Filosofia dell'informazione/Informatica e Filosofia della scienza

Wikibooks, manuali e libri di testo liberi.
Jump to navigation Jump to search
Concetti fondamentali
I computer nella società
Mente e Intelligenza Artificiale
Mondi reali e virtuali
Linguaggio e conoscenza
Logica e probabilità
Scienza e tecnologia
Risorse

Il capitolo 23 riguarda i modelli computazionali e il loro contributo alla filosofia della scienza.

Modellizzazione cognitiva[modifica]

Uno dei modelli computazionali è la modellizzazione cognitiva, che simula il pensiero degli scienziati nella costruzione delle ipotesi e della valutazione. Ogni modello computazionale infatti, prevede una scoperta e una successiva valutazione. Nel primo modello citato, il progetto pioniere è stato il BACON, un programma che usa euristici, ovvero metodi approssimativi per la scoperta di leggi matematiche a partire da dati numerici. Ma uno dei più importanti meccanismi di scoperta è l'analogia, che adatta conoscenze già affermate a nuovi problemi. A tal proposito occorre citare l'ACME, un motore di mappatura dei vincoli analogici. Per valutare le ipotesi, è adottato il modello della rete neurale, con unità simili ai neuroni, connesse l'una all'altra da legami eccitatori o inibitori. Tali proprietà si trovano, ad esempio, in ECHO, che pone i legami tra unità-ipotesi e unità-prova in base ad un rapporto di coerenza.

Ingegneria dell'Intelligenza Artificiale[modifica]

Un altro modello è quello della AI (INTELLIGENZA ARTIFICIALE). Entro quest'ultimo si colloca DENDRAL,che analizzando i dati di un campione chimico organico, ne determina la struttura molecolare, il TETRAD, che analizza dati di statistica, ad esempio nel campo dello sviluppo industriale, per la costruzione di un grafico di relazioni causali ipotetiche. Il contributo dato dai modelli computazionali consiste nell'accrescimento della conoscenza scientifica, ampliando anche il linguaggio logico con nuove rappresentazioni, e nel formulare ipotesi e valutarle al fine di produrre efficacemente teorie sempre nuove.

Valutazione[modifica]

Le teorie scientifiche possono essere valutate con un metodo diverso, secondo una prospettiva computazionale. Molti filosofi della scienza, tra i quali Howson e Urbach, adottano un approccio, alle domande di valutazione delle ipotesi, di tipo bayesiano. Questo tipo di legame, tenta di usare la teoria della probabilità per descrivere e prescrivere, il modo in cui vengono valutate le teorie scientifiche.

Ma queste indagini computazionali di tipo probabilistico devono affrontare problemi importanti, i quali di solito vengono ignorati dai filosofi. Tipico problema è la distribuzione completa delle probabilità per tutte le proposizioni che rappresentano ipotesi e prove, le quali richiederebbero uno sforzo immenso alla macchina, esaurendo rapidamente la memoria e la capacità di elaborazione di qualsiasi computer. Molti problemi, dei quali si è detto, sono stati limitati usando reti causali in grado di limitare, sorprendentemente l'elaborazione delle molteplici proposizioni all'interno della macchina. Questo metodo valutazionale è stato usato anche in campo medico da un gruppo di ricercatori d'intelligenza artificiale dello stato dell'Ohio, utilizzando un sistema chiamato RED, il quale deduce gli anticorpi presenti nelle cellule di un determinato paziente. RED esegue una versione automatica usando l'euristica per formare un'ipotesi riguardante quali anticorpi sono presenti in un campione. È interessante notare come RED abbia raggiunto una percentuale soddisfacente rispetto ad un altro dei programmi di coerenza esplicativa, chiamato ECHO. L'approccio ingegneristico all'IA ha prodotto evidenti vantaggi sulla modellizzazione cognitiva nel trattare alcuni problemi, come le ipotesi di mining (estrazione) da grandi basi di dati.

Teoria del calcolo[modifica]

Sia in ambito cognitivo che l'intelligenza artificiale sono metodi usati, della filosofia della scienza, per risolvere questioni computazionali sopra descritte. Ma è anche possibile un approccio teorico alle questioni computazionali diverso, sfruttando i risultati di una teoria del calcolo per arrivare a conclusioni sui processi di scoperta e di valutazione.

Scoperta[modifica]

La scoperta scientifica può essere vista come un problema nella teoria dell'apprendimento formale, in cui l'obiettivo primario è identificare una lingua, data una stringa di input. Sebbene la teoria dell'apprendimento formale ha prodotto alcuni teoremi interessanti, limitati però, nella loro rilevanza in diversi aspetti, come il valore fisso di linguaggio: limitando considerevolmente la creatività terminologica, essendo un valore importante allo sviluppo scientifico. Inoltre, la teoria tende a vedere le sole ipotesi prodotte data una funzione dei dati di input, piuttosto che una funzione molto più complessa dei dati, dei concetti e delle teorie possedute da uno scienziato. Tuttavia, la teoria può far luce su un più realistico tipo di scoperta scientifica. Schulte, ha fornito un resoconto formale di un problema in fisica, osservando e deducendo i principi di conservazione che regolano tutte le reazioni tra particelle elementari. Anche Kelly, discute su metodi più realistici per modellare la scienza, i quali verranno esaminati nella prossima sezione.

