基于语义信息论的确证方法——以乌鸦悖论与医学检验为例.PDFVIP

基于语义信息论的确证方法 ——以乌鸦悖论和医学检验为例 鲁晨光 摘要：确证度计算是现代归纳逻辑的核心议题。语义信息研究表明， 对于不太可靠的预测或 假设，适度信任可以提高平均语义信息。求一系列证据提供的平均信息时，改变不信度 b’ （即反 例的真值），使平均语义信息达最大的不信度就是否证度 b’*, b*=1- b’*就是确证度。对于全称假 设，确证度 b*=1-反例变小率/正例增大率。这表明，要确证一个假设，反例少比正例多更重要。 按数理逻辑，“所有乌鸦是黑的”和“所有不黑的就不是乌鸦”等价；支持后者的证据（比如白粉 笔）也支持前者。这违背常识，所以存在悖论。考虑医学检验，上述等价关系和常识都是错的。医 学界用阳性似然比（LR+=敏感性/(1-特异性)）表示阳性有多可靠。幸好 b*=1-(1-特异性)/敏感性 =1-1/LR+，因而和医学界共识兼容。 关键词：归纳逻辑；语义信息；确证；乌鸦悖论；医学检验 中图分类号：B814 文献标识码：A 一、引 言 归纳逻辑的研究随着时代变迁，其重心已经转向确证度（Degree of Confirmation ）研究。亨佩 [1] ，它是帮助我们从理论上看一种确证度是否合理的很 尔（Hempel ）提出的乌鸦悖论也叫确证悖论 好例子。医学检验则是帮助我们从实用的角度看一种确证度是否合理的很好例子。 我们用大写E 表示个体或证据变量；小写ei 表示第i 个个体(i 也可能是11, 01 等) ，sk 示第k 个 假设或谓词, h 表示第j 个假设或谓词(复合谓词) 。令s s (E) “E 是乌鸦”，s s (E) “E 是黑的”， j 1 1 2 2 h s -s s (E)-s (E) “所有乌鸦是黑的”。所有证据分为4 种（参看表1）。e 使左边和上面的 1 1 2 1 2 11 假设s 1 和s2 为真， 其他类推。 表 1 全称假设h s -s 的证据分为四种 1 1 2 E s ¬s 2 2 s e e 1 11 10 ¬s e e 1 01 00 ① 按尼科德标准 ：关于推理h , e 是正例， e 是反例，e 和e 同h 不相关（后面称之为不 1 11 10 01 00 1 相关说，简称IR ）。关于h =¬s -¬s ，e 是正例, e 同样是反例，e 和e 和h 不相关。 2 2 1 00 10