为什么归纳推理的领域一般性模型是不可能的，本文主要内容关键词为：归纳论文,模型论文,领域论文,是不可能论文,一般性论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：B84 文献标识码：A 文章编号：1001-4608(2008)03-0106-07
归纳推理的领域一般性模型研究是希望用一个统一的规则或模型来描述归纳推理的所有现象。逻辑学家首先在这方面作了许多努力，结果是，来自理论的和经验的证据都表明，不能用一个单一的逻辑规则来描述全部的归纳推理现象。在逻辑学家渐渐退出归纳推理的领域一般性研究这块理论领地的同时，心理学家却正在进入，希望建立领域一般性的模型来描述归纳推理的心理机制。心理学家的努力能够取得他们所期望的成果吗?
建立归纳推理的理论领域一般性模型就是用单一的形式化的手段来拟合归纳推理的内在心理机制。模型不但要能够解释和预测可观察的归纳推理现象，还要能够对归纳推理过程进行程度或水平的描述。
心理学家关于归纳推理领域一般性模型的研究开始于20世纪50年代Goodman的“印刻假说”[1]。Goodman的假说虽然存在诸多局限性，但为后来的归纳推理的心理机制研究提供了一个最初的参照，把心理学家对归纳推理的研究热情调动起来了。此后，归纳推理心理学研究领域中出现了许多领域一般性模型或类似模型的假说。
随着归纳推理的心理学研究的深入，许多争议和困难也渐渐凸现出来。首先，Osherson发现了归纳推理的11种特殊现象[1，2]，这些现象已经成为检验一种归纳推理模型是否有效的标准。但是没有一个归纳推理心理学模型能够解释所有的现象，每一个模型都只能在极其狭小的一个范围内描述归纳推理的现象。其次，不同的研究者对归纳推理的基础心理机制的界定都不尽相同，使得不同的模型之间不可公约。在某种意义上，不同的模型可能描述了归纳推理的不同领域的问题，这使得关于归纳推理的多种解释之间的争论失去了意义。归纳推理研究面临的这些困难似乎预示着归纳推理的领域一般性心理模型可能是不存在的。
本文将对国内外已有的归纳推理领域一般性模型进行梳理，希望通过这样的工作厘清归纳推理研究的线索，探究归纳推理研究所面临的困难的本质。本文将指出，归纳推理研究的出路在于，在进化心理学的范式下进行领域特殊性的研究。
一、归纳推理的领域一般模型及其困难
归纳推理的领域一般性模型可以分成三类：相似性模型、特征模型和计算模型。
1.相似性模型
相似性模型从对象的知觉相似性的角度来解释归纳推理的发生。该模型指出人们会基于前提和结论之间的相似性而进行推理，这是一个符合直觉的解释。试比较以下两个推理：
人们会认为前一个推理的强度明显高于后一个，因为麻雀和黄雀相似性高于麻雀与企鹅的相似性。
Goodman的“印刻假说”可以说是最初的相似性模型。他提出，经验会在心智中留下如同车辙一样的印记，相似的经验次数越多，印记就越强，以后再遇到相似的经验时，心智就会自动作出反应。因此，相似经验的印记就是归纳推理的基础。这种模型虽然有诸多局限性，但为后来的归纳推理心理机制研究提供了一个原初的参照系。Rips在Goodman的基础上指出，归纳推理的强度取决于前提种类的典型性以及前提种类和结论种类之间的相似性[1，3，4]。Rips没有直接使用“相似性”这个概念，而是用“距离”来描述相似性。他考察了成年人对动物概念进行相似性判断的规律，他发现人们对概念之间的相似性Sim(i，j)的判断实际上是对两者之间的距离D(i，j)的估计，即(其中e和c是独立的参数，取正值)：
