DVA215 INFORMATION - KUNSKAP - VETENSKAP
GRUNDLÄGGANDE VETENSKAPSTEORI
Modell och verklighet. Struktur och relation
Gordana Dodig-Crnkovic
Akademin för innovation, design och teknik, Mälardalens högskola
1
KUNSKAPSGENERATION:
VÄRLDEN SOM INFORMATION FÖR EN AGENT
Bilden från: http://www.alexeikurakin.org
2
http://www.alexeikurakin.org/
Hebbs teori:
"celler som avfyras tillsammans, sammankopplas"
(eng. "cells that fire toghether, wire togher").
LÄRANDE OCH KUNSKAP
Barnet föds med nervsystemet och hjärnan
och förmågan att ta olika intryck från världen.
3
INFORMATIONSNÄTVERK
ORGANISMER
MÄNNISKAN
CELLER
SOCIALA GRUPPER
EKOLOGIER
MOLEKYLER
PLANETSYSTEM
ATOMER
ELEMENTÄRA PARTIKLAR
GALAXER
UNIVERSUM
4
MODELLER
STRUKTUR, RELATION OCH ANVÄNDNING
Baserat på:
Torbjörn Lundh och Philip Gerlee
Vetenskapliga modeller: svarta lådor, röda atomer och vita lögner
http://www.adlibris.com/se/product.aspx?isbn=9144074204
5
MODELLBEGREPPET
En modell är en tolkningsbar beskrivning av ett fenomen
som ger oss tillgång till det fenomenet. (Daniela BailerJones)
[Modeller är] fysiska eller mentala system som man anser
återspegla väsentliga egenskaper hos de fenomen som
man studerar. (Sven Ove Hansson)
en vanlig utgångspunkt är att se vetenskapliga modeller
som representationer av olika företeelser i verkligheten.
(Bo Sellerstedt)
6
”I själva verket kan man, om detta dras till sin logiska spets, tänka sig
att vad som helst kan vara modell för vad som helst annat i världen.” (M. Wartofsky)
Giuseppe Arcimboldo 1527-1593
7
MODELLEN SOM GRÄNSSNITTET MELLAN AGENTEN
OCH VERKLIGHETEN/FYSISKA VÄRLDEN/FENOMENET
agent
agent
modell
agent
fenomen
Omarbetat från: http://prblog.typepad.com/photos/uncategorized/2007/06/22/simple_social_network.png
8
MODELLTAXONOMI 1
Konceptuella modeller (exempelvis växthuseffekten:
”gaserna i en planets atmosfär blockerar den utgående
värmestrålningen från planetens yta och leder till
uppvärmning.”)
Ikoniska modeller (såsom skalmodeller, bildliga modeller
och ritningar)
Analoga modeller (uppstår genom analogi med ett känt
system, t.ex. atom modellerad med elektroner som
planetsystem). System som studeras jämförs med ett
system med känd dynamik, och samma dynamik antas
gälla.
9
MODELLTAXONOMI 2
Symboliska modeller (symboler används att beskriva
fenomen – t.ex. matematiska modeller som används av
ekvationer)
Statistiska modeller (en delmängd av symboliska modeller som
använder sig av matematiska verktyg från sannolikhetsläran.
10
MODELLTAXONOMI 3
Fenomenologiska modeller (svarta lådor där interna
mekanismerna är ointressanta som en modell för
befolkningsdynamik använt på tillväxt av celler) Ett
felaktigt exempel från boken är modell av hjärnan som
beräkningsmaskin. Detta är inte en fenomenologisk
modell om beräkningar antas vara av mer generell typ än
Turing maskin – ”natural computing”. Human Brain Project
http://www.humanbrainproject.eu/
Gordana’s tillägg
Simuleringar (exekverbara modeller)
Generativa modeller (t.ex. cellular automata modeller)
11
FENOMEN, TEORI OCH MODELL 1
Fysiker söker ”Grand Unified Theory” – en teori som kan
förklara så mycket av verkligheten som möjligt.
Modellen är alltid en förenkling. En karta som vore 1:1
vore värdelös.
Modeller har ett syfte och vill belysa aspekter av
verkligheten/fenomen.
En teori brukar inom vetenskapsteori sägas vara en
uppsättning påståenden i form av matematiska ekvationer
eller som meningar i vanligt språk, ur vilka man kan
härleda påståenden som alltid är sanna i det system som
teori beskriver.