Valutazione[modifica]

La teoria della complessità computazionale ha fornito alcuni risultati interessanti riguardo la valutazione delle ipotesi. Supponiamo di avere n ipotesi ed n desideri e valutare tutti i modi nei quali le combinazioni possono essere accettate e respinte: devi quindi considerare 2n possibilità, un numero incredibilmente grande. Bylander et al. (1991) ha dato una definizione formale ad un problema di abduzione consistente di un insieme di dati da spiegare e un insieme di ipotesi per spiegarle. Hanno mostrato che il problema di scegliere la migliore spiegazione è NP-difficile, cioè appartiene a una classe di problemi che sono generalmente concordati dai teorici computazionali, in quanto i tempi per calcolarli sono esponenzialmente alti. Allo stesso modo, Thagard e Verbeurgt, mostrano come la valutazione della teoria, se concepita in termini di probabilità bayesiane, deve essere gestita mediante l'approssimazione computazionale, non attraverso algoritmi esaustivi. Finora, i risultati teorici sulla coerenza e la valutazione scientifica è stata in gran parte negativa, ma servono a delineare i limiti entro cui la modellazione computazionale deve funzionare. Kelly (1996, 2001) ha affrontato il problema di valutazione da una prospettiva formale, suggerendo che la filosofia della scienza dovrebbe mirare a specificare procedure affidabili garantite. Per Kelly, non basta essere in grado di dire quando la teoria è migliore ad un'altra; piuttosto fornire algoritmi giusti, i quali convergeranno su risposte giuste, come in Schulte (2000). Non è chiaro se l'inferenza scientifica in generale è aperta a questo tipo di analisi, poiché la deduzione di teorie che postulano entità teoriche come i quark, i geni e le rappresentazioni mentali sembrano inevitabilmente rischiose.

Ciò che l'informatica aggiunge alla Filosofia della scienza[modifica]

Più di venti anni fa, Aaron Sloman(1978) ha pubblicato un libro, The Computer Revolution in Philosophy, ritenendo necessario, per una completa preparazione del filosofo, il sapere informatico. Questo capitolo può terminare con un riassunto di ciò che si ottiene aggiungendo la modellazione computazionale ai già noti strumenti filosofici. Portare l'intelligenza artificiale in filosofia della scienza introduce nuove risorse concettuali per occuparsi della struttura e della crescita della conoscenza. Rappresentazioni utili come le gerarchie di concetti, reti causali e modelli dinamici, possono legarsi ai già noti schemi basati sulla logica formale e su linguaggio ordinario nonché considerare, da una prospettiva computazionale, algoritmi per generare leggi numeriche, scoprire reti causali, formando concetti e ipotesi. L'IA non fornisce solo nuove risorse concettuali alla filosofia della scienza, ne porta anche una nuova metodologia che implica la costruzione e il collaudo di modelli computazionali. Questa metodologia ha in genere numerosi vantaggi: in primo luogo la precisione dell'analisi computazionale, in secondo luogo la programmazione di un'eseguibile che attesti, il suo reale contributo in un processo scientifico.

La valutazione dei modelli cognitivi può indirizzare domande come le seguenti:

  • Genuinità: modellare un'autentica istanziazione delle idee teoriche sulla struttura e crescita della conoscenza scientifica, è programmare una vera implementazione del modello?
  • Ridimensionamento: il modello si adatta agli esempi che sono considerevolmente più grandi e più complessi rispetto a quelli a cui è stato applicato?
  • In forma qualitativa: il modello computazionale esegue gli stessi tipi di compiti che le persone fanno all'incirca allo stesso modo?
  • Misura quantitativa: può il modello computazionale simulare aspetti quantitativi in esperimenti psicologici, ad es. facilità di richiamo e mappatura in problemi di analogia?

Modelli computazionali dei processi di pensiero che soddisfino questi criteri hanno il potenziale per aumentare la nostra comprensione in ambito scientifico enormemente. L'attenzione di questo capitolo è rivolta ai modelli di computazione, in grado di contribuire allo sviluppo della filosofia della scienza. A titolo di conclusione, ecco un elenco di alcuni problemi aperti che sembrano alimentare l'indagine filosofica. Nella scoperta scientifica, ad esempio, troviamo domande del tipo: "Come potrebbero evolvere le specie?" o "Perché il i pianeti ruotano attorno al sole? ".

Qual è il ruolo delle emozioni nel pensiero scientifico? Gli scienziati spesso generano domande attraverso stimoli emotivi, come la curiosità o la sorpresa, ma nessuna simulazione al computer ha ancora preso in considerazione le emozioni. Che ruolo giocano le immagini visive nella struttura e crescita della conoscenza scientifica? Sebbene vari filosofi, storici e psicologi hanno documentato l'importanza delle rappresentazioni visive nel pensiero scientifico, le esistenti tecniche computazionali non sono state ben eseguite per fornire modelli dettagliati del ruolo cognitivo delle immagini mentali pittoriche (vedi per es. Shelley 1996). Qualche passo in avanti c'è stato (ad esempio Davies & Goel 2000; Croft & Thagard 2002), ma queste scoperte non sono ancore applicate in ambito scientifico e computazionale.