はじめによんでください

仮説-演繹モデル

Hypothetico-deductive model

池田光穂

☆ 仮説演繹法( hypothetico-deductive method)とは、科学的方法を説明するために提案されたものである。それによると、科学的探究は、結果がまだわかっていない観測可能なデータを用いて、反 証可能な形で仮説を立てることによって進められる。仮説の予測に反する可能性のあるテスト結果は、仮説の反証とみなされる。仮説に反する可能性がありなが ら、仮説に反しないテスト結果は、理論の裏付けとなる。そして、競合する仮説がその予測によってどれだけ厳密に裏付けられるかをテストすることによって、 競合する仮説の説明的価値を比較することが提案される[1]。

The hypothetico-deductive model or method is a proposed description of the scientific method. According to it, scientific inquiry proceeds by formulating a hypothesis in a form that can be falsifiable, using a test on observable data where the outcome is not yet known. A test outcome that could have and does run contrary to predictions of the hypothesis is taken as a falsification of the hypothesis. A test outcome that could have, but does not run contrary to the hypothesis corroborates the theory. It is then proposed to compare the explanatory value of competing hypotheses by testing how stringently they are corroborated by their predictions.[1]
仮 説演繹法とは、科学的方法を説明するために提案されたものである。それによると、科学的探究は、結果がまだわかっていない観測可能なデータを用いて、反証 可能な形で仮説を立てることによって進められる。仮説の予測に反する可能性のあるテスト結果は、仮説の反証とみなされる。仮説に反する可能性がありなが ら、仮説に反しないテスト結果は、理論の裏付けとなる。そして、競合する仮説がその予測によってどれだけ厳密に裏付けられるかをテストすることによって、 競合する仮説の説明的価値を比較することが提案される[1]。
Example
Main article: Scientific method
One example of an algorithmic statement of the hypothetico-deductive method is as follows:[2]

1. Use your experience: Consider the problem and try to make sense of it. Gather data and look for previous explanations. If this is a new problem to you, then move to step 2.
2. Form a conjecture (hypothesis): When nothing else is yet known, try to state an explanation, to someone else, or to your notebook.
3. Deduce predictions from the hypothesis: if you assume 2 is true, what consequences follow?
4. Test (or experiment): Look for evidence (observations) that conflict with these predictions in order to disprove 2. It is a fallacy or error in one's reasoning to seek  3 directly as proof of 2. This formal fallacy is called affirming the consequent.[3]
One possible sequence in this model would be 1, 2, 3, 4. If the outcome of 4 holds, and 3 is not yet disproven, you may continue with 3, 4, 1, and so forth; but if the outcome of 4 shows 3 to be false, you will have to go back to 2 and try to invent a new 2, deduce a new 3, look for 4, and so forth.

Note that this method can never absolutely verify (prove the truth of) 2. It can only falsify 2.[4] (This is what Einstein meant when he said, "No amount of experimentation can ever prove me right; a single experiment can prove me wrong."[5])

主な記事 科学的方法
仮説演繹法のアルゴリズム的記述の一例は以下の通りである[2]。

1. 自分の経験を使う: 問題を考え、それを理解しようとする。データを集め、過去の説明を探す。これがあなたにとって新しい問題であれば、ステップ2に進む。
2. 推測(仮説)を立てる: まだ何もわかっていないとき、他の誰かに、あるいは自分のノートに、説明を述べてみる。
3. 仮説から予測を推測する:もし2が真実だと仮定したら、どんな結末が待ってい るか?
4. テスト(または実験)する: 2を反証するために、これらの予測に反する証拠(観察)を探す。この形式的な誤謬は帰結の肯定と呼ばれる[3]。
このモデルで可能な順序の1つは、1、2、3、4である。もし4の結果が成り立ち、3がまだ反証されていなければ、3、4、1......と続けることが できるが、もし4の結果が3を偽であることを示せば、2に戻って新しい2を発明し、新しい3を推論し、4を探す......といったことをしなければなら ない。

アインシュタインが「いくら実験をしても私の正しさを証明することはできない。
Discussion
Additionally, as pointed out by Carl Hempel (1905–1997), this simple view of the scientific method is incomplete; a conjecture can also incorporate probabilities, e.g., the drug is effective about 70% of the time.[6] Tests, in this case, must be repeated to substantiate the conjecture (in particular, the probabilities). In this and other cases, we can quantify a probability for our confidence in the conjecture itself and then apply a Bayesian analysis, with each experimental result shifting the probability either up or down. Bayes' theorem shows that the probability will never reach exactly 0 or 100% (no absolute certainty in either direction), but it can still get very close to either extreme. See also confirmation holism.

