数据的科学哲学探析后记与参考文献

　　后记

　　这里，需要考虑到可能出现的反驳以给出必要的回应。可能反驳 1:感性现象就是经验观察到的现象，而知性现象不可知，跟传统的观察与理论二分无异。

　　回应：感性现象不是纯粹的经验观察，之所以强调它是可观察的，缘以它是单称的现象命题，是经过感性直观修饰的。所谓的"感性现象"其实是先天综合判断，这一点回归到正统的康德哲学关于现象的解释。而"知性命题"则完全不在康德的解释范畴，它恰好是与感性直观撇清关系的，独立于经验判断的事物共相。所以说，两者不是截然的划分，而是刻画现象的两个层面。观察是经验主义获得知识的可靠来源，站在经验主义的立场，纯粹的感性直观只能是感官表象（representation of senses），并没有涉及现象。动态模型接受观念论的理论负载问题指责，重构起数据、现象和理论之间相互作用的框架。数据本身就是通过理论获取的，其整理分析也由一般性理论控制，离开理论的数据没有意义。然而数据模型在调和现象与理论关系的过程中仅仅是在方法论意义上，我们并不需要单纯的数据来推出理论或是要求理论一定要符合数据的分析结果，理论最终是要对现象"负责".所以，数据的理论负载问题就变得不重要了，科学理论的目的是要"拯救"现象。借鉴康德的现象概念理解，同时避免其在现象本质立场的主观主义，可以代替在可观察现象与不可观察现象之间做出区分。

　　可能反驳 2:关于知性现象刻画事物本质，科学理论解释知性现象存在明显的本质主义的倾向。回应：不可否认，实在论倾向于假设物理系统存在本质的等级划分，他们将科学定律视为自然本身具有的趋势或能力陈述.理论定律的必然性正是因为其描述了现象的稳定机制，我们必须检验这些机制是否存在，尤其是关于那些不可观察现象。尽管科学定律的普遍性与必然性遭到质疑，毕竟通过理论解释事物本质总是尝试性的，但是这一信念会帮助我们对科学理论做出进一步的完善。但是，我们并不坚持科学理论的唯一性，虽然现象由数据推出，但是其具备局部的自治性，不同语境下的数据模型所导出的显著性模式也具备对应知性现象的可能。所以，这就形成了对同一现象存在多个完整的可解释的理论，又或者同一个数据集可以同时推导出多个可能的模式，也就对应着可能完全不同的理论模型。

　　在第一章中探寻了数据在本体论层面的内涵，通过区分数据与数字、事实和信息的不同，我们发现诉诸直觉的数据经验认识是教条主义。其中，数据与信息的对比尤为显眼。西方信息哲学中将信息视为普适计算主义框架下的基本要素，是作为心灵和整个世界的作用基质，但是，科学和技术范围内所广泛使用的"信息"却是那些由经验基础建构而产生的"数据".所以说，除却彻底的经验主义立场，我们必定要坚定的认为，科学事业在表征或寻找宇宙间内在机制的过程中，一定是在与信息"打交道",而不能是数据。否则的话，所有的科学知识将与实在现象彻底划清界限。同理的，对于心灵和智能的科学研究也不可避免的要回应这样的问题：科学研究到底是数据建模还是信息计算？如果是信息计算，那又该如何计算？

　　从上一问题出发，衍生出本文的重心，关于数据（模型）在科学知识体系中的角色与作用。 科学研究的对象，如语言、心灵、自然、宇宙等等，往往是复杂的、随机的、不确定状态或过程。并且，我们也很难独立出一个对象来进行专门的分析，世界的构成不可能是一个外在的理想实体，可以由少量的参数设定来建构对应模型，它是复杂的过程的不确定的结果。所以，在这一情形下，利用概率的数据模型来研究就成为必然选择。但遗憾的是，对于理想实体或状态的模型描述并不能回答关于真实世界的存在、由来和未来的种种疑问。由此，给定或承诺现象的本体论定义显得尤为必要。

　　虽然，动态模型给予理论多元化的可能性，但是科学理论的演化一定是由方向的，这就是知性现象本身。另一方面，对于理论的发展方向是具备选择和更替标准的，比如有些实在论者就认为，虽然所有的模式都同时显示于同一给定的数据集中，但它们并不具备相同的健壮性。笔者始终坚持，科学的目的是揭示实在现象内在机制，而非漫无目的的建构理论，以期符合眼花缭乱的表象。所以，动态的建构模型一定是偏向本体论重心的，而非仅仅是认识论意义上的融贯论。