12
FENOMEN, TEORI OCH MODELL 2
Mer generellt kan en teori sägas bestå av en samling
koncept och observerbara fenomen tillsammans med
regler eller lagar som beskriver hur observationer av
fenomen relaterar till koncepten.
Teori kan sägas ge ett ramverk med vilket modeller för
specifika fenomen eller system kan konstrueras.
Modeller ofta används som hjälpmedel för att undersöka
fenomen
Modeller används för att bilda teorier
13
TEORI ELLER MODELL?
Ibland är de förvillande lika, och vad som klassas som
modell eller teori varierar.
Standardmodellen inom fysiken som beskriver
växelverkan mellan olika elementärpartiklar har en form
och innehåll av en teori, trots sitt namn.
14
TEORIER
Teorier har följande egenskaper:
1. Korrekthet
2. Fullständighet
3. Generalitet
4. Enkelhet
Nancy Cartwright påstår att teorier inte säger oss något
(konkret) om verkligheten just för att de är så abstrakta.
(Eller mellan teori och verklighet står modellen som gör
kopplingen mellan det abstrakta och det konkreta.)
15
MODELLER
Modeller, enligt boken, ska vara:
1. Korrekta eller felaktiga
2. Ofullständiga
3. Specifika (mer eller mindre, beroende av typ)
4. Enkla eller komplicerade
För att kunna tolka utfallet i ett experiment behöver vi en
modell för experiment.
Informationsteoretiska aspekter av modeller – kopplingen
mellan olika informationsnätverk.
16
MODELLER
Validering handlar om att bygga rätt modell
Verifiering handlar om att bygga modellen rätt
Prediktiva vs. Förklaringsmodeller
Modellen är bron mellan fenomen och teori
Rådata måste behandlas
Fenomenet styr vilka delar av teorin man använder sig av
och vilka approximationer och förenklingar som är rimliga.
Teorin definierar vilka slags entiteter, storheter och
växelverkningar mellan dessa som modellen kan
innehålla.
17
KONSTRUKTION OCH BRUKET AV MODELLER
Rådata
Experiment
Data
Modell
Fenomen
Teori
Definition och begränsning
18
SIMULERINGAR
När relationerna mellan olika variabler eller matematiska
modeller är så komplicerade att det är svårt att undersöka
systemets beteende används simuleringar
Ett typiskt exempel: meteorologiska modeller,
klimatmodeller eller modeller av andra komplexa system
som biologiska och sociala system
Datordrivna simuleringar används för att studera
dynamiska förlopp (beteenden)
Används ofta i kombination med analytiska modeller för
att kunna göra parameterstudier
19
PARAMETRAR
Parametrar bestämmer vissa egenskaper hos entiteter
eller styrkan av växelverkan mellan entiteter i modellen.
En viktig del av modelleringen består i att undersöka hur
känslig modellen är för förändringar i parametrarna –
känslighetsanalys eller robusthetsanalys.
När man jämför värdena med experiment, krävs det
ytterligare en modell – en modell för experimentet.
20
MODELLER ÄR ALLTID APPROXIMATIVA
”All models are wrong, but some are useful.” Box, G.
Typer av ”modellfel”:
1.
2.
3.
4.
5.
Begränsad tillämpbarhet.
Idealiseringar och förenklingar som inte finns i verkligheten.
Ofullständighet (modellen utelämnar viktiga processer ,
egenskaper eller beståndsdelar i fenomenet).
Antaganden om existensen av beståndsdelar, processer eller
egenskaper som inte finns i verkligheten.
En modell kan ge felaktiga förutsägelser.
21
PÅ VILKET SÄTT KAN EN FELAKTIG MODELL
VARA ANVÄNDBAR?
1.
2.
3.
4.
5.
6.
Den kan fungera som en startpunkt för en serie av mer komplexa
och verklighetstrogna modeller
Den kan leda oss in på nya tankebanor om vilka mekanismer som
verkar i systemet
En modell som ger förutsägelser som avviker från experimentella
data kan ge oss möjlighet att uppskatta storleken av parametrar
som inte är inkluderade.
En enklare modell ger oss möjlighet att studera mekanismer
Två modeller med extrema antaganden kan ringa in fenomenet
En uppsättning med olika ”felaktiga” modeller kan visa vilka
egenskaper hos systemet som är robusta och dyker upp i alla
modeller och är oberoende av antaganden.
