English· Español· Deutsch· Nederlands· Français· 日本語· ქართული· 繁體中文· 简体中文· Português· Русский· العربية· हिन्दी· Italiano· 한국어· Polski· Svenska· Türkçe· Українська· Tiếng Việt· Bahasa Indonesia

un

khách
1 / ?
trở lại bài học

Cảnh Quan Mô Hình

Mô phỏng một lĩnh vực khoa học như một cảnh quan tổn thất: một hàm L(p) trên không gian mô hình P, trong đó L(p) = bằng chứng không được giải thích dưới mô hình p. Một mô hình giải thích mọi thứ có L = 0 (hoàn hảo). Một mô hình để lại nhiều bằng chứng không được giải thích có L cao.

Mô hình hiện tại nằm ở một cực tiểu địa phương: nó giải thích hầu hết bằng chứng đã biết, vì vậy các độ lệch nhỏ từ nó sẽ tăng L. Đây là lý do tại sao các mô hình ổn định — giảm gradient tiếp tục quay lại chúng.

Kiến thức chuyên gia làm sâu gradient xung quanh cực tiểu hiện tại: hàng chục năm công việc lấp đầy chi tiết, mở rộng phạm vi của mô hình, & giải thích các bất thường đều làm tăng độ dốc của các bức tường lưu vực. Gradient xung quanh mô hình hiện tại trở nên dốc hơn.

Điều này dẫn đến nghịch lý của chuyên gia: càng sâu sắc kiến thức, càng khó thoát khỏi cực tiểu hiện tại. Các phẩm chất chính xác làm cho ai đó trở thành một chuyên gia tuyệt vời — kiến thức sâu sắc về mô hình hiện tại — lại làm cho họ ít có khả năng đạt được một cực tiểu khác, có thể sâu hơn.

Chuyển đổi mô hình = thoát khỏi một cực tiểu địa phương: mô hình mới có thể là một cực tiểu sâu hơn (giải thích tốt hơn) ở nơi khác trong không gian. Nhưng để đạt được nó, bạn phải trước tiên đi lên — tăng bằng chứng không được giải thích tạm thời — trước khi giảm xuống cực tiểu mới. Đây là giai đoạn 'khủng hoảng' trong thuật ngữ của Kuhn.

Không gian Mô hình: Các Cực tiểu Địa phương & Cấu trúc Liên kết Kiến thức

Giảm Gradient & Đầu tư Chuyên gia

Xem xét một mô hình p nằm ở một cực tiểu địa phương của L(p). Một quan sát bất thường mới tạo ra bằng chứng E mà mô hình hiện tại không thể giải thích, làm tăng L(p) một chút.

Giải thích tại sao một chuyên gia sâu sắc trong mô hình p* sẽ đáp ứng với bằng chứng bất thường E bằng cách tìm một giải thích phụ (một 'bản vá') thay vì từ bỏ p* vì một mô hình mới. Sử dụng mô hình cảnh quan tổn thất: việc vá trông như thế nào về mặt hình học, & tại sao nó là phản ứng hợp lý theo gradient?

Các Lưu vực Lôi cuốn trong Không gian Mô hình

Mỗi cực tiểu địa phương trong L(p) có một lưu vực lôi cuốn: vùng không gian mô hình từ đó giảm gradient dẫn đến cực tiểu đó.

Một chuyên gia trong mô hình p đã dành nhiều năm bên trong lưu vực của p. Họ biết cấu trúc địa phương ở mức độ chi tiết lạ kỳ. Họ có thể điều hướng lưu vực một cách hiệu quả — đây là chuyên môn của họ.

Một người ngoài đến tại một điểm khác trong không gian mô hình. Họ có thể bắt đầu từ một điểm hoàn toàn bên ngoài lưu vực của p — có thể ở lưu vực của một mô hình khác, hoặc tại một điểm yên ngựa, hoặc ở một vùng phẳng có gradient nhỏ. Họ không có gradient mạnh mẽ kéo họ về phía p.

