Bayesianism
基于贝叶斯主义（Bayesianism）科学哲学核心思想
一、基本思想
贝叶斯主义科学哲学的核心是 “概率即合理置信度”。它认为科学假说虽然不能被绝对证实或证伪，但我们可以根据证据理性地评估对其相信的程度（即赋予其概率）。这个“概率”不是传统频率主义理解的“长期重复事件的频率”，而是 认知主体在给定信息下，对命题为真的合理置信度。
其运作框架基于 贝叶斯定理：
其中：
\(P(H)\) 先验概率：在看到新证据E之前，对假说H的初始合理置信度
\(P(E|H)\) 似然度：如果假说H为真，观察到证据E的可能性大小
\(P(E)\) 证据的边际概率：在所有可能假说下，观察到证据E的整体可能性
\(P(H|E)\) 后验概率：在看到证据E之后，对假说H更新后的合理置信度
核心思想可概括为三点：
信念的量化与主观性
科学信念可以用0到1之间的概率值表示。 先验概率 可以是主观的（基于科学家个人的背景知识、直觉等），这常被视为其争议点，也是其出发点。
信念的动态更新
科学是一个 理性学习的过程。当新证据出现时，科学家应根据贝叶斯定理 动态更新 其信念。证据E支持假说H，当且仅当它在H下比在其它竞争假说下更可能出现（即 \(P(E|H) > P(E| neg H)\)），从而提高H的后验概率。
确证理论
证据E确证假说H，就是指E提高了H的概率，即 \(P(H|E) > P(H)\)。这提供了一个清晰、量化的确证标准。
二、主要代表人物
弗兰克·P·拉姆齐
早期先驱，提出了“打赌商”的论证，为将主观信念解释为概率奠定了哲学基础。
布鲁诺·德·菲内蒂
发展了主观概率理论，提出了“意见收敛定理”，论证即使持有不同先验信念的理性主体，在面对不断增加的相同证据时，其后验概率也会趋于一致。
鲁道夫·卡尔纳普
虽然属于逻辑实证主义，但他后期试图构建基于逻辑关系的“确认函数”，是贝叶斯确证理论的逻辑版本先驱。
- 理查德·C·杰弗里
将贝叶斯主义系统化，并扩展了其应用范围，提出了“概率动力学”来描述信念更新的连续过程。
科林·豪森 与 理查德·斯温伯恩
当代最重要的贝叶斯科学哲学家。豪森的《贝叶斯确证理论》是该领域的经典，斯温伯恩则将其广泛应用于科学哲学和宗教哲学的论证中。
三、影响与价值
为科学推理提供精确模型
首次为不确定条件下的科学推理（假说选择、证据权重、理论比较）提供了一个强大、精确、可计算的数学模型。它形式化了“权衡证据”、“理论在证据面前更可能/更不可能了”等直觉。
解决归纳问题的新思路
为古老的“归纳法何以合理”问题提供了新答案。贝叶斯更新本身就是一种自我修正的归纳学习过程。德菲内蒂的“意见收敛定理”表明，从不同的主观起点出发，理性的归纳学习最终能导向共识。
统一解释科学活动
理论评估：解释为何新颖、精确的预测（低 \(P(E)\) 但高 \(P(E|H)\)）能为理论提供强力支持
判决性实验：当两个竞争假说对同一证据的预测截然不同时，实验结果能大幅提高一个假说的概率，同时大幅降低另一个
特设性假说：解释了为何特设性假说（为挽救理论而硬加的、没有独立证据的修改）是糟糕的——它们通过降低先验概率来勉强维持理论，损害了理论的整体概率
强大的跨学科影响力
统计学：催生了整个 贝叶斯统计学 领域，与频率主义统计分庭抗礼
人工智能与机器学习：是现代AI（特别是概率图模型、贝叶斯网络、自动推理系统）的基石之一
认知科学：为人类的学习、感知和决策提供了规范性模型（“人类是直观的贝叶斯主义者吗？”）
经济学、心理学、法学：广泛应用于风险评估、决策理论、证据法学等领域
四、面临的批评
先验概率的主观性
批评者（如波普尔主义者）认为，科学应追求客观性，而先验概率的“主观”起点是不科学的。贝叶斯主义者回应称，先验会在大量证据下“被冲刷掉”，且科学共同体的协商可以约束“合理”的先验。
旧证据问题
一个已知为真很久的证据（如水星近日点进动），如何还能在支持一个新理论（如广义相对论）时发挥作用？这需要复杂的贝叶斯解释。
计算复杂性
在复杂模型中，计算后验概率往往在数学和计算上极其困难（尽管马尔可夫链蒙特卡洛等现代计算方法已大大缓解了此问题）。
总结
贝叶斯主义科学哲学的核心贡献在于，它将科学视为一个 在不断涌现的证据面前，理性主体进行概率性信念更新的动态过程。它用数学的严谨性，揭示了科学进步背后的“学习逻辑”，极大地深化了我们对“科学理性”的理解，并在科学内外产生了深远而广泛的实践影响。