因此，Rips实际上并没有真正说明相似性和归纳推理之间的关系，只是把归纳推理的机制转嫁给了前提概念和结论概念之间的“距离”。Rips没有明确地说明概念“距离”的含义，也没有区分相似性、知觉相似性和概念相似性等的含义。因此，Rips虽然以相似性作为归纳推理的基础，但是相似性却是一个不可定义的概念。相似性是通过概念之间的“距离”来定义的，而概念之间的距离又是根据什么标准来定义呢?在Rips的研究中，他要求人们判断不同概念之间的“距离”，人们往往是依据相似性来作出判断，即认为相似的概念之间的距离更近。所以，在概念的“相似性”和“距离”之间存在着循环定义的悖谬。
此外，Rips使用的范例是从个例到另一个个例的推理，在严格意义上，这种推理不是归纳推理而是类比推理。Rips认为类比推理是归纳推理中的一个类别。他通过对其中一个类别的研究，却要说明归纳推理整体的特征，这本身就是一个有待证明的问题。所以，Rips的相似性模型还存在着归纳推理概念的混淆。Rips的相似性模型只能解释相似性等少数的几种归纳推理现象。
Osherson提出相似性覆盖模型(the similaritycoverage model)，认为知觉相似性是规范归纳推理的关键因素[1,2,4]。Osherson明确指出，相似性就是知觉相似，是人对观察对象的直觉反应，不需要通过其它因子来计算而得。根据相似性覆盖模型，归纳推理的强度取决于前提概念i和结论概念j之间的相似性，以及前提概念i与前提和结论两概念共同的上位概念Superordinate(I,j)之间的相似性，可以用这样一个公式来表述(0≤α≤1)：
前提概念和上位概念之间的相似性越高，说明前提概念在上位概念中越具有典型性，它代表上位概念整体的能力就越强，或者可以说它的相似性覆盖率就越高。比如，麻雀和上位概念鸟的相似性很高，因此，麻雀是鸟类中具有典型性的代表，许多时候它可以代表所有的鸟，即它的相似性覆盖率很高。相反，鸵鸟就不是一种典型的鸟，其代表性和相似性覆盖率都很低。因此，人们会比较容易从麻雀推理到鸵鸟，却不大会从鸵鸟推理到麻雀，因为这两个概念的相似性覆盖水平是不一样的，所以它们分别作为前提时的推理力也不一样。
相似性覆盖模型能够解释归纳推理的相似性、典型性、前提结论不对称性等现象，但是不能说明如命名效应、最适意归纳水平等现象。此外，相似性覆盖模型对如下推理也无能为力：
北极熊与企鹅显然没有知觉相似性，但是它们都生活在寒冷的地域，所以人们很容易从北极熊拥有厚皮毛推理到企鹅也有厚皮毛。这说明人并非完全是依据知觉相似来组织归纳推理，人在进行归纳推理时可能依据了对象的某些内在特征。
2.特征模型
基于相似性模型的困难，一些学者提出用“特征”来定义各个推理项之间的关联。Sloman提出了一个基于特征评估的归纳推理模型，特征中心性假设(Feature Centrality Hypothesis)[4,5,6]。根据这个模型，人们会对前提和结论概念都共有的特征进行评估，并以此来判断归纳推理的强度：
其中A表示推理被激活的程度，F(i)和F(j)是前提和结论项的特征向量，取值在0～1之间，代表前提或结论项具有某种特征的可能性。前提和结论拥有的共同特征越多，推理的力度就越强。
中心性特征联结前提和结论的主要线索。中心性特征是指概念中最稳定、最不可或缺的、是其它特征存在的前提的那些特征。比如，如果特征X是引起特征Y的原因，Y是引起特征Z的原因，那么X就是三者中最具有中心性的特征。中心性特征更加容易从一个概念推理到另一个概念。比如，人们如果看见一个陌生的土著民族中的一个人很胖，可能会推理到所有这个民族的人都很胖；或者看见一个人很黑，推理到所有人都很黑。人们会觉得第二个推理比第一个推理要有力得多，因为皮肤黑比身体胖更具有中心性。
