despre distribuția în masă a pendulului etc. Modelul rezultat este apoi o interpretare (sau realizarea) legii generale.

2. Ontologie: Ce sunt modelele?

Există o varietate de lucruri care sunt denumite în mod obișnuit modele: obiecte fizice, obiecte fictive, structuri teoretice, descrieri, ecuații sau combinații ale unora dintre acestea. Cu toate acestea, aceste categorii nu sunt nici reciproc excluse, nici exhaustive în comun. În cazul în care se face legătura între, să zicem, obiectele fictive și structurile teoretice setate pot depinde bine de convingerile metafizice, iar unele modele pot intra în încă o clasă de lucruri. Ce modele sunt, desigur, o întrebare interesantă în sine, dar, așa cum s-a indicat pe scurt în ultima secțiune, are implicații importante și pentru semantică și, după cum vom vedea mai jos, pentru epistemologie.

2.1 Obiecte fizice

Unele modele sunt obiecte fizice simple. Acestea sunt denumite în mod obișnuit „modele materiale”. Clasa de modele materiale cuprinde orice este o entitate fizică și care servește ca reprezentare științifică a altceva. Printre membrii acestei clase găsim exemple de stocuri precum modele din lemn de poduri, avioane sau nave, modelul metalic al ADN-ului lui Watson și Crick (Schaffner 1969) și modelul hidraulic al economiei al lui Phillips (Morgan și Boumans 2004). Mai multe cazuri de vârf ale modelelor materiale sunt așa-numitele organisme model: organisme utilizate în științele vieții ca stand-ins pentru alte organisme (Ankeny 2009, Ankeny și Leonelli 2012 și Leonelli 2010).

Modelele materiale nu dau naștere la niciun fel de dificultăți ontologice deasupra binecunoscutei pișcături în legătură cu obiectele, de care se ocupă metafizicienii (de exemplu, natura proprietăților, identitatea obiectelor, a pieselor și a mărfurilor etc.

2.2 Obiecte fictive

Multe modele nu sunt modele materiale. Modelul Bohr al atomului, un pendul fără fricțiuni sau populații izolate, de exemplu, se află în mintea omului de știință decât în laborator și nu trebuie să fie realizate și experimentate fizic pentru a-și îndeplini funcția reprezentativă. Pare firesc să le vedem ca entități fictive. Această poziție poate fi urmărită din neo-kantianul Vaihinger german (1911), care a subliniat importanța ficțiunilor pentru raționamentul științific. Giere a susținut recent părerea că modelele sunt entități abstracte (1988, 81). Nu este deloc clar ce înseamnă Giere prin „entități abstracte”, dar discuția sa despre modele mecanice pare să sugereze că folosește termenul pentru a desemna entități fictive.

Această perspectivă se potrivește bine cu practica științifică, unde oamenii de știință vorbesc adesea despre modele ca și cum ar fi obiecte, precum și cu păreri filozofice care văd manipularea modelelor ca o parte esențială a procesului de investigare științifică (Morgan 1999). Este firesc să presupunem că se poate manipula ceva doar dacă există. Mai mult, modelele au adesea mai multe proprietăți decât le atribuim explicit atunci când le construim, motiv pentru care sunt vehicule interesante de cercetare. O viziune care privește modelele ca obiecte poate explica cu ușurință acest lucru fără alte detalii: atunci când introducem un model folosim o descriere de identificare, dar obiectul în sine nu este caracterizat exhaustiv de această descriere. Cercetarea se referă pur și simplu la a afla mai multe despre obiectul astfel identificat.

Dezavantajul acestei sugestii este că entitățile fictive sunt însoțite notoriu de ghicitori ontologice. Acest lucru i-a determinat pe mulți filosofi să susțină că nu există astfel de entități fictive și că angajamentele ontologice aparente pentru acestea trebuie renunțate. Cea mai influentă dintre aceste relatări deflaționiste se întoarce la Quine (1953). Bazându-se pe discuția lui Russell despre descrieri clare, Quine susține că este o iluzie că ne referim la entități fictive atunci când vorbim despre ele. În schimb, putem dispune de aceste pretinse obiecte transformând termenii care se referă la ele în predicate și analizând propoziții precum „Pegasus nu există”, întrucât „nimic nu dă pegasize”. Eliminând termenul deranjant, evităm angajamentul ontologic pe care ei îl par. Acest lucru a dus la un interes lipsit de entități fictive,în special în rândul filozofilor științei. Într-un eseu programatic, Fine (1993) atrage atenția asupra acestei neglijări și susține că scepticismul chinezesc, în ciuda ficțiunilor, joacă un rol important în raționamentul științific. Cu toate acestea, Fine nu oferă o relatare sistematică a ficțiunilor și a modului în care acestea sunt folosite în știință.

Problema modului de a înțelege ficțiunile în știință a fost subiectul unei dezbateri recente în filosofia modelării. Barberousse și Ludwig (2009), Contessa (2010), Frigg (2010a, 2010b), Godfrey-Smith (2006, 2009), Leng (2010) și Toon (2010) dezvoltă puncte de vedere care văd modelele ca ficțiuni de un fel. Giere (2009) neagă faptul că lucrările sale anterioare ar trebui să fie înțelese în acest mod și argumentează împotriva vizualizării modelelor ca ficțiuni. Magnani (2012), Pincock (2012, Ch.4) și Teller (2009) al doilea anti-ficționalism al lui Giere și susțin că modelele nu trebuie privite ca ficțiuni. Weisberg (2012) susține o poziție de mijloc care consideră modelele un rol euristic, dar neagă faptul că fac parte dintr-un model științific.

2.3 Structuri teoretice

Un punct de vedere influent presupune ca modelele să fie structuri teoretice. Această poziție poate fi urmărită din Suppes (1960) și este acum, cu ușoare variante, deținută de majoritatea susținătorilor viziunii semantice a teoriilor. Inutil să spun, există diferențe între diferite versiuni ale vederii semantice (van Fraassen, de exemplu, subliniază că modelele sunt structuri spațiale de stat); o anchetă a diferitelor poziții poate fi găsită în Suppe (1989, Cap. 1). Cu toate acestea, pe toate aceste conturi modelele sunt structuri de un fel sau altul (Da Costa și French 2000). Deoarece modelele de acest fel sunt adesea strâns legate de științele matematice, uneori sunt denumite și „modele matematice”. (Pentru o discuție despre astfel de modele în biologie, a se vedea Lloyd 1984 și 1994.)

Această perspectivă a modelelor a fost criticată din diferite motive. O critică omniprezentă este aceea că multe tipuri de modele care joacă un rol important în știință nu sunt structuri și nu pot fi încadrate în concepția structuralistă a modelelor, care nu pot ține cont de modul în care sunt construite aceste modele și nici de modul în care funcționează în contextul investigației. (Cartwright 1999, Downes 1992, Morrison 1999). O altă acuzație deținută împotriva abordării teoretice este că nu este posibil să se explice modul în care structurile reprezintă un sistem țintă care face parte din lumea fizică fără a face presupuneri care să depășească ceea ce poate permite abordarea (Frigg 2006).

2.4 Descrieri

O poziție respectată de timp afirmă că ceea ce oamenii de știință afișează în lucrările științifice și manualele atunci când prezintă un model sunt descrieri mai mult sau mai puțin stilizate ale sistemelor țintă relevante (Achinstein 1968, Black 1962).

Această viziune nu a fost supusă unor critici explicite. Cu toate acestea, unele dintre criticile care au fost contracarate viziunii sintactice a teoriilor amenință în egală măsură o înțelegere lingvistică a modelelor. În primul rând, este un loc obișnuit că putem descrie același lucru în moduri diferite. Dar dacă identificăm un model cu descrierea lui, atunci fiecare nouă descriere dă un nou model, care pare a fi contraintuitiv. Se poate traduce o descriere în alte limbi (formale sau naturale), dar nu s-ar spune că prin aceasta se obține un model diferit. În al doilea rând, modelele au proprietăți diferite decât descrierile. Pe de o parte, spunem că modelul sistemului solar constă în sfere orbitând în jurul unei mase mari sau că populația din model este izolată de mediul său, dar nu pare să aibă sens să spunem asta despre o descriere. Pe de altă parte, descrierile au proprietăți pe care modelele nu le au. O descriere poate fi scrisă în engleză, constă din 517 cuvinte, poate fi tipărită cu cerneală roșie și așa mai departe. Nimic din toate acestea nu are sens atunci când s-a spus despre un model. Descriptivistul se confruntă cu provocarea fie de a face un caz în care aceste argumente sunt greșite, fie de a arăta cum să ocolim aceste dificultăți.