Qualification of corroborating evidence is sometimes raised as philosophically problematic. The raven paradox is a famous example. The hypothesis that 'all ravens are black' would appear to be corroborated by observations of only black ravens. However, 'all ravens are black' is logically equivalent to 'all non-black things are non-ravens' (this is the contrapositive form of the original implication). 'This is a green tree' is an observation of a non-black thing that is a non-raven and therefore corroborates 'all non-black things are non-ravens'. It appears to follow that the observation 'this is a green tree' is corroborating evidence for the hypothesis 'all ravens are black'. Attempted resolutions may distinguish:

non-falsifying observations as to strong, moderate, or weak corroborations
investigations that do or do not provide a potentially falsifying test of the hypothesis.[7]
Evidence contrary to a hypothesis is itself philosophically problematic. Such evidence is called a falsification of the hypothesis. However, under the theory of confirmation holism it is always possible to save a given hypothesis from falsification. This is so because any falsifying observation is embedded in a theoretical background, which can be modified in order to save the hypothesis. Karl Popper acknowledged this but maintained that a critical approach respecting methodological rules that avoided such immunizing stratagems is conducive to the progress of science.[8]

Physicist Sean Carroll claims the model ignores underdetermination.[9]

Versus other research models
The hypothetico-deductive approach contrasts with other research models such as the inductive approach or grounded theory. In the data percolation methodology, the hypothetico-deductive approach is included in a paradigm of pragmatism by which four types of relations between the variables can exist: descriptive, of influence, longitudinal or causal. The variables are classified in two groups, structural and functional, a classification that drives the formulation of hypotheses and the statistical tests to be performed on the data so as to increase the efficiency of the research. [10]
議論
さらに、カール・ヘンペル(1905-1997)が指摘したように、科学的方法に対するこの単純な見方は不完全である。推測には確率を組み込むこともでき る。このようなケースや他のケースでは、推測自体に対する信頼度を確率で定量化し、ベイズ分析を適用することができる。ベイズの定理によれば、確率が正確 に0%や100%になることはない(どちらの方向にも絶対的な確実性はない)が、それでもどちらかの極端に非常に近くなることはある。確証の全体論も参照 のこと。

裏付けとなる証拠の限定は、哲学的に問題があるとして提起されることがある。カラスのパラドックスが有名な例である。すべてのワタリガラスは黒い」という 仮説は、黒いワタリガラスだけの観察によって裏付けられるように見える。しかし、「すべてのワタリガラスは黒い」は「黒くないものはすべてワタリガラスで はない」と論理的に等価である(これは元の含意の逆接形である)。これは緑の木である」は非鴉である非黒いものの観察であり、したがって「非黒いものはす べて非鴉である」を裏づける。これは緑の木である」という観察は、「すべてのワタリガラスは黒い」という仮説の裏付けとなる。解決の試みは区別することが できる:

強い裏付け、中程度の裏付け、または弱い裏付けに関する非証明的観察
仮説を反証する可能性のあるテストを提供する調査、または提供しない調査[7]。
仮説に反する証拠はそれ自体が哲学的に問題である。そのような証拠は仮説の反証と呼ばれる。しかし、確証全体論の理論では、与えられた仮説を反証から救う ことは常に可能である。なぜなら、反証となる観測は理論的背景に埋め込まれており、仮説を守るためにその理論的背景を修正することができるからである。 カール・ポパーはこのことを認めつつも、このような免罪符的な策略を回避する方法論的ルールを尊重する批判的アプローチが科学の進歩に寄与すると主張して いる[8]。

物理学者のショーン・キャロルは、このモデルは過小決定を無視していると主張している[9]。

他の研究モデルとの比較
仮説演繹的アプローチは、帰納的アプローチやグラウンデッド・セオリーなどの他の研究モデルと対照的である。データパーコレーションの方法論では、仮説演 繹的アプローチは、4つのタイプの変数間の関係が存在できるプラグマティズムのパラダイムに含まれる:記述的、影響、縦断的、または因果関係。変数は、構 造的変数と機能的変数の2つのグループに分類され、この分類によって、仮説の策定と、研究の効率を高めるためにデータに対して実行される統計的検定が行わ れる。[10]
Confirmation bias
Deductive-nomological
Explanandum and explanans
Inquiry
Models of scientific inquiry
Philosophy of science
Pragmatism
Scientific method
Verifiability theory of meaning
Will to believe doctrine
Types of inference
Strong inference
Abductive reasoning
Deductive reasoning
Inductive reasoning
Analogy
確証バイアス
演繹的ノモロジー
説明と説明者
探究
科学的探究のモデル
科学哲学
プラグマティズム
科学的方法
意味の検証可能性理論
信じる意志の教義
推論の種類
強い推論
帰納的推論
演繹的推論
帰納的推論(きのうてきすいろん)
類推
https://en.wikipedia.org/wiki/Hypothetico-deductive_model











リ ンク

文 献

そ の他の情報


Copyleft, CC, Mitzub'ixi Quq Chi'j, 1996-2099

Mitzub'ixi Quq Chi'j