中心性特征该模型还指出，典型的或为人们所熟悉的特征在归纳推理中会受到更多的权重，更容易被当作中心性特征，因而在推理中发挥更大的影响。但是对于不同的概念而言，典型特征却有不同的含义，比如，“是圆形的”对轮子来说是典型特征，而对桔子就不是。因此，这个模型在中心性特征的选择和权重等问题上暗示了存在领域特殊性的可能。
特征中心性模型能够解释比较多的归纳推理现象，但是它只是揭示了特征中心性在归纳推理中的充分性。因为缺乏对归纳推理的必要条件的说明，所以这个模型并没有从根本上说明归纳推理的意义。
Sloutsky和Fisher提出了一个SINC(simiarity，induction，categorization)模型，顾名思义，这个模型试图将相似性、归纳推理和概念化整合起来。根据这个模型，相似性是归纳推理和概念化的基础[4,7]。相似性评估是依据概念之间对应的特征比较来计算的。两个概念相对应的特征越多，它们的相似性越高；如果概念间对应的特征的数量少，或不对应的特征数量多，那么相似性就偏低。以相似性评估为前提，人们才能比较两个前提(A，B)推理到同样一个目标(T)的推理强度：
如果人们认为从B推理到目标T更加可靠，那是因为B和T的相似性高于A和T的相似性。
Medin提出了归纳关联理论(The relevance theory of induction)，理论认为前提和结论之间的特征关联性强弱是影响归纳推理的关键[8]。比如，人比较容易从草有X属性推理到牛具有X属性，这是因为牛吃草，所以草的属性自然通过这种关联传递给了牛。王墨耘和莫雷认为关联理论过于强调了知识在归纳推理中的作用，并且难以解释基于相似性的归纳推理，因此他们提出了一个将相似性和特征关联整合在一起的模型——特征归纳关联相似性模型，该模型的含义可以用下面的图1说明[9]。
图1 特征归纳关联相似性模型示意图
(采自：王墨耘，莫雷：特征归纳的关联相似性模型，《心理学报》2006，38(3)：333～341)
该模型认为推理项之间的相似性和特征的关联强度共同参与决定归纳推理的强度，因此可以解释归纳推理中的相似性现象和特征关联现象。但这个模型“只能预测归纳强度的大小顺序，而不预测归纳强度的绝对估计值。”[9]
特征模型的初衷是为了克服相似性模型的两个缺陷。一是相似性本身是一个不可定义的变量。特征模型用特征比较来定义相似性，即两个对象如果具有较多的相同特征，那么它们就具有较高的相似性。二是相似性模型将相似性界定为知觉相似性，这使得这些模型不能解释基于内在特征关联的推理现象。特征模型采用了特征变量，使归纳推理不再局限于外在知觉现象。尽管如此，特征模型并没有彻底脱离相似性模型所遭遇的困难。首先，因为特征的关联是一种内在的联系，所以要认识到这种关联必须要具有相应的概念知识。比如人能够从草具有X属性推理到牛具有X属性是因为认识到了牛和草之间的特征关联，这种认识是以牛是食草动物这个概念知识为基础的。这使得特征模型又不可避免地陷入了循环定义的悖谬：特征关联是归纳推理和概念化的基础，而概念化又是认识特征关联的前提。
其次，和相似性模型一样，特征模型所采用的推理范例多数是从个例到个例的推理，这样的范例不是标准的归纳推理范例。因此，特征模型同样会遭遇到这样的诘问：模型是否描述了归纳推理的特殊属性。
除此之外，特征模型还受到研究逻辑上局限。
第一，为了避免知觉相似性信息的干扰，特征模型的研究都采用言语方式呈现材料，并且这些材料都是由概念构成，所以事实上特征模型的研究是建立在言语概念的基础之上的。这使得特征模型只能部分地解释成年人以语言为基础的归纳推理和概念获得现象，却不能说明前言语阶段儿童的归纳推理的发生，也不能揭示归纳推理的起源和概念获得之间的关系。
第二，特征模型的研究都有突出特征信息而排除或者弱化其他信息的现象，这使得归纳推理中的特征效应更加显著。在同时提供了其他竞争信息时，特征效应是否还会这样显著呢?