2.5 Ecuații

Un alt grup de lucruri denumite în mod obișnuit drept „modele”, în special în economie, sunt ecuațiile (care sunt denumite apoi „modele matematice”). Modelul Black-Scholes al pieței bursiere sau modelul Mundell-Fleming al unei economii deschise sunt exemple.

Problema acestei sugestii este că ecuațiile sunt elemente sintactice și, ca atare, se confruntă cu obiecții similare cu cele prezentate împotriva descrierilor. În primul rând, se poate descrie aceeași situație folosind diferite coordonate și ca rezultat obținerea de ecuații diferite; dar nu pare să obținem un model diferit. În al doilea rând, modelul are proprietăți diferite de ecuație. Un oscilator este tridimensional, dar ecuația care descrie mișcarea sa nu este. În egală măsură, o ecuație poate fi neomogenă, dar sistemul pe care îl descrie nu este.

2.6 Ontologii gerrymandered

Propunerile discutate până acum au presupus tacit că un model aparține unei anumite clase de obiecte. Dar această presupunere nu este necesară. Poate fi cazul ca modelele să fie un amestec de elemente aparținând diferitelor categorii ontologice. În această ordine de idei, Morgan (2001) sugerează că modelele implică elemente structurale și narative („povești”, așa cum le numește ea).

3. Epistemologia: învățarea cu modele

Modelele sunt vehicule pentru învățarea despre lume. O parte semnificativă a investigației științifice este realizată pe modele, mai degrabă decât pe realitatea în sine, deoarece studiind un model putem descoperi caracteristici și stabili fapte despre sistemul la care se află modelul; pe scurt, modelele permit argumentarea surogativă (Swoyer 1991). De exemplu, studiem natura atomului de hidrogen, dinamica populațiilor sau comportamentul polimerilor prin studierea modelelor respective. Această funcție cognitivă a modelelor a fost recunoscută pe scară largă în literatura de specialitate, iar unii chiar sugerează că modelele dau naștere unui nou stil de raționament, așa-numitul „raționament bazat pe model” (Magnani și Nersessian 2002, Magnani, Nersessian și Thagard 1999). Acest lucru ne lasă cu întrebarea cum este posibilă învățarea cu un model.

Hughes (1997) oferă un cadru general pentru a discuta această întrebare. Conform așa-numitului său cont DDI, învățarea are loc în trei etape: denotare, demonstrație și interpretare. Începem prin a stabili o relație de reprezentare („denotare”) între model și țintă. Apoi cercetăm caracteristicile modelului pentru a demonstra anumite afirmații teoretice despre constituția sau mecanismul său intern; adică aflăm despre model („demonstrație”). În cele din urmă, aceste constatări trebuie transformate în revendicări despre sistemul țintă; Hughes se referă la acest pas ca „interpretare”. Ultimele două noțiuni sunt în joc aici.

3.1 Învățarea despre model: experimente, experimente gândite și simulare

Învățarea despre un model se întâmplă în două locuri, în construcția și manipularea modelului (Morgan 1999). Nu există reguli sau rețete fixe pentru construirea modelului și, prin urmare, activitatea de a descoperi ce se potrivește și cum oferă o oportunitate de a afla despre model. Odată construit modelul, nu aflăm despre proprietățile sale privindu-l; trebuie să folosim și să manipulăm modelul pentru a-i provoca secretele.

În funcție de ce fel de model avem de-a face, construirea și manipularea unui model înseamnă diferite activități care necesită o metodologie diferită. Modelele materiale par a fi neproblematice, deoarece sunt utilizate în contexte experimentale comune (de exemplu, punem modelul unei mașini în tunelul de vânt și măsurăm rezistența la aer). Prin urmare, în ceea ce privește învățarea despre model, modelele materiale nu dau naștere la întrebări care depășesc în general întrebările de experimentare.

Nu așa cu modelele fictive. Ce constrângeri există la construcția de modele fictive și cum le manipulăm? Răspunsul natural pare să fie că răspundem la aceste întrebări prin efectuarea unui experiment gândit. Diferiți autori (de exemplu, Brown 1991, Gendler 2000, Norton 1991, Reiss 2003, Sorensen 1992) au explorat această linie de argument, dar au ajuns la concluzii foarte diferite și adesea contradictorii cu privire la modul în care se efectuează experimentele gândite și care este situația rezultatelor lor. (pentru detalii a se vedea intrarea pe experimente gândite).

O clasă importantă de modele este de natură matematică. În unele cazuri, este posibil să obținem rezultate sau să rezolvăm ecuații în mod analitic. Dar destul de des nu este cazul. În acest moment invenția computerului a avut un impact deosebit, deoarece ne permite să rezolvăm ecuații care, altfel, nu pot fi realizate prin simularea computerului. Multe părți ale cercetării actuale atât în științele naturii, cât și în științele sociale se bazează pe simulări pe computer. Formarea și dezvoltarea stelelor și galaxiilor, dinamica detaliată a reacțiilor ionice grele cu energie mare, aspecte ale procesului complex al evoluției vieții, precum și izbucnirea războaielor, progresia unei economii, proceduri de decizie într-o organizație și comportamentul moral este explorat cu simulări computerizate, pentru a menționa doar câteva exemple (Hegselmann et al. 1996, Skyrms 1996).

Ce este o simulare? Simulările caracteristice sunt utilizate în legătură cu modele dinamice, adică modele care implică timp. Scopul unei simulări este de a rezolva ecuațiile de mișcare ale unui astfel de model, care este conceput pentru a reprezenta evoluția în timp a sistemului său țintă. Deci se poate spune că o simulare imită un proces (de obicei real) de către un alt proces (Hartmann 1996, Humphreys 2004).

S-a afirmat că simulările computerizate constituie o metodologie cu adevărat nouă a științei sau chiar o nouă paradigmă științifică, care, de altfel, ridică și o nouă serie de probleme filozofice (Humphreys 2004, 2009, Rohrlich 1991, Winsberg 2001 și 2003 și diverse contribuții la Sismondo și Gissis 1999). Prin urmare, afirmația este că simulările pun în discuție înțelegerea noastră filozofică a multor aspecte ale științei. Cu toate acestea, acest entuziasm nu este împărtășit în mod universal și unii susțin că simulările, departe de a cere o nouă filozofie a științei, ridică puține dacă există probleme filozofice noi (Frigg și Reiss 2009).

Indiferent dacă cineva consideră sau nu simulările computerizate ca ridicând în mod fundamental probleme filosofice noi, nu există nici o îndoială cu privire la semnificația lor practică. Când metodele standard nu reușesc, simulările computerizate sunt adesea singura modalitate de a învăța ceva despre un model dinamic; ele ne ajută să ne „extindem” (Humphreys 2004), așa cum a fost. O întrebare importantă care apare în acest context este justificarea rezultatelor simulării: de ce ar trebui să avem încredere în rezultatele unei simulări computerizate? Un șir influent de încercări de a răspunde acestei întrebări exploatează asemănările dintre experimentele tradiționale și simulările computerizate, ceea ce ridică întrebări îngrozitoare cu privire la relația dintre simulările și experimentele pe calculator (Barberousse, Franceschelli și Imbert 2009, Morgan 2003, Morrison 2009, Parker 2008, 2009, Winsberg 2003).

Această problemă de încredere poate fi defalcată în sub-întrebări: (a) ecuațiile modelului reprezintă sistemul țintă suficient de precis pentru scopul prevăzut și (b) calculatorul oferă soluții suficiente pentru aceste ecuații. Practicienii se referă la acestea, respectiv, la problema validării și a verificării. În practică, adesea ne confruntăm cu o versiune a problemei Duhem, deoarece nu putem evalua doar „rezultatul net” al unei simulări și nu este posibil să abordăm aceste două probleme unul câte unul. Acest lucru i-a determinat pe oamenii de știință să dezvolte diverse metode pentru a testa dacă rezultatul simulării este pe țintă; pentru o discuție despre acestea, a se vedea Winsberg (2009, 2010).