　　参考文献：
　　
　　中文文献：
　　
　　[1] 刘红。 大数据的本体论探讨[J]. 自然辩证法通讯，2014,06.
　　[2] （日）成田真琴， 周自恒 译[M]. 大数据时代， 人民邮电出版社， 2013.
　　[3] （印）S.K.Singh 著。 何玉洁，王晓波等译。 数据库系统 概念、设计及应用[M].机械工业出版社， 2010.
　　[4] CODATA 中国全国委员会编。 大数据时代的科研活动[M]. 科学出版社，2014.
　　[5] Hey T, Tansley S, Tolle K. 第四范式：数据密集型科学发现。 潘教峰， 张晓林，译。 科学出版社。 2012.
　　[6] 程杰。 大话数据结构[J].清华大学出版社， 2011.
　　[7] 范·弗拉森。 科学的形象[M]. 郑祥福译，上海译文出版社， 2002.
　　[8] 李德毅。 不确定性人工智能[M]. 国防工业出版社， 2014.
　　[9] 马丁， 戴维斯， 张卜天。 逻辑的引擎[M]. 湖南科学技术出版社， 2012.
　　[10]齐磊磊 . 大数据经验主义--如何看待理论、因果与规律 [J]. 哲学动态，2015,07.
　　[11] 维克托， 迈尔。 舍恩伯格， 肯尼思？ 库克耶[M]. 大数据时代， 浙江人民出版社， 2013.
　　[12]魏瑾瑞，蒋萍。 数据科学的统计学内涵[J]. 统计研究，2014,05:3-9.
　　[13]张晓强，杨君游，曾国屏。 大数据方法：科学方法的变革和哲学思考[J]. 哲学动态，2014,08:83-91.
　　[14]赵国栋， 易欢欢， 靡万军， 鄂维南。 大数据时代的历史机遇： 产业变革与数据科学[M]. 清华大学出版社， 2013.
　　[15]朱扬勇， 熊赟。 数据学[M]. 复旦大学出版社。 2009.
　　
　　外文文献：
　　
　　[1] Apel, J. On the meaning and the epistemological relevance of the notion of a　scientific phenomenon[J]. Synthese, 2011, 182（1）。
　　[2] Bailer-Jones, D.M. Scientific models in philosophy of science[M]. University of　Pittsburgh Pre, 2009.
　　[3] Bogen, J& Woodward, J. Observations, theories and the evolution of the human　spirit[J]. Philosophy of Science, 1992.
　　[4] Bogen, J& Woodward, J. Saving the phenomena[J]. The Philosophical Review,1988.
　　[5] Borgman, C.L. Scholarship in the digital age[M]. MIT press, 2007.
　　[6] Brading, K& Landry, E. Scientific structuralism: Presentation and　representation[J]. Philosophy of Science, 2006, 73（5）。
　　[7] Brading, K. Autonomous patterns and scientific realism[J]. Philosophy of Science,2010, 77（5）。
　　[8] Cartwright, N. The dappled world: A study of the boundaries of science[M].　Cambridge University Press, 1999.
　　[9] Colburn, T. Methodology of computer science[J]. The Blackwell guide to the　philosophy of computing and information, 2004.
　　[10]Dhar, V. Data science and prediction[J]. Communications of the ACM, 2013,　56（12）。
　　[11] Falkenburg, B. What are the phenomena of physics? Synthese, 2011, 182 （1）。
　　[12]Floridi, L. （ed.）。 The Blackwell guide to the philosophy of computing and　information[M]. The Blackwell guide to the philosophy of computing and information,2004.
　　[13]Floridi, L. Is semantic information meaningful data?[J]. Philosophy and　Phenomenological Research, 2005, 70（2）。
　　[14]Frigg, R& Hartmann, S. Models in science[J]. The Stanford Encyclopedia of　Philosophy,2012.
　　[15]Gaber, M.M. Scientific data mining and knowledge discovery[M]. Springer,2009.
　　[16]Gitelman, L& Jackson, V. 'Introduction', in Gitelman（ed.）， Rawoxymoron[M]. MIT Press, 2013.
　　[17]Gitelman, L. Raw data is an oxymoron[M]. MIT Press, 2013.
　　[18]Glymou, B. Data and phenomena: A distinction reconsidered[J]. Erkenntnis, 2000,52（1）。
　　[19]Harris, T. Data models and the acquisition and manipulation of data[J].　Philosophy of Science, 2003, 70（5）。
　　[20]Hesse, M. Models and Analogies [M]//Newton-Smith, W.H （ed）。 A Companion to　the Philosophy of Science. Malden, MA: Blackwell, 2000.
　　[21]Jeffrey, M.S.Introduction to Data Science.Syracuse University School of　Information Studies,2012.
　　[22]Kitchin, R. The data revolution: Big data, open data, data infrastructures and their　consequences[M]. Sage, 2014.
　　[23]McAllister, J.W. Phenomena and patterns in data sets[J]. Erkenntnis, 1997, 47（2）。
　　[24]Morgan, M.S, Morrison M. Models as mediators: Perspectives on natural and　social science[M]. Cambridge University Press, 1999.
　　[25]Pereival, P. Theoretical Terms: Meaning and Reference [M]//Newton-Smith, W.H（ed）。 A Companion to the Philosophy of Science. Malden, MA: Blackwell, 2000.
　　[26]Pietsch, W. Big Data–The New Science of Complexity[J]. 2013.
　　[27]Pietsch, W. The Causal Nature of Modeling with Big Data[J]. Philosophy &　Technology, 2015.
　　[28]Rom, Harre. Laws of Nature[M]//Newton-Smith, W.H （ed）。 A Companion to the　Philosophy of Science. Malden, MA: Blackwell, 2000.
　　[29]Schindler, S. Bogen and Woodward's data-phenomena distinction, forms of　theory-ladenness, and the reliability of data[J]. Synthese, 2011, 182（1）。
　　[30]Shah, N. Big data, people's lives, and the importance of openness. DMLcentral,　June 24th[J]. 2013.
　　[31]Suppe, F. Understanding scientific theories: An assessment of developments,　1969-1998[J]. Philosophy of Science, 2000.
　　[32]Suppes, P. Models of Data ,Logic Methodology and Philosophy of Science,　Stanford, CA: Stanford University Press,1962.
　　[33]Tansley, S& Tolle, K.M. The fourth paradigm: data-intensive scientific　discovery[M]. Redmond, WA: Microsoft Research, 2009.
　　[34]Woodward, J. Data and phenomena: a restatement and defense[J]. Synthese, 2011,　182（1）。
　　[35]Woodward, J. Data, phenomena, and reliability[J]. Philosophy of Science, 2000.