第三，特征本身就是归纳推理的主题，比如，人总是从个例A1具有特征X、个例A2具有特征X……推理到所有的A具有特征X。特征模型认为，人能够进行这样的归纳推理是因为已经了解了前提和结论之间存在某些特征的关联性。归纳推理的目的就是要使得某个特征从前提过渡到结论，如果这种过渡是因为在此之前已经有某些特征从前提过渡到了结论，那么我们自然可以问，那些先前从前提过渡到结论的特征又是以什么为前提的呢?这就好比，为了把一根缆绳渡过河去，我们可以用另一根绳子将它牵引过去，那么牵引缆绳的绳子又是如何渡过河去的呢?因此，特征模型并不能从本源上对归纳推理的本质作出解释。
3.计算模型
Marr在1982年的一项评论中提出，计算模型是各种向量模型中抽象水平最高的模型，它只是集中于对认知系统的目标的描写，而并不关心实现这些目标的心智过程，也不考虑这些认知系统是如何在大脑中得以实现的[1]。以下三种模型是计算模型的主要代表。
McDonald，Samuels和Rispoli等人提出来的归纳推理的假设评估模型(Induction as Hypothesis Evaluation)[11]。该模型认为，人们在进行归纳推理时，会主动地建构一些假设，并根据前提提供的证据来评估这些假设的似然性。模型提出了假设评估的三个标准：1)获得结论的可能性；2)支持结论的例证的数量；3)由前提可能产生出的替代性假设的数量。
这个模型在可以较好地解释非同质性现象，但对一般推理过程的言说则受到了极大的限制，因为它只是对推理的结果进行描述，而没有对与归纳推理有关的认知过程进行解释。
Heit提出了归纳推理的贝叶思模型(Bayesian Modle of Inductive Inference)[11-13]。该模型提出，人在进行归纳推理评估时，会依据前提的先验概率来估计结论出现的概率。前提特征出现的先验概率越大，推理的力度越大。基于贝叶思法则的概率估计由这样几个成分构成：前提和结论都具有某种的特征的概率E；前提有而结论没有的特征的概率F；前提没有而结论具有的特征的概率G；以及前提和结论都没有的特征概率H。归纳推理的强度就是前提包含了前提和结论共有特征的概率，等于前提结论共有的特征(E)和前提的所有特征(E+F)之比，即：
比如，当人判断推理
的强度时，会基于启发式的原则，搜索奶牛和绵羊共有的特征以及奶牛有而绵羊没有的特征，然后作出判断。Heit的贝叶思模型可以解释归纳推理的相似性、典型性、多样性和同质性等现象，但不能解释非同质性、包含谬误和包含—相似性谬误等现象。
Sanjana和Tenenbaum提出了一个概念推理的贝叶思模型(Bayesian model of categorical inference)[14,15]。这是一个基于动物概念分类的概率估计模型，只能适用于动物分类学领域的归纳推理。该模型描述了物种之间特征推理的三条原则：1)分类学原则：按照动物分类学知识来把握物种之间的联系，强调物种之间特征的突变与进化，受进化论原则制约，在推理运用中占主导地位；2)食物链原则：按照捕食关系确定特征传递关系，如有关疾病的推理往往受这一原则的制约；3)空间序列原则：即所有的物种具有某种特征的概率从高到低呈现出线性排列的特征，每一个物种在这个概率序列中的位置会制约与之相关的推理。
概念推理的贝叶思模型认为，人首先通过物种—特征对的搭配而学会物种分类学原则，在此基础上建立物种分类树，并以此为根据来进行归纳推理。因此，归纳推理必须以人所具有的关于某个物种的分类学知识为前提，并且这个模型只能在动物分类学领域有效。