Simulările pe calculator sunt, de asemenea, importante din punct de vedere euristic. Acestea pot sugera noi teorii, modele și ipoteze, de exemplu, bazate pe o explorare sistematică a spațiului parametrilor unui model (Hartmann 1996). Însă simulările computerizate poartă, de asemenea, pericole metodologice. Acestea pot oferi rezultate înșelătoare, deoarece datorită naturii discrete a calculelor efectuate pe un computer digital, acestea permit doar explorarea unei părți din spațiul complet al parametrilor; iar acest subspațiu nu poate dezvălui anumite caracteristici importante ale modelului. Severitatea acestei probleme este oarecum atenuată de puterea din ce în ce mai mare a computerelor moderne. Dar disponibilitatea mai multor puteri de calcul poate avea și efecte adverse. Poate încuraja oamenii de știință să creeze rapid modele din ce în ce mai complexe, dar conceptual premature,implicând ipoteze sau mecanisme slab înțelese și prea mulți parametri suplimentari ajustabili (pentru o discuție a unei probleme conexe în contextul modelelor individuale de actori din științele sociale a se vedea Schnell 1990). Aceasta poate duce la o creștere a adecvării empirice - care poate fi binevenită atunci când vine vorba, de exemplu, de prognoza meteo - dar nu neapărat la o mai bună înțelegere a mecanismelor de bază. Drept urmare, utilizarea simulărilor pe calculator poate modifica greutatea pe care o atribuim diferitelor obiective ale științei. În cele din urmă, disponibilitatea puterii computerului poate seduce oamenii de știință în calcule care nu au gradul de încredere pe care cineva s-ar aștepta să îl aibă. Acest lucru se întâmplă, de exemplu, atunci când calculatoarele sunt utilizate pentru a propaga distribuțiile de probabilitate înainte în timp,care sunt considerate probabilități relevante pentru decizie, chiar dacă se dovedesc a nu fi supuse unei examinări mai amănunțite (a se vedea Frigg et al. 2012). Prin urmare, este important să nu fii îndepărtat cu mijloacele pe care noile computere puternice le oferă și, prin urmare, să scoată din vedere obiectivele reale ale cercetării.

3.2 Transformarea cunoștințelor despre model în cunoștințe despre țintă

După ce avem cunoștințe despre model, aceste cunoștințe trebuie „traduse” în cunoștințe despre sistemul țintă. În acest moment funcția reprezentativă a modelelor devine din nou importantă. Modelele ne pot instrui despre natura realității numai dacă presupunem că (cel puțin o parte din) aspectele modelului au omologi în lume. Dar dacă învățarea este legată de reprezentare și dacă există diferite tipuri de reprezentare (analogii, idealizări etc.), există și diferite tipuri de învățare. Dacă, de exemplu, avem un model pe care îl considerăm a fi o ilustrare realistă, transferul de cunoștințe de la model la țintă se realizează într-o manieră diferită decât atunci când avem de-a face cu un analog sau un model care presupune idealizarea presupunerilor.

Care sunt aceste moduri diferite de învățare? Deși s-au făcut numeroase studii de caz despre modul în care funcționează anumite modele specifice, nu pare să existe nicio relatare generală a modului în care se realizează transferul de cunoștințe de la un model la ținta sa (asta cu posibila excepție a teoriilor raționamentului analogic, vezi referințe de mai sus). Aceasta este o întrebare dificilă, dar este una care merită mai multă atenție decât a obținut până acum.

4. Modele și teorie

Una dintre cele mai neplăcute întrebări în legătură cu modelele este modul în care acestea se raportează la teorii. Separarea dintre modele și teorie este una foarte nebună și în jargonul multor oameni de știință este adesea dificil, dacă nu chiar imposibil, să tragem o linie. Deci întrebarea este: există o distincție între modele și teorii și, dacă da, cum se raportează între ele?

În vorbirea comună, termenii „model” și „teorie” sunt uneori folosiți pentru a exprima atitudinea cuiva față de o anumită știință. Expresia „este doar un model” indică faptul că ipoteza în joc este afirmată doar în mod provizoriu sau este cunoscută chiar ca fiind falsă, în timp ce ceva i se acordă eticheta „teorie” dacă a obținut un anumit grad de acceptare generală. Totuși, acest mod de a trage o linie între modele și teorii nu are niciun folos pentru o înțelegere sistematică a modelelor.

4.1 Cele două extreme: viziunea sintactică și semantica a teoriilor

Viziunea sintactică a teoriilor, care face parte integrantă din tabloul pozitivist logic al științei, interpretează o teorie ca un ansamblu de propoziții într-un sistem axiomatizat al logicii de prim ordin. În cadrul acestei abordări, termenul de model este utilizat într-un sens mai larg și într-un sens mai restrâns. În sens mai larg, un model este doar un sistem de reguli semantice care interpretează calculul abstract, iar studiul unui model înseamnă să analizeze semantica unui limbaj științific. În sensul mai restrâns, un model este o interpretare alternativă a unui anumit calcul (Braithwaite 1953, Campbell 1920, Nagel 1961, Spector 1965). Dacă, de exemplu, luăm matematica folosită în teoria cinetică a gazelor și reinterpretăm termenii acestui calcul într-un mod care îi face să se refere la bile de biliard, bilele de biliard sunt un model al teoriei cinetice a gazelor. Susținătorii concepției sintactice cred că astfel de modele sunt irelevante pentru știință. Modele, susțin acestea, sunt adaosuri de prisos care au cel mai bine valoare pedagogică, estetică sau psihologică (Carnap 1938, Hempel 1965; vezi și Bailer-Jones 1999).

Opțiunea semantică a teoriilor (vezi de exemplu, Van Fraassen 1980, Giere 1988, Suppe 1989 și Suppes 2002) inversează acest punct de vedere și declară că ar trebui să ne descărcăm cu un calcul formal și să vedem o teorie ca o familie de modele. Deși diferite versiuni ale viziunii semantice presupun o noțiune diferită de model (vezi mai sus), toate sunt de acord că modelele sunt unitatea centrală a teoretizării științifice.

4.2 Modele independente de teorii

Una dintre cele mai perspicante critici ale viziunii semantice este aceea că ea dislocă locul modelelor în edificiul științific. Modelele sunt relativ independente de teorie, mai degrabă decât sunt constitutive ale acestora; sau pentru a folosi sloganul Morrison (1998), aceștia sunt „agenți autonomi”. Această independență are două aspecte: construcția și funcționarea (Morgan și Morrison 1999).

O privire la modul în care modelele sunt construite în știința actuală arată că nu sunt nici derivate în totalitate din date și nici din teorie. Teoriile nu ne oferă algoritmi pentru construcția unui model; ele nu sunt „automate” în care se poate introduce o problemă și un model apare (Cartwright 1999, Cap. 8). Clădirea model este o artă și nu o procedură mecanică. Modelul londonez al superconductivității ne oferă un bun exemplu al acestei relații. Ecuația principală a modelului nu are nicio justificare teoretică (în sensul că ar putea fi derivată din electromagnetică sau din orice altă teorie fundamentală) și este motivată doar pe baza unor considerații fenomenologice (Cartwright și colab., 1995). Sau, cu alte cuvinte,modelul a fost construit „de jos în sus” și nu „de sus în jos” și, prin urmare, se bucură de o mare independență față de teorie.

Al doilea aspect al independenței modelelor este acela că îndeplinesc funcții pe care nu le-ar putea îndeplini dacă ar face parte dintr-o parte sau dacă ar depinde puternic de teorii.

Modele ca completări ale teoriilor. O teorie poate fi specificată incomplet în sensul că impune anumite constrângeri generale, dar rămâne tăcută cu privire la detaliile situațiilor concrete, care sunt furnizate de un model (Redhead 1980). Un caz special al acestei situații este atunci când se cunoaște o teorie calitativă și modelul introduce măsuri cantitative (Apostel 1961). Exemplul Redhead pentru o teorie care este subdeterminată în acest fel este o teorie axiomatică a câmpurilor cuantice, care impune doar anumite constrângeri generale asupra câmpurilor cuantice, dar nu oferă un raport al câmpurilor particulare.

