推理世界的十三條經緯線 七、能力之二： 歸納 （Inductive reasoning） скачать в хорошем качестве

推理世界的十三條經緯線 七、能力之二： 歸納 （Inductive reasoning）

推理世界的十三條經緯線 七、能力之二： 歸納 （Inductive reasoning） 歸納是透過枚舉、排除與統計綜合出自然規律的推理能力。「以小博大」是歸納推理企圖，包含三個特點：1. 只有過去的經驗、2. 由特殊現象推想普遍性、3. 結論超出了前提的範圍。透過歸納法而產生的結論是科學中唯一合格的經驗證據，但是它並沒有必然性。在現實世界中，人會因為常常看見黑色烏鴉，就認為烏鴉都是黑色的。連亞里斯多德這樣的聰明人看到「羽毛、紙片飄落比較慢」之後，也會有「物體下落的速度與重量成正比」的錯覺。 沒有必然性而採用它，等於是賭博。四百年前，培根（Francis Bacon） 主張以歸納法作為科學研究的基礎。以效益來看，這應該是個精明、大膽，卻是獲利最多的豪賭。 歸納法有兩個技術性的難題：如何搜集足夠的案例、如何由紛雜的數據中看出規律。在生物學的實作中，前者牽涉觀測技術，後者是分析技術。 1. 何謂足夠的案例？答案只有一個：盡量多！在1990年代，人類基因體計畫完成前後，採用微小化、自動化、高偵測靈敏度構成高通量的檢測法 （mass screening），將原本只能研究幾個樣本，一口氣將樣本數增加了數千、數萬倍的組態學。第一屆以多重篩檢 （multiple screening）為名的研討會在1951年舉辦。當年，在全球最大的公用生物醫學資料庫 （MEDLINE）中，有 mass screening關鍵字的文章，一年總共只有18篇。到了2018年，一年就有7510篇。目前生物醫學的研究中，大數據的研究方法是主流，成為論證歸納有效性的基礎。 2. 如何看見成千上萬的原始資料 （raw data） 中的規律性？事實上，人腦還沒發展出這種能力。解決的策略中，最有前瞻性的是與人工智慧（AI）結盟，發展深度學習 （deep learning）式的分析。目前，它的程度是立基在人的經驗上的深度學習。最引人側目的是，AI病理影像軟體判讀的正確率竟然高過於許多病理醫師。 若問：有沒有完美的歸納法嗎？其實這是個實證歸納的問題。雖然幾百年來哲學家想出了許多歸納類型，目前應該還沒人敢說「有」或是「沒有」。生物學家在意的是：在高通量分析之後，還需要什麼技術來強化歸納法，加速知識的累積！ 細讀書： • 組態學（Omics）包括：Genomics, Transcriptomics, Proteomics, Metabolomics, Microbioms 還會越來越多。Vailati-Riboni M, Palombo V, Loor JJ, 2017, What Are Omics Sciences?. In: Ametaj B. (eds) Periparturient Diseases of Dairy Cows. Springer, Cham. • Moen E, Bannon D, Kudo T, Graf W, Covert M, & Van Valen D. 2019, Deep learning for cellular image analysis. Nat Methods. 16(12):1233-1246. • First International Congress on Multiple Screening, Sondalo, 1-3 Sep., 1951.