计算模型得以成立的前提之一是人的推理和判断必须符合理性原则的，也就是说人会根据概率论的规则来调整自己的推理和判断。然而许多研究渐渐揭示人在自然条件下的推理并不符合概率原则。Tervsky和Kahnemann发现人的推理和判断常常会违背标准的概率原理，受到概念特征的典型性、可得性等启发式的影响。即使是专业的医生也会忽略疾病发病的先验概率而对病人的患病可能性作出错误的估计[16,17]。
其次，计算模型还依赖于推理过程中对先验概率等信息的掌握，即，只有准确地了解了前提的先验概率、前提和结论之间的特征关联概率等信息，人们才能进行有效的推理。这个前提可能蕴含了两个困难。第一，如果人在推理之前已经获得了准确的相关信息，那么他要做的只是将这些概率带入预先设定好的计算公式就可以顺利地计算出结论的概率，只要前面的数据无误，计算过程不出差错，结论一定正确。那么，这个推理事实上是演绎推理而不再是归纳推理了。第二，在现实推理任务中，要获得准确的前提先验概率以及前提和结论相关特征的概率等信息几乎是不可能的。归纳推理的根本目的就是使人在信息有限的条件下获得有用的结论，因此在归纳推理过程中，认知结构一定是从信息不完全的状态向更加完整的状态过渡。如果事先已经具备了完整的信息结构，就没有进行归纳推理的必要了。所以，计算模型遭遇到了和特征模型一样的困难，陷入了一个前提知识和归纳推理相互定义的无穷循环中。
二、归纳逻辑的困窘
逻辑学家把推理分为两大类别：演绎的和归纳的。演绎推理是从一般性前提推导出特殊性结论的推理。只要前提正确，推导过程无误，演绎推理就一定能够得到正确的结论，但是，我们所得到的结论却不能超出前提的视界，也就是说，演绎推理只是让我们对已有知识进行精细化、系统化的加工，它不能帮助我们开辟新的知识领域。
归纳推理是从已知的、可观察的或经验过的例证推知一个普遍原理，它的结论超越了前提的樊篱，扩展到了新的知识领域，代价就是其结论的正确性没有保证。当我们不断地发现支持我们的结论的例证、同时又没有发现反驳结论的例证时，推理的正确性似乎渐渐提高了。然而，无论我们收集到的支持结论的例证有多少，它们都只是在经验层面上的反复。由这些例证得到一个结论必须经过从经验到理性的飞跃，每一个具体的例证或例证的数量都不能支撑这种飞跃。这种飞跃是一个纯粹理性化的过程，是和逻辑学所描述的前提和结论相互作用不同的过程，所以，这个过程作为一个逻辑原理是无效的。但是，归纳推理是人类发现新知识的主要认知工具，对归纳推理合理性的证明就是对人类所拥有的全部知识的合理性的证明。
逻辑学家对归纳推理的研究始于培根。培根提出科学研究的新方法即是归纳法，穆勒在培根的基础上将归纳法发展成为求因果法，并将它纳入逻辑学研究的领域中，从此诞生了归纳逻辑。休谟对归纳推理的合理性提出诘难，归纳逻辑的研究陷入了困境。用罗素的话来说，(自休谟向归纳推理发难以来，)“对他的反驳，一向是形而上学家们的一种时尚消遣，(在我来说，我觉得)他们的反驳没有一点是足以让人信服的”。虽然后来德国哲学家莱欣巴赫、奥地利哲学家卡尔纳普都在归纳逻辑体系研究中创造了丰富的成果，但他们以及他们的追随者始终没有跨越归纳推理的结论的合理性和形式化这两个障碍。所以，当代逻辑学家回顾归纳逻辑的研究历史时，不得不承认“归纳逻辑的全部形式化是不可能的，因为任何归纳逻辑的归纳过程以及运用总是需要不能说明的判断”[18]。
归纳推理的形式化已经被逻辑学家认定为是不可能的事，另一方面，Cosmides关于华生选择任务的实验研究显示，人们在条件推理任务中表现出了内容关联的领域特殊性现象，这个结果动摇了演绎推理的形式化研究中已经取得的成就[19]。这一发现间接地支持了逻辑学家的判断：对归纳推理进行领域一般性描述是不可能的。