În timp ce Redhead și alții par să se gândească la astfel de cazuri ca fiind oarecum speciale, Cartwright (1983) a susținut că acestea sunt regula și nu excepția. În opinia ei, teoriile fundamentale, cum ar fi mecanica clasică și mecanica cuantică, nu reprezintă nimic deloc, deoarece nu descriu nicio situație reală a lumii. Legile din astfel de teorii sunt schemate care trebuie concretizate și completate cu detaliile unei situații specifice, care este o sarcină care este îndeplinită de un model.

Modele care intră atunci când teoriile sunt prea complexe. Teoriile pot fi prea complicate de abordat. Într-un astfel de caz, poate fi folosit un model simplificat care să permită o soluție (Apostel 1961, Redhead 1980). Cromodinamica cuantică, de exemplu, nu poate fi folosită cu ușurință pentru a studia structura hadronică a unui nucleu, deși este teoria fundamentală pentru această problemă. Pentru a evita această dificultate, fizicienii construiesc modele fenomenologice tractabile (de exemplu, modelul sacului MIT) care descrie eficient gradele relevante de libertate ale sistemului analizat (Hartmann 1999). Avantajul acestor modele este că dau rezultate acolo unde teoriile rămân tăcute. Dezavantajul lor este că de multe ori nu este clar cum să înțelegem relația dintre teorie și model, deoarece cele două sunt, strict vorbind, contradictorii.

Un caz mai extrem este utilizarea unui model atunci când nu există deloc teorii disponibile. Întâlnim această situație în toate domeniile, dar este deosebit de răspândit în biologie și economie, unde teoriile generale nu sunt de cele mai multe ori. Modelele pe care oamenii de știință le construiesc apoi pentru a rezolva situația sunt uneori denumite „modele înlocuitoare” (Groenewold 1961).

Modele ca teorii preliminare. Noțiunea de modele ca înlocuitori ai teoriilor este strâns legată de noțiunea de model de dezvoltare. Acest termen a fost creat de Leplin (1980), care a subliniat cât de utile erau modelele în dezvoltarea teoriei cuantice timpurii și este folosit acum ca noțiune umbrelă care acoperă cazurile în care modelele sunt un fel de exerciții preliminare pentru teorie.

O noțiune strânsă este cea a modelelor de sondare (de asemenea „modele de studiu” sau „modele de jucării”). Acestea sunt modele care nu îndeplinesc o funcție reprezentativă și care nu este de așteptat să ne instruiască despre nimic dincolo de modelul însuși. Scopul acestor modele este de a testa noi instrumente teoretice care sunt utilizate ulterior pentru a construi modele reprezentative. În teorie domeniu, de exemplu, așa-numitul φ 4 -Model a fost nu a studiat extensiv, deoarece reprezintă ceva real, (este bine cunoscut faptul că nu), ci pentru că acesta servește mai multe funcții euristice. Simplitatea φ 4-modelul permite fizicianului „să aibă un sentiment” pentru cum sunt teoriile de câmpuri cuantice și să extragă câteva caracteristici generale pe care acest model simplu le împărtășește cu cele mai complicate. Se pot încerca tehnici complicate, cum ar fi renormalizarea într-un cadru simplu și este posibil să se familiarizeze cu mecanismele - în acest caz, ruperea simetriei - care poate fi folosită ulterior (Hartmann 1995). Acest lucru este valabil nu numai pentru fizică. După cum subliniază Wimsatt (1987), modelele false în genetică pot îndeplini multe funcții utile, printre care următoarele: modelul fals poate ajuta la răspunsul la întrebări despre modele mai realiste, poate oferi o arenă pentru a răspunde la întrebări despre proprietățile unor modele mai complexe”. factor out 'fenomene care altfel nu ar fi văzut,servesc ca un caz limitativ al unui model mai general (sau două modele false pot defini extrema unui continuum de cazuri în care se presupune că este cazul real) sau poate duce la identificarea variabilelor relevante și la estimarea acestora valori.

5. Modele și alte dezbateri în filosofia științei

Dezbaterea asupra modelelor științifice are repercusiuni importante pentru alte dezbateri din filozofia științei. Motivul pentru aceasta este că, în mod tradițional, dezbaterile privind realismul științific, reducționismul, explicația și legile naturii au fost cuplate în termeni de teorii, deoarece numai teoriile erau recunoscute ca purtători de cunoștințe științifice. Așadar, întrebarea este dacă și dacă da, cum se schimbă discuțiile despre aceste aspecte atunci când mutăm accentul de la teorii la modele. Până în prezent, nu s-au dezvoltat conturi cuprinzătoare bazate pe model pentru niciuna dintre aceste probleme; dar modelele au lăsat unele urme în discuțiile acestor subiecte.

5.1 Modele și dezbatere realism versus antirealism

S-a afirmat că practica construirii modelelor favorizează antirealismul peste realism. Antirealistii subliniaza ca adevarul nu este scopul principal al modelarii stiintifice. Cartwright (1983), de exemplu, prezintă mai multe studii de caz care ilustrează faptul că modelele bune sunt adesea false și că teoriile presupuse adevărate s-ar putea să nu ajute prea mult atunci când este vorba despre înțelegerea funcționării unui laser.

Realistii neaga faptul ca falsitatea modelelor face imposibila o abordare realista a stiintei subliniind ca un model bun, gandit nu literalmente adevarat, este de obicei cel putin aproximativ adevarat. Laymon (1985) susține că predicțiile unui model devin de obicei mai bune atunci când relaxăm idealizările (adică dezidealizăm modelul), pe care le ia pentru a sprijini realismul (vezi și McMullin 1985, Nowak 1979 și Brzezinski și Nowak 1992).

În afară de obișnuitele plângeri privind evaziunea noțiunii de adevăr aproximativ, antirealistii au pus problema acestei răspunsuri din două motive (înrudite). În primul rând, după cum subliniază Cartwright (1989), nu există niciun motiv să presupunem că se poate îmbunătăți întotdeauna un model adăugând corecții de idealizare. În al doilea rând, se pare că procedura prezentată nu este în conformitate cu practica științifică. Este neobișnuit ca oamenii de știință să investească în dezidealizarea repetată a unui model existent. Mai degrabă, ele trec la un cadru de modelare complet diferit, odată ce ajustările care vor fi implicate sunt prea implicate (Hartmann 1998). Diferitele modele ale nucleului atomic sunt un exemplu. Odată realizat că efectele de coajă sunt importante pentru a înțelege diverse fenomene,modelul (colectiv) de cădere de lichid a fost pus deoparte și modelul de coajă (cu o singură particulă) a fost dezvoltat pentru a ține cont de aceste constatări. O altă dificultate a dezidealizării este aceea că majoritatea idealizărilor nu sunt „controlate”. De exemplu, nu este clar în ce mod s-ar putea de-idealiza modelul MIT-Bag pentru a ajunge în cele din urmă la cromodinamica cuantică, teoria presupusă corectă.

Un alt argument antirealist, „argumentul modelelor incompatibile”, ia ca punct de plecare observația că oamenii de știință folosesc adesea cu succes mai multe modele incompatibile ale unuia și aceluiași sistem țintă pentru scopuri predictive (Morrison 2000). Aceste modele par să se contrazică reciproc, întrucât atribuie proprietăți diferite aceluiași sistem țintă. În fizica nucleară, de exemplu, modelul de cădere de lichid explorează analogia nucleului atomic cu o cădere de fluid (încărcată), în timp ce modelul de coajă descrie proprietățile nucleare în ceea ce privește proprietățile protonilor și neutronilor, constituenții unui nucleu atomic. Această practică pare să creeze o problemă pentru realismul științific. Realistii considera de obicei ca exista o legatura stransa intre succesul predictiv al unei teorii si fiinta ei cel putin aproximativ adevarata. Dar dacă mai multe teorii ale aceluiași sistem au succes predictiv și dacă aceste teorii sunt inconsistente reciproc, nu pot fi toate adevărate, nici măcar aproximativ.