22
MODELLENS ANVÄNDBARHET
Användbarhet
Begriplighet
Komplexitet
Komplexitet
23
MODELLENS BEGRIPLIGHET VS.
PREDIKTIONSKRAFT
Begriplighet
II
III
B
A
I
IV
C
Prediktionskraft
24
GENERALITET OCH MÅNGFALD
Generalitet: Är man intresserar av att bota en sjukdom,
t.ex. vill man inte skapa modellen för en specifik människa
(inte än!) utan för en medelmänniska (modellmänniska!)
Man vill inte heller skapa en modell av alla sjukdomar utan
just specifika sjukdomen man vill bota (Men, naturligtvis i
en sociologisk studie där man undersöker beteende av
sjuka människor kan man modellera en sjuk människa i
största allmänhet. Alltså är modeller alltid skapade för ett
syfte och beroende av sitt syfte.)
25
GENERALITET OCH MÅNGFALD
Generella studier av olika fenomen: von Neumanns
modell av självreplikation
Man kan se modeller som verktyg eller som olika språk
Exempel på två olika modeller av slemsvamp (slime mold,
Dictyostelium discoideum):
http://www.youtube.com/watch?v=sDdDN_EWpVM
http://www.youtube.com/watch?v=bkVhLJLG7ug
Simulering http://www.youtube.com/watch?v=5Zxws6Ub5-U
Keller-Segel modellen – partiell differentialekvation (reactiondifusion model of population dynamics)
http://en.wikipedia.org/wiki/Lee_Segel
26
FAROR MED MODELLERING
Modeller kan feltolkas och även medvetet missbrukas för
att rättfärdiga vissa i förväg bestämda uppfattningar
(speciellt ökänd är missbruk av statistiska modeller)
Ofta har modeller en rad viktiga antaganden som
begränsar deras giltighetsområde. Man måste vara
välmedveten om vilka antaganden modellen förutsätter för
att kunna använda modellen rätt.
Till exempel kan en modell som är avsedd att göra
förutsägelser på korta tidsskalor användas för att göra
prediktioner mycket längre in i framtiden, eller så kan det
röra sig om en modell som är giltig i ett visst parameterområde och vars approximationer inte är giltiga annars.
27
FAROR MED MODELLERING
En annan fara med modeller är att de kan uppfattas inte
som förenklade representationer utan som verkligheten
själv. Detta blir ett ökade problem i simuleringar med
verklighetstrogna grafiska interface där man luras till att
tro att man sysslar med verkligheten och inte med
modellen.
Användning av modeller är alltid en fråga om avvägning
av alternativ. Är alternativet ren gissning då är modellen
vanligtvis att föredra för den inför struktur och
begränsningar och kan utgöra ett verktig för fortsatta
förbättrade studier, som i frågan om klimatmodeller.
28
DEN VETENSKAPLIGA METODEN
Deduktion
BEFINTLIGA TEORIER
OCH OBSERVATIONER
1
URVAL MELLAN
KONKURRERANDE TEORIER
HYPOTES
FÖRUTSÄGELSER
2
3
Induktion deduktion, analogi,
intuition...
Hypotesen
Hypotesen
måste justeras
måste justeras
Hypotesen
måste
omarbetas
radikalt
TESTER OCH NYA
OBSERVATIONER
6
Överensstämmelse
uppnådd
BEFINTLIG TEORI BEKRÄFTAD
4
Den hypotetisktdeduktiva cykeln –
BASERAD PÅ MODELLER
(i en ny kontext) eller
Den offentliga,
forskarsamhälleliga cykeln
NY TEORI PUBLICERAD
5
29
MODELLERING INOM DET RÅDANDE
EVOLUTIONÄRA PARADIGMET
Paradigm: An overall framework, pattern or premises to which
subsequent evidence is made to conform.
30
EVOLUTION, INTENTIONALITY AND
INFORMATION
Conference: University of Bristol, 29-31 May 2013
The key questions to be discussed are:
Is the use of intentional and strategic concepts in evolutionary
biology useful? Is it dispensable? It is ever harmful or misleading?
Is the use of informational concepts in evolutionary biology
useful? Is it dispensable? Is is ever harmful or misleading?