逻辑学家的“全部形式化”的期望就是用一套统一的逻辑算法去描述所有的归纳推理现象，和心理学家建立一个统一的归纳推理心理模型的期望是一致的。逻辑学家在这个问题上的失败预示了建立归纳推理的统一心理学模型也是不可能成功的。
三、归纳推理研究的领域特殊性出路
归纳推理的领域一般性模型遭遇到的困难不是来自技术性的障碍，实际上许多技术已经很成熟了，比如贝叶思概率理论，但是它不能胜任对归纳推理的现象的描述，因为人的推理和判断并不总是遵守概率原则。逻辑学在归纳逻辑问题上遭遇到的挫折从理论说明了对归纳推理进行领域一般性的描述是不可能的。Osherson关于归纳推理特殊现象的研究则在经验上证实了归纳推理的领域一般性模型的局限。Osherson发现了人的归纳推理的11种现象，这些现象已经成为归纳推理模型的试金石，每一个模型必须要能够解释其中的某些内容才能确立其理论价值。但是没有一个模型可以解释所有的11种现象。从领域一般性和领域特殊性差异的角度就不难理解这个问题了，现有的模型都是领域一般性的模型，希望对归纳推理的各种现象作出统一的描述，但是如果归纳推理本身是一种领域特殊性的机制，那么模型和现象之间的矛盾就是不可避免的了。
我们如何能够证明归纳推理是领域特殊性的呢?首先，领域一般性的策略不能完全解释归纳推理现象这个事实本身就是一个证据。其次，我们采用领域特殊性的策略考察归纳推理，如果能够发现，在不同领域中人们的归纳推理遵循了不同的法则，也能够证明归纳推理的领域特殊性。我们先从理论上来预测出现这种结果的可能性。
当我们试图描述归纳推理本身遭遇到了困难的时候，不妨换一种策略，采用功能分析的方法，从功能上认识归纳推理。功能分析是进化心理学范式的研究方法，它对心理机制的考察不是着重分析其内在过程，而是分析它能够实现的功能，按照功能来区分和界定心理机制。在进化心理学的范式下，所有的心理机制都是围绕着一个目标而设计出来的，那就是个体基因的保存与传播。为了实现这个目标，个体必须要具有一些高效准确地解决一系列适应性问题的能力，诸如觅食、求偶、抚养下一代以及社会合作等等。在漫长的进化过程中，根据基因选择的法则，一些专门化的心理机制被设计出来应对这些适应性问题，这就是适应器。适应器的一个重要特点就是领域特殊性[20,21]。归纳推理的能力事关个体生存，因此一定有相应的适应器。我们还可以从理论上推论出，个体应该具有不止一种归纳推理的适应器，即不同领域的归纳推理任务有不同的适应器与之对应。因为每一个领域的适应性问题都会需要个体具有从已有经验去推知未知新领域的能力，而每个领域的任务都有自己独特的获得信息和加工信息的要求，与之相应的归纳推理也采用不同的法则就是可以理解的了。在生理结构中有大量类似的例子，比如皮肤中的热感觉和冷感觉分别由两套相互独立的神经通路来传播，两套通路的反应方式极不相同。以此类比，我们也可以假设，使个体获得利益的任务和避免伤害的任务分别具有不同的归纳推理机制，这两个机制各有不同的反应法则。
当我们把归纳推理看作是一种一般性的认知能力时，会看到困惑和杂乱，难以把握其中的规律，因为不同领域的归纳推理可能遵循了不同的法则，或者表现出不同的信息敏感性；当我们把不同领域的归纳推理看做是相互独立、相互区别的活动时，就不难理解归纳推理现象的复杂性了。
现有的归纳推理模型都是领域一般性的研究，这些模型的局限性和遭遇到的困难说明在领域一般性的意义上考察归纳推理可能是行不通的。而逻辑学的研究早就已经承认，要建立一个完全的归纳逻辑是不可能的。因此，我们提出，归纳推理研究应该放弃领域一般性的思路，并且进一步预测，在进化心理学的范式下，采用领域特殊性的视角和功能分析的研究方法会给归纳推理研究带来新的活力。