Realistii pot reactiona la acest argument in diverse moduri. În primul rând, ei pot contesta afirmația că modelele în cauză au într-adevăr un succes predictiv. Dacă modelele nu sunt predictori buni, argumentul este blocat. În al doilea rând, ei pot apăra o versiune a realismului de perspectivă (Giere 1999, Rueger 2005) conform căreia fiecare model dezvăluie un aspect al fenomenului în cauză, iar atunci când este luat împreună, apare un cont complet (sau mai complet). În al treilea rând, realiștii pot nega că există o problemă în primul rând, deoarece modelele științifice, care sunt întotdeauna idealizate într-un fel sau altul și, prin urmare, strict vorbind fals, sunt doar vehiculul greșit pentru a pune un punct despre realism.

5.2 Model și reducționism

Problema cu mai multe modele menționată în ultima secțiune ridică problema modului în care sunt legate diferite modele. În mod evident, mai multe modele pentru același sistem țintă nu stau, în general, într-o relație deductivă, deoarece se contrazic adesea. Având în vedere că majoritatea acestor modele par indispensabile practicii științei, o simplă imagine a organizării științei pe linia modelului de reducere a lui Nagel (1961) sau a imaginii piramidale Oppenheim și Putnam (1958) nu pare plauzibilă.

Unii au sugerat (Cartwright 1999, Hacking 1983) o imagine a științei conform căreia nu există relații sistematice între diferite modele. Unele modele sunt legate între ele, deoarece reprezintă același sistem țintă, dar acest lucru nu implică faptul că acestea vor intra în alte relații (deductiv sau în alt mod). Ne confruntăm cu un patchwork de modele, care dețin ceteris paribus în domeniile lor specifice de aplicabilitate (a se vedea și lucrările colectate în Falkenburg și Muschik 1998).

Unii susțin că această imagine este cel puțin parțial incorectă, deoarece există diverse relații interesante între diferite modele sau teorii. Aceste relații variază de la aproximări controlate asupra relațiilor limită singulare (Batterman 2004) până la relațiile structurale (Gähde 1997) și relații mai degrabă libere numite povești (Hartmann 1999; vezi și Bokulich 2003). Aceste sugestii au fost făcute pe baza studiilor de caz (de exemplu, așa-numitele teorii cuantice de câmp efectiv, a se vedea Hartmann 2001) și rămâne de văzut dacă se poate da o relatare mai generală a acestor relații și dacă se poate justifica mai profund acestea pot fi furnizate, de exemplu, cu un cadru bayesian (primii pași către o înțelegere bayesiană a reducerii se găsesc în Dizadji-Bahmani și colab., 2011).

5.3 Modele și legi ale naturii

Se consideră că știința are ca scop descoperirea legilor naturii. La rândul său, filozofii s-au confruntat cu provocarea de a explica ce sunt legile naturii. Conform celor două conturi dominante în prezent, cea mai bună abordare a sistemelor și abordarea universală, legile naturii se înțeleg ca fiind universale, ceea ce înseamnă că se aplică la tot ceea ce există în lume. Această asumare a legilor nu pare să se încadreze într-o perspectivă care vede modelele în centrul teorizării științifice. Ce rol joacă legile generale în știință dacă este vorba de modele care reprezintă ceea ce se întâmplă în lume și cum sunt legate modelele și legile?

Un răspuns posibil este să argumentăm că legile naturii guvernează entitățile și procesele mai degrabă decât în lume. Legile fundamentale, pe această abordare, nu precizează fapte despre lume, ci sunt adevărate despre entitățile și procesele din model. Cartwright (1983, 1999), Giere (1999) și Van Fraassen (1989) au susținut diferite variante ale acestei concepții. În mod surprinzător, realistii despre legi nu par să fi răspuns la această provocare și, prin urmare, rămâne o întrebare deschisă dacă poate fi compatibilă o înțelegere realistă a legilor și o abordare bazată pe model.

5.4 Modele și explicații științifice

Legile naturii joacă un rol important în multe relatări de explicații, cel mai proeminent în modelul deductiv-nomologic și în abordarea unificării. Din păcate, aceste conturi moștenesc problemele care afectează relația dintre modele și legi. Acest lucru ne lasă cu două opțiuni. Fiecare poate argumenta că legile pot fi dispuse în explicații, idee care este folosită atât în teoria pragmatică a explicației lui Van Fraassen (1980), cât și în abordările explicării cauzale, cum ar fi Woodward's (2003). În conformitate cu acestea din urmă, modelele sunt instrumente pentru a afla relațiile de cauzalitate care se țin între anumite fapte sau procese și aceste relații sunt cele care fac treaba explicativă. Sau se poate modifica povara explicativă asupra modelelor. O sugestie pozitivă de-a lungul acestor linii este așa-numitul „cont simulacru de explicație” al lui Cartwright,ceea ce sugerează că explicăm un fenomen construind un model care să încadreze fenomenul în cadrul de bază al unei teorii grandioase (1983, Ch. 8). În acest sens, modelul în sine este explicația pe care o căutăm. Acest lucru se potrivește bine cu intuițiile științifice de bază, dar ne lasă cu întrebarea ce noțiune de explicație este în lucru (vezi și Elgin și Sober 2002). Bokulich (2008, 2009) urmărește o linie de raționament similară și vede puterea explicativă a modelelor ca fiind strâns legată de natura lor ficțională. Acest lucru se potrivește bine cu intuițiile științifice de bază, dar ne lasă cu întrebarea ce noțiune de explicație este în lucru (vezi și Elgin și Sober 2002). Bokulich (2008, 2009) urmărește o linie de raționament similară și vede puterea explicativă a modelelor ca fiind strâns legată de natura lor ficțională. Acest lucru se potrivește bine cu intuițiile științifice de bază, dar ne lasă cu întrebarea ce noțiune de explicație este în lucru (vezi și Elgin și Sober 2002). Bokulich (2008, 2009) urmărește o linie de raționament similară și vede puterea explicativă a modelelor ca fiind strâns legată de natura lor ficțională.

6. Concluzie

Modelele joacă un rol important în știință. Dar, în ciuda faptului că au generat un interes considerabil în rândul filozofilor, rămân lacunele semnificative în înțelegerea noastră despre ce modele sunt și modul în care funcționează.