Đây là giải thích hình học về lợi thế của người ngoài: họ chưa bị giảm gradient vào cực tiểu hiện tại. Vị trí bắt đầu của họ trong không gian mô hình ít bị ràng buộc.

Hai chế độ lỗi chuyên gia trong các điều khoản cảnh quan:

- Âm giả (chống lại ý tưởng mới hợp lệ): ý tưởng mới tương ứng với một cực tiểu địa phương khác. Chuyên gia, sâu trong lưu vực của họ, nhận thấy hướng về cực tiểu mới là lên dốc (làm tăng L) & từ chối nó.

- Dương giả (thúc đẩy ý tưởng không hợp lệ): ý tưởng mới vá một bất thường nhỏ, giảm xuống bên trong lưu vực hiện tại. Cảm nhận gradient của chuyên gia nói 'có, điều này giảm L' — nhưng nó có thể đang chuyển đến một cực tiểu cạn hơn, không phải một sâu hơn.

Các Chu kỳ Kuhn như Động lực Giảm Gradient

Thomas Kuhn mô tả chu kỳ: khoa học bình thường (giảm gradient trong lưu vực hiện tại) → tích lũy các bất thường (L tăng ở p*) → khủng hoảng → chuyển đổi mô hình (bước nhảy vào lưu vực mới) → khoa học bình thường mới.

Trong mô hình cảnh quan tổn thất, mô tả cảnh quan trông như thế nào trong mỗi bốn giai đoạn của Kuhn. Đối với mỗi giai đoạn, nêu: (a) hệ thống ở đâu trong cảnh quan, (b) giảm gradient đang làm gì, & (c) tích lũy bất thường trông như thế nào về mặt hình học.

Không thể như Biên giới của Vùng Khả thi

Một chứng minh không thể trong toán học hoặc kỹ thuật có thể được mô hình hóa hình học như một vùng khả thi trong một không gian tham số nào đó.

Ví dụ: kết quả nâng nước 33 feet. Tham số là h = chiều cao nâng. Cơ chế bơm hút định nghĩa một ràng buộc: h ≤ P_atm/ρg ≈ 10,3 m. Ràng buộc này định nghĩa một vùng khả thi F = {h : h ≤ 10,3 m}. Chứng minh không thể nói: đối với các bơm hút hoạt động thông qua cơ chế này, vùng khả thi không bao gồm h > 10,3 m.

Bơm sóng dừng hoạt động trong một không gian tham số khác. Nó không sử dụng hút; nó sử dụng áp suất động. Ràng buộc khả thi là khác; vùng khả thi lớn hơn.

Giả định ẩn của chứng minh không thể tương đương với giả định rằng vấn đề nằm trong không gian tham số đầu tiên (cơ chế hút). Khi giả định này thất bại — khi giải pháp được phép sử dụng một cơ chế khác — bạn đang làm việc trong một không gian tham số khác với một vùng khả thi khác.

Hình học: chứng minh không thể chứng minh rằng h > 10,3 m nằm bên ngoài vùng khả thi của bơm hút. Nó không nói gì về h trong vùng khả thi của các thiết bị sóng dừng.

Xác định Ràng buộc Ẩn

Xem xét khẳng định: 'Bạn không thể giao tiếp thông tin với tốc độ cao hơn băng thông của kênh.' Điều này được rộng rãi tin tưởng trước công trình của Shannon.

Shannon đã chỉ ra vào năm 1948 rằng khả năng kênh C = B log₂(1 + S/N), trong đó B là băng thông & S/N là tỷ số tín hiệu trên nhiễu. Giả định ẩn trong khẳng định không thể trước Shannon là gì — ràng buộc xác định 'vùng khả thi' mà các chuyên gia tin rằng tốc độ thông tin bị giới hạn? & Chứng minh của Shannon chỉ ra điều gì về ràng buộc đó về mặt hình học?