What is the relation, if any, between the use of intentional,
strategic and informational concepts in evolutionary biology, and
the actual evolution of intentionality, strategic behaviour and
information-processing?
http://www.bristol.ac.uk/philosophy/department/events/evolution-intentionality.html
31
EVOLUTION SOM ETT PARADIGM AV PROCESS
SOM ÖKAR KOMPLEXITET
Complexity as a new global paradigm is shared by a large
part of the scientific community. Complexity clearly fulfills
one of the basic premises of a paradigm in the sense of
Kuhn by constituting a new way to pose and solve a set of
problems in a certain scientific area. It represents a radical
shift of perspective with respect to previously prevailing
ideas with emphasis on probabilistic views, lack of
predictability, information processing, evolution, and
adaptation.
Evolution in Physics - development of the universe from
the Big Bang until now, Chemistry – increasing complexity
of chemical compounds, Biology, History, …
32
EVOLUTION I BIOLOGI
"This year was not marked by any of those striking
discoveries which at once revolutionize… science”
(Thomas Bell, president of the Linnean Society of
London, summarizing the year 1858, the year in which
Darwin had presented his theory of evolution to the
Society)
33
KORT HISTORIK AV BIOLOGI
1859: CHARLES DARWIN
EVOLUTION = VARIATION+SELECTION
1865: GREGOR MENDEL
UNITS OF TRANSMISSION OF TRAITS
1920S: POPULATION GENETICS (PROBABILITIES)
1940S: MODERN SYNTHESIS(VARIATION=MUTATION)
1944: DNA
1953: GENETIC CODE
1960S: TRANSLATION OF FOUR-LETTER GENETIC CODE INTO
TWENTY-LETTER LANGUAGE OF PROTEINS
2000s: HUMAN GENOME - completion of the human genetic
sequence
34
DESIGN UTAN DESIGNER
THE EVOLUTIONARY PARADIGM:
SELECTION AND
VARIATION
(I.E. ENVIRONMENT AND RANDOMNESS)
DESIGN EMERGES SPONTANEOUSLY VIA AN
ALGORITHMIC PROCESS
35
EVOLUTIONENS MÅNGA FORMER
Evolution: change over time.
Biological Evolution: the change in the frequency of
genetic variations (alleles) in a population of organisms
over time.
The Evolutionary Paradigm: the origin and nature of the
universe are products of natural forces.
36
VARFÖR ANVÄNDA EVOLUTION SOM
MODELL FÖR ATT LÖSA
BERÄKNINGSPROBLEM?
37
BERÄKNINGSPROBLEM OCH DERAS
EGENSKAPER
Require algorithm to be adaptive or to construct original
solution (e.g. interfaces that must adapt)
Require search through many possibilities to find a
solution (e.g. search through sets of rules for one set that
best predicts the ups and downs of the financial markets)
Search space too big - search won’t return within our
lifetimes
These types of problems are better solved using a parallel
approach
38
Evolutionen har visat sig vara en bra modell för att
lösa vissa klasser av problem (1)
Evolution is in effect a method of searching for the best
(optimal) solution from a great number of possibilities
Possibilities - all individuals
Best solution - the most “fit” or well-adapted individual
Evolution is a parallel process
Testing and changing of numerous species and individuals
occur at the same time (or, in parallel)
39
Evolutionen har visat sig vara en bra modell för att
lösa vissa klasser av problem (2)
Evolution can be seen as a method that designs new
(original) solutions to a changing environment
40
När använda evolutionära beräkningsstrategier?
When space to be searched is large
When the “best” solution is not necessarily required
Approach to solving a problem not well-understood
Problems with many parameters that need to be
simultaneously optimized
Problems that are difficult to describe mathematically
41
Evolutionär robotik och Alife
Evolutionary Robotics (ER) is a methodology that uses evolutionary
computation to develop controllers for autonomous robots. Algorithms in ER
frequently operate on populations of candidate controllers, initially selected
from some distribution. This population is then repeatedly modified
according to a fitness function. In the case of genetic algorithms (or "GAs"),
a common method in evolutionary computation, the population of candidate
controllers is repeatedly grown according to crossover, mutation and other
GA operators and then culled according to the fitness function.
Artificial life (commonly Alife or alife) is a field of study and an associated art
form which examine systems related to life, its processes, and its evolution
through simulations using computer models, robotics, and biochemistry.
Wikipedia
Se även: synthetic life, morphological computing, synthetic morphology
42