Bibliografie

  • Achinstein, Peter (1968), Conceptele științei. O analiză filozofică. Baltimore: Johns Hopkins Press.
  • Ackerlof, George A (1970), „Piața limbilor”: incertitudinea calității și mecanismul pieței”, Trimestrial Journal of Economics 84: 488-500.
  • Ankeny, Rachel (2009), „Model Organodies as Fictions”, în Mauricio Suárez (ed.): Fictions in Science, Philosophical Essays on Modeling and Idealization, London: Routledge, 194-204.
  • Apostel, Leu (1961), „Spre studiul formal al modelelor în științele non-formale”, în Freudenthal 1961, 1-37.
  • Bailer-Jones, Daniela M. (1999), „Urmărirea dezvoltării modelelor în filosofia științei”, în Magnani, Nersessian și Thagard 1999, 23–40.
  • ––– (2003) „Când modelele științifice reprezintă”, Studii internaționale în filosofia științei 17: 59–74.
  • ––– și Bailer-Jones CAL (2002), „Date modeling: Analogies in Networks Neural, Annealing Simulated and Algorithms Genetic”, în Magnani și Nersessian 2002: 147-165.
  • Barbrousse, Anouk și Pascal Ludwig (2009), „Ficțiuni și modele”, în Mauricio Suárez (ed.): Fictions in Science, Philosophical Essays on Modeling and Idealization, London: Routledge, 56–75.
  • ––– Sara Franceschelli, Cyrille Imbert (2009), „Computer Simulations as Experiments”, Synthese, 169 (3): 557–574.
  • Batterman, Robert (2004), „Intertheory Relations in Physics”, The Stanford Encyclopedia of Philosophy (Spring Edition 2004), Edward N. Zalta (ed.), URL = https://plato.stanford.edu/archives/spr2004/ intrări /-fizica interrelaționează /.
  • Bell, John și Moshé Machover (1977), Un curs în logică matematică, Amsterdam: Olanda de Nord.
  • Black, Max (1962), Modele și metafore. Studii în limbaj și filozofie. Ithaca, New York: Cornell University Press.
  • Bogen, James și James Woodward (1988), „Salvarea fenomenelor”, Review Philosophical 97: 303–352.
  • Bokulich, Alisa (2003), „Modele orizontale: de la brutari la pisici”, Filosofia științei 70: 609–627.
  • ––– (2008), Reexaminarea relației cuantum-clasice: dincolo de reducționism și pluralism, Cambridge: Cambridge University Press.
  • ––– (2009), „Explicatii de ficțiuni”, În: Mauricio Suárez (ed.): Fictiuni în știință. Eseuri filozofice despre modelare și idealizare Londra: Routledge, 91–109.
  • Braithwaite, Richard (1953), Explicație științifică. Cambridge: Cambridge University Press.
  • Brewer, WF și CA Chinn (1994), „Răspunsurile oamenilor de știință la datele anomale: dovezi din psihologie, istorie și filosofia științei”, în: Proceedings of the 1994 Biennial Meeting of the Philosophy of Science Association, Volume 1: Symposia and Papete invitate, 304–1313.
  • Brown, James (1991), Laboratorul minții: experimente de gândire în științele naturii. Londra: Routledge.
  • Brzezinski, Jerzy și Leszek Nowak (eds.) (1992), Idealization III: Aproximare și Adevăr. Amsterdam: Rodopi.
  • Callender, Craig și Jonathan Cohen (2006), „Nu există nicio problemă specială despre reprezentarea științifică”, Theoria, viitoare.
  • Campbell, Norman (1920), Fizică: elementele. Cambridge: Cambridge University Press. Reimprimat ca Fundații ale Științei. New York: Dover, 1957.
  • Carnap, Rudolf (1938), „Fundații ale logicii și matematicii”, în Otto Neurath, Charles Morris și Rudolf Carnap (eds.), Enciclopedia internațională a științei unificate. Voi. 1. Chicago: University of Chicago Press, 139–213.
  • Cartwright, Nancy (1983), Cum se află legile fizicii. Oxford: Oxford University Press.
  • ––– (1989), capacitățile naturii și măsurarea lor. Oxford: Oxford University Press.
  • ––– (1999), Lumea înrăită. Un studiu al limitelor științei. Cambridge: Cambridge University Press.
  • ––– Towfic Shomar și Mauricio Suárez (1995), „Cutia cu instrumente a științei”, în Herfel 1995, 137-150.
  • Contessa, Gabrielle (2007) „Reprezentare științifică, interpretare și raționament surogativ”, Filosofia științei 74 (1): 48–68.
  • ––– (2010), „Modele științifice și obiecte fictive”, Synthese 172 (2), 215–229.
  • Da Costa, Newton și Steven French (2000) „Modele, teorii și structuri: treizeci de ani”, Filosofia științei 67, Supliment, S116–127.
  • ––– (2003), Știința și adevărul parțial: o abordare unitară a modelelor și raționamentului științific. Oxford: Oxford University Press.
  • Dizadji-Bahmani, Foad, Roman Frigg și Stephan Hartmann (2011) „Confirmare și reducere: un cont Bayesian”, Synthese 179 (2): 321–38.
  • Downes, Ștefan (1992), „Importanța modelelor în teoretizarea: o vedere semantică deflaționistă”. Proceedings of the Philosophy of Science Association, Vol.1, editat de David Hull et al., 142-153. East Lansing: Asociația Filozofia Științei.
  • Elgin, Catherine (2010), „Telling Instances”, în: Roman Frigg și Matthew Hunter (eds.): Dincolo de mimesis și nominalism: reprezentare în artă și știință Berlin și Ney York: Springer, 1–17.
  • Elgin, Mehmet și Elliott Sober (2002), „Cartwright on Explanation and Idealization”, Erkenntnis 57: 441–50.
  • Falkenburg, Brigitte și Wolfgang Muschik (eds.) (1998), Modele, teorii și dezbinare în fizică, Philosophia Naturali s 35.
  • Fine, Arthur (1993), „Ficționalism”, Studii din Midwest în Filosofie 18: 1-18.
  • Forster, Malcolm și Elliott Sober (1994), „Cum să povestim când teoriile simple, mai unificate sau mai puțin ad hoc vor oferi predicții mai precise”, Jurnalul britanic pentru filosofia științei 45: 1-35.
  • Freudenthal, Hans (ed.) (1961), Conceptul și rolul modelului în matematică și științe naturale și sociale. Dordrecht: Reidel.
  • Frigg, Roman (2006), „Reprezentarea științifică și viziunea semantică a teoriilor”, Teoria 55: 37–53.
  • ––– și Julian Reiss (2009), „Filozofia simulării: probleme noi și calde?”, Synthese 169 (3): 593–613.
  • ––– (2010a), „Ficțiunea în știință”, În: John Woods (ed.): Ficțiuni și modele: eseuri noi, Munchen: Philosophia Verlag, 247–287
  • ––– (2010b), „Modele și ficțiune”, Synthese, 172 (2): 251–268
  • ––– (2010c), „Ficțiune și reprezentare științifică”, în: Roman Frigg și Metthew Hunter (eds.): Dincolo de Mimesis și nominalism: reprezentare în artă și știință, Berlin și Ney York: Springer, 97–138.
  • ––– Seamus Bradley, Motivul L. Machete și Leonard A. Smith (2012), „Prognoză probabilistică: De ce modelul imperfecțiunii este o pastilă de otravă”, care va fi prezentat în Hanne Anderson, Dennis Dieks, Gregory Wheeler, Wenceslao Gonzalez și Thomas Uebel (eds): Noi provocări pentru filosofia științei, Berlin și New York: Springer.
  • Gähde, Ulrich (1997), „Anomaliile și revizuirea rețelei teoretice. Note privind avansul perihelionului lui Mercur”, în Marisa Dalla Chiara și colab. (eds.), Structuri și norme în știință. Dordrecht: Kluwer.
  • Galison, Peter (1997) Imagine și logică. O cultură materială a microfizicii. Chicago: Chicago: University of Chicago Press.
  • Gendler, Tamar (2000) Experiment de gândire: asupra puterilor și limitelor cazurilor imaginare. New York și Londra: Garland.
  • Gibbard, Allan și Hal Varian (1978), „Modele economice”, Journal of Philosophy 75: 664–677.
  • Giere, Ronald (1988), Explaining Science: A Cognitive Approach. Chicago: University of Chicago Press.
  • ––– (1999), Știința fără legi. Chicago: University of Chicago Press.
  • ––– (2004), „Modul în care sunt utilizate modelele pentru a reprezenta realitatea”, Filosofia științei 71, Supliment, S742–752.
  • ––– (2009), „De ce modelele științifice nu ar trebui considerate opere de ficțiune”, în: Mauricio Suárez (ed.): Ficțiuni în știință. Eseuri filozofice despre modelare și idealizare Londra: Routledge, 248–258.
  • Godfrey-Smith, P. (2006), „Strategia științei bazate pe model”, Biologie și Filosofie, 21: 725–740.
  • ––– (2009), „Modele și ficțiuni în știință” Studii filosofice, 143: 101–116.
  • Groenewold, HJ (1961), „Modelul în fizică” din Freudenthal 1961, 98-103.
  • Hacking, Ian (1983), Reprezentarea și intervenția. Cambridge: Cambridge University Press.
  • Harris, Todd (2003), „Modele de date și achiziția și manipularea datelor”, Philosophy of Science 70: 1508-1517.
  • Hartmann, Stephan (1995), „Modele ca instrument pentru construcția teoriei: unele strategii ale fizicii preliminare”, în Herfel și colab. 1995, 49–67.
  • ––– (1996), „Lumea ca proces. Simulări în științele naturii și sociale”, în Hegselmann și colab. 1996, 77–100.
  • ––– (1998), „Idealizarea în teoria câmpului cuantic”, în Shanks 1998, 99–122.
  • ––– (1999), „Modele și povești în fizica Hadronului”, în Morgan și Morrison 1999, 326–346.
  • ––– (2001), „Teorii de câmp eficace, reducere și explicații științifice”, Studii în istorie și filosofia fizicii moderne 32, 267–304.
  • Hegselmann, Rainer, Ulrich Müller și Klaus Troitzsch (eds.) (1996), Modeling and Simulation in the Social Sciences din Philosophy of Science Point. Biblioteca Teorie și Decizie. Dordrecht: Kluwer.
  • Hellman, DH (ed.) (1988), Raționament analogic. Kluwer: Dordrecht.
  • Hempel, Carl G. (1965), Aspecte ale explicațiilor științifice și alte eseuri în filosofia științei. New York: Presă gratuită.
  • Herfel, William, Wladiyslaw Krajewski, Ilkka Niiniluoto și Ryszard Wojcicki (eds.) (1995), Teorii și modele în procesul științific. (Studii Poznan în Filozofia științei și științele umaniste 44.) Amsterdam: Rodopi.
  • Hesse, Mary (1963), Modele și analogii în știință. Londra: Sheed și Ward.
  • ––– (1974), Structura inferenței științifice. Londra: Macmillan.
  • Hodges, Wilfrid (1997), o teorie a modelului mai scurt. Cambridge: Cambridge University Press.
  • Holyoak, Keith și Paul Thagard (1995), Salturi mentale. Analogie în gândirea creativă. Cambridge, masa: Bradford.
  • Horowitz, Tamara și Gerald Massey (eds.) (1991), Experiențe de gândire în știință și filozofie. Lanham: Rowman și Littlefield.
  • Hughes, RIG (1997), „Modele și reprezentare”, Filosofia științei 64: S325–336.
  • Humphreys, Paul (2004), Extending Ourselves: Science Science, Empiricism and Method Scientific. Oxford: Oxford University Press.
  • ––– (2009), „Noutatea filozofică a metodelor de simulare a calculatorului”, Synthese 169: 615–626.
  • Knuuttila, Taria (2009), „Reprezentare, idealizare și ficțiune în economie: de la problema presupunerilor la epistemologia modelării”, în: Mauricio Suárez (ed.): Ficțiuni în știință. Eseuri filosofice despre modelare și idealizare, Londra: Routledge, 205–233.
  • Kroes, Peter (1989), „Analogii structurale între sistemele fizice”, British Journal for the Philosophy of Science 40: 145–154.
  • Laymon, Ronald (1982), „Realismul științific și calea contrafactuală ierarhică de la date la teorie”, Proceedings of the Biennial Meeting of the Philosophy of Science Association, Volume 1, 107–121.
  • ––– (1985), „Idealizări și testarea teoriilor prin experimentare”, în Peter Achinstein și Owen Hannaway (eds.), Experimentul de observare și ipoteza în științele fizice moderne. Cambridge, Mass: MIT Press, 147–173.
  • ––– (1991), „Experimente de gândire de Stevin, Mach și Gouy: Experimente de gândire ca limite ideale și domenii semantice”, în Horowitz și Massey 1991, 167–91.
  • Leng, Mary (2010), Matematică și realitate, Oxford.
  • Leonelli, Sabina (2010), „Ambalarea datelor pentru reutilizare: baze de date în modelul biologic al organismelor”, în: Howlett P, Morgan MS (eds.): Cât de bine călătorește faptele? Diseminarea cunoștințelor de încredere, Cambridge: Cambridge University Press.
  • Leonelli, Sabina și R. Ankeny (2012), „Re-Gândirea Organismelor: Impactul Epistemic al Bazelor de Date asupra Biologiei Modelelor Organismelor”, Studii în Istoria și Filosofia Științelor Biologice și Biomedicale, 43, 29-36.
  • Leplin, Jarrett (1980), „Rolul modelelor în construcția teorică”, în: T. Nickles (ed.), Discovery Scientific, Logic and Rationality. Reidel: Dordrecht: 267–284.
  • Lloyd, Elisabeth (1984), „O abordare semantică a structurii geneticii populației”, Filosofia științei 51: 242–264.
  • ––– (1994), Structura și confirmarea teoriei evolutive. Princeton: Princeton University Press.
  • Magnani, Lorenzo și Nancy Nersessian (eds.) (2002), Raționamentul bazat pe model: știință, tehnologie, valori. Dordrecht: Kluwer.
  • ––– (2012), Modelele științifice nu sunt ficțiuni: Știința bazată pe model ca epistemică Warfar, care urmează să fie în L. Magnani și P. Li (eds.): Filozofie și știință cognitivă: studii occidentale și de est, Heidelberg / Berlin: Springer.
  • ––– și Paul Thagard (eds.) (1999), Raționamentul bazat pe model în descoperirea științifică. Dordrecht: Kluwer.
  • Mäki, Uskali (1994), „Izolarea, idealizarea și adevărul în economie”, în Bert Hamminga și Neil B. De Marchi (eds.), Idealization VI: Idealization in Economics. Studii din Poznan în filosofia științelor și a științelor umaniste, vol. 38: 147–168. Amsterdam: Rodopi.
  • Mayo, Deborah (1996), Eroarea și creșterea cunoștințelor experimentale. Chicago: University of Chicago Press.
  • McMullin, Ernan (1968), „Ce ne spun modelele fizice?”, În B. van Rootselaar și JF Staal (eds.), Logică, metodologie și știință III. Amsterdam: Olanda de Nord, 385–396.
  • ––– (1985), „Idealizare galileeană”, Studii în istoria și filosofia științei 16: 247–73.
  • Morgan, Mary (1999), „Învățarea de la modele”, în Morgan și Morrison 1999, 347–88.
  • ––– și Margaret Morrison (1999), Modele ca mediatori. Perspective asupra științei naturale și sociale. Cambridge: Cambridge University Press.
  • ––– și Margaret Morrison (1999), „Models as Mediator Instruments”, În: Morgan and Morrison 1999, 10–37.
  • ––– (2001) „Modele, povești și lumea economică”, Journal of Economic Methodology 8: 3, 361–84. Reimprimat în Fact and Fiction in Economics, editat de Uskali Mäki, 178–201. Cambridge: Cambridge University Press, 2002.
  • ––– (2003) „Experimente fără intervenție materială: experimente model, experimente virtuale și experimente virtuale”, în: H. Radder (ed.): The Philosophy of Scientific Experimentation, Pittsburgh: University of Pittsburgh Press, 217–235
  • ––– și Boumans, Marcel J. (2004), „Secretele ascunse de două dimensiuni: economia ca mașină hidraulică”, în: S. de Chadarevian și N. Hopwood (eds.): Model: A treia dimensiune a Science, Stanford: Stanford University Press, 369–401.
  • Morrison, Margaret (1998), „Modelarea naturii: între fizică și lumea fizică”, Philosophia Naturalis 35: 65–85.
  • ––– (1999) „Modele ca agenți autonomi”, în Morgan și Morrison 1999, 38–65.
  • ––– (2000), Unirea teoriilor științifice. Cambridge: Cambridge University Press.
  • ––– (2009), „Ficțiuni, reprezentări și realitate”, în: Mauricio Suárez (ed.): Ficțiuni în știință. Eseuri filosofice despre modelare și idealizare, Londra: Routledge, 110–135.
  • ––– (2009), „Modele, măsurare și simularea computerului: Fața schimbătoare a experimentării”, Studii filosofice, 143 (1): 33–57.
  • Mundy, Brent (1986), „Pe teoria generală a reprezentării semnificative”, Synthese 67: 391-437.
  • Musgrave, Alan (1981), „„ Ipoteze ireale”în teoria economică: F-Twist Untwisted”, Kyklos 34: 377–387.
  • Nagel, Ernest (1961), Structura științei. Probleme în logica explicațiilor științifice. New York: Harcourt, Brace și World.
  • Norton, John (1991), „Experimente de gândire în opera lui Einstein”, în Horowitz și Massey 1991, 129–148.
  • Nowak, Leszek (1979), Structura idealizării: Către o interpretare sistematică a ideii marxiene a științei. Reidel: Dordrecht.
  • Oppenheim, Paul și Hilary Putnam (1958), „Unitatea științei ca o ipoteză de lucru”, în Herbert Feigl, Grover Maxwell și Michael Scriven (eds.), Studii din Minnesota în filozofia științei. Minneapolis: University of Minnesota Press, 3–36. Reeditată în The Philosophy of Science, editat de Richard Boyd et al., Ch. 22. Cambridge, Mass: MIT Press, 1991.
  • Parker, WS (2008), „Franklin, Holmes and Epistemology of Computer Simulation”, Studii internaționale în filosofia științei 22 (2): 165-183.
  • ––– (2009), „Problema contează cu adevărat? Simulări, experimente și materialitate computerizate”, Synthese 169: 483–496
  • Peirce, Charles Sanders (1931–1958), documente colectate ale lui Charles Sanders Peirce. Vol. 3. Editat de Charles Hartshorne, Paul Weiss și Arthur Burks. Harvard University Press, Cambridge, Mass.
  • Pincock, Christopher (2012) Matematică și reprezentare științifică, Oxford, Ch.12.
  • Psillos, Stathis (1995), „Interacțiunea cognitivă dintre teorii și modele: cazul fizicii secolului XIX”, în Herfel și colab. 1995, 105–133.
  • Quine, Willard Van Orman (1953), „Pe ceea ce există”, din Din punct de vedere logic. Cambridge, Mass: Harvard University Press.
  • Redhead, Michael (1980), „Models in Physics”, British Journal for the Philosophy of Science 31: 145–163.
  • Reiss, Julian (2003), „Inferența cauzală în rezumat sau cele șapte mituri despre experimente de gândire”, în Proiectul de cercetare a cauzalității: metafizică și metode. Raport tehnic 03/02. LSE.
  • ––– (2006), „Dincolo de capacități”, în Luc Bovens și Stephan Hartmann (eds.), Filosofia științei lui Nancy Cartwright. Londra: Routledge.
  • Rohrlich, Fritz (1991) „Computer Simulations in the Physical Sciences”, în Proceedings of the Philosophy of Science Association, Vol. 2, editată de Arthur Fine și colab., 507–518. East Lansing: Asociația Filozofia Științei.
  • Rueger, Alexander (2005), „Modele de perspectivă și unificare a teoriei”, Jurnalul britanic pentru filosofia științei 56.
  • Schnell, Rainer (1990), „Computersimulation and Theoriebildung in den Sozialwissenschaften”, Kölner Zeitschrift pentru Soziologie und Sozialpsychologie 1, 109–128.
  • Schaffner, Kenneth F. (1969, „The Watson-Crick Model and Reductionism”, The British Journal for the Philosophy of Science, 20 (4): 325–348.
  • Shanks, Niall (ed.). (1998), Idealizarea în fizica contemporană. Amsterdam: Rodopi.
  • Sismondo, Sergio și Snait Gissis (eds.) (1999), Modeling and Simulation. Problema specială a științei în context 12.
  • Skyrms, Brian (1996), Evoluția contractului social. Cambridge: Cambridge University Press.
  • Sorensen, Roy (1992), Experimente de gândire. New York: Oxford University Press.
  • Spector, Marshall (1965), „Modele și teorii”, Jurnalul britanic pentru filosofia științei 16: 121–142.
  • Staley, Kent W. (2004), The Evidence for the Top Quark: Objectivity and Bias in Collaborative Experimentation. Cambridge: Cambridge University Press.
  • Suárez, Mauricio (2003), „Reprezentare științifică: împotriva asemănării și izomorfismului.” Studii internaționale în filozofia științei 17: 225–244.
  • ––– (2004), „O concepție inferențială a reprezentării științifice”, Filosofia științei 71, Supliment, S767-779.
  • ––– și Albert Solé (2006), „Despre analogia dintre reprezentarea cognitivă și adevăr”, Theoria 55, 27–36.
  • ––– (2009), „Ficțiunile științifice ca reguli de referință” În: Mauricio Suárez (ed.): Ficțiuni în știință. Eseuri filozofice despre modelare și idealizare, Routledge: Londra, 158–178.
  • Suppe, Frederick. (1989), Vederea semantică a teoriilor și a realismului științific. Urbana și Chicago: University of Illinois Press.
  • Suppes, Patrick. (1960), „O comparație a semnificației și utilizărilor modelelor în matematică și științe empirice”, Sinteza 12: 287-301. Reeditată în Freudenthal (1961), 163–177, și în Patrick Suppes: Studii în metodologie și fundamentări ale științei. Documente selectate din 1951 până în 1969. Dordrecht: Reidel 1969, 10–23.
  • ––– (1962), „Modele de date”, în Ernest Nagel, Patrick Suppes și Alfred Tarski (eds.), Logică, metodologie și filosofia științei: lucrările Congresului internațional din 1960. Stanford: Stanford University Press, 252–261. Reimprimat în Patrick Suppes: Studii în metodologie și fundamentări ale științei. Documente selectate din 1951 până în 1969. Dordrecht: Reidel 1969, 24–35.
  • ––– (2002), Reprezentarea și invariabilitatea structurilor științifice. Stanford: CSLI Publications.
  • Swoyer, Chris (1991), „Reprezentare structurală și raționament surogativ”, Synthese 87: 449–508.
  • Teller, Paul (2001), „Amurgul modelului perfect”, Erkenntnis 55, 393–415.
  • ––– (2004), „Cum ne împiedică lumea”, Filosofia științei 71: 425–447.
  • ––– (2009), „Ficțiuni, ficțiune și adevăr în știință”, în: Mauricio Suárez (ed.): Ficțiuni în știință. Eseuri filosofice despre modelare și idealizare, Londra: Routledge, 235–247.
  • Thomson-Jones, Martin (2010), „Sisteme lipsă și practica valorii faciale”, Synthese 172 (2): 283-299.
  • Toon, A. (2010), „Models as Make-Believe”, în: Frigg, R și Hunter, M. (eds.): Dincolo de Mimesis și convenție: Reprezentare în artă și știință, Boston Studies in Philosophy of Science: Springer, 71–96.
  • ––– (2010), „Ontologia modelării teoretice: modele ca credință”, Synthese 172: 301–315.
  • ––– (2011), „Jocul cu moleculele”, Studii în istorie și filosofia științei 42: 580–589.
  • ––– (2012), Modele ca credință: imaginație, ficțiune și reprezentare științifică, Palgrave Macmillan.
  • Vaihinger, Hans (1911), Filozofia lui „Ca și cum”. Original german. Traducere engleză: Londra: Kegan Paul 1924.
  • van Fraassen, Bas C. (1980), Imaginea științifică. Oxford: Oxford University Press.
  • ––– (1989), Legi și simetrie. Oxford: Oxford University Press.
  • ––– (2004), „Știința ca reprezentare: fluturarea criteriilor”, Filosofia științei 71, Supliment, S794–804.
  • ––– (2008), Reprezentare științifică: Paradoxurile perspectivei, Oxford: Oxford University Press.
  • Weisberg, M. (2012), Simularea și asemănarea: utilizarea modelelor pentru a înțelege lumea, care urmează de la Oxford University Press, cap. 4.
  • Wimsatt, William. (1987), „Fals Models as Means to The Truer Teories”, în N. Nitecki și A. Hoffman (eds.), Neutral Models in Biology. Oxford: Oxford University Press, 23–55.
  • Winsberg, Eric (2001), „Simulări, modele și teorii: sisteme fizice complexe și reprezentările lor”, Filosofia științei 68 (Proceedings): 442–454.
  • ––– (2003), „Experimente simulate: metodologie pentru o lume virtuală”, Filosofia științei 70: 105–125.
  • ––– (2009), „O funcție pentru ficțiuni: extinderea domeniului de știință”, în: Mauricio Suárez (ed.): Ficțiuni în știință. Eseuri filosofice despre modelare și idealizare, Londra: Routledge, 197–191.
  • ––– (2010, Science in the Age of Computer Simulation, Chicago: Chicago University Press.
  • Woodward, James (2003), Making Things Happen: A Theory of Causal Explanation. New York: Oxford University Press.

Instrumente academice

pictograma omului sep
pictograma omului sep
Cum se citează această intrare.
pictograma omului sep
pictograma omului sep
Previzualizați versiunea PDF a acestei intrări la Societatea Prietenii SEP.
pictograma inpho
pictograma inpho
Căutați acest subiect de intrare la Proiectul Ontologia Filozofiei Indiana (InPhO).
pictograma documente phil
pictograma documente phil
Bibliografie îmbunătățită pentru această intrare la PhilPapers, cu link-uri către baza de date a acesteia.

Alte resurse de internet

[Vă rugăm să contactați autorul cu sugestii.]

Recomandat: