XiaoMi-AI文件搜索系统
World File Search System归纳推理
智能机器时代的贝叶斯
18 世纪，托马斯·贝叶斯 (Thomas Bayes) 提出了一个激进的想法：用概率来表示我们认为假设正确的程度 (Bayes, 1763/1958)。他在一场赌博游戏中这样做：在经历了一定数量的输赢之后，你赢的概率有多大？使用概率论根据数据更新我们的信念程度的想法是我们现在所说的贝叶斯规则的基础（见图 1）。贝叶斯可能认为他的工作具有较低的概率，而这一模型在 200 多年后成为贝叶斯认知模型的基础，该模型从理性信念更新的角度解释人类行为（例如，Griffiths 等人，2010 年）。贝叶斯认知模型解释了归纳推理——从有限的数据得出不确定结论的过程，例如根据在对话中听到的新词推断其含义。在贝叶斯模型中，这种推断是将数据（例如，你听到新词的上下文）与我们对世界的现有期望（例如，对一个词可能具有何种含义的期望）相结合的结果。这些期望以假设的“先验分布”来表达，更合理的假设具有更高的先验概率。这捕捉到了学习者的“归纳偏差”——那些影响学习者选择的假设的数据以外的因素（Mitchell，1997）。先验分布可以定义为
2024 年至 2030 年人工智能对就业的影响
摘要 人工智能是科学领域中为数不多的几个几乎每个人（包括专家和非专家）都有某种看法的领域之一。有些人认为它带来了巨大的好处，另一些人认为它会带来危险，还有一些人认为两者兼而有之。另一方面，对于人工智能是什么以及它做什么，没有普遍的共识，这是不寻常的。智能通常意味着获取、记忆和处理某些知识的能力。尽管也有人认为人工智能的核心目标是模仿人类智能，但人工智能的大多数子领域都有不同的目标。它通常是解决组合爆炸的问题，其中可能性的数量如此之大，以至于无法在合理的时间内系统地检查。人工智能的大多数任务可以用算法、搜索、演绎和归纳推理以及其他精确的数学概念来描述。只有一小部分研究人员处理旨在实现一般人类式推理的方法。人工智能由几个子领域组成，其内容似乎松散地联系在一起。那么问题是它们有什么共同点，除了它们大多都处理出现大量可能性的问题，而这些问题无法通过系统搜索进行检查。有多种方法可以将人工智能的所有子领域统一到一个统一的框架中。其中一种方法是基于代理可以自行采取一些行动。另一种方法将解决问题的过程置于中心地位。解决阶段通常包括：建模，即用严格的数学术语描述给定的问题；解决用数学术语描述的问题；解释和分析解决方案。
痕迹，谜团，问题：
Rochebrune 2006的日子The Enigma认为，从先验的晦涩开始，面对它的人可以在一系列旨在“赋予，构建，提出”含义的操作后解决它。是由发射器或消息接收者构成的谜团，仍然有两个面孔，其中一张被暴露出来，另一个据称是“遮盖的”。面纱的脸要求将其放置在您面前的自然或人造元素组成的解密作品。含义将从我们的“建立链接的能力”中诞生，这与所谓的智能认知行为相对应。类似的方式，现实引起的任何科学问题都来自观察和项目的主体间格式。该问题在其语句中并不完整，而是从一组表示迹线和部分模型中进行的，这是解决方案的第一步，而不是通过搜索新符号和部分模型的一致性来完成。绑架性，然后归纳推理是一种开始，修订和解释，在知识的生产中以进化的方式运作。从“认知”的角度来看，制定了解释，从而产生了书面痕迹，以阐明智力实践。后者提出了反馈问题，即由建模过程产生的活动的痕迹。因此，如果我们认为知识问题（包括“学术”）相对于一个神秘的领域提出，那么知识的构建就始于位置的工作，解码，该工作要求增量建模的复杂认知活性。因此，所有要出现的学科或从一组不完整或退化的数据中构建解释的学科都涉及谜团和痕迹的问题。以相同的方式，所有系统的方法都检查了最终设置的反馈痕迹并解释它们以维持其整体轨迹，也属于该区域。
机器学习In.pdf
在许多流行中，以及科学的话语中，人们建议通过所谓的人工通用情报（AGI）和人工超级智能（ASI）的“大规模”使用人工智能，包括机器学习，并达到“奇异性”的点，将完全排除在决策中，将人类完全排除在统治地位的人类统治地上。在制造系统方面说，这意味着将实现智能和全部自动化（一旦将人类排除在外）。本文提出的假设是，AI/ML自治能力的限制，更具体地说，ML算法将无法完全自治，因此，人类的作用将是必不可少的。在问题的背景下，本文的作者介绍了制造业奇异性和智能机器架构的概念，认为智能机器将始终是人类依赖的，并且关于制造业，人类将保留在网络物理系统（CPS）和I4.0中的中心。支持此论点的方法是归纳的，与文献中许多文本中应用的方法相似，并基于基于归纳推理的机器学习的计算要求。该论点得到了一些实验，这些实验证明了人类在机器学习过程中的作用。纸张分为两部分。在第一部分中介绍了对文学的论证的回顾，无论是赞成和反对未来人类角色的论点。基于裸露的考虑因素，即智能CPS的通用体系结构，在多个学习循环中具有嵌入式ML功能模块，以评估在CPP/CPS的背景下使用ML功能的方式。由于应用了（非正式的）归纳方法，因此与文献中发现的其他论文类似，考虑到该方法并不能提供对定义的假设的绝对证据，因此该论文代表了一种立场论文。在这一部分中引入了制造奇点的概念，以及智能机器______________
IPO/AIPLA 人工智能相关发明的类别定义 (...
(2022 年 8 月) 简介 本文件提供了与人工智能相关的发明（即，与 AI 相关的发明）的拟议类别定义以及每个类别的相应示例。为了确保更好地理解类别定义并促进连贯的对话，我们在下面提供了 AI 技术的高级、无争议的描述。由于该术语固有的无定形性和多种解释，我们竭力避免对 AI 的明确定义采取立场。相反，我们认为定义与 AI 相关的发明类别将提供足够的框架，以促进继续开展 AI 政策问题的工作。对于大多数情况而言，当代用语中的 AI 本质上是自动化的同义词。从理论的角度来看，AI 有三种类型：狭义 AI（或弱 AI）、通用 AI（或强 AI）和超级 AI。在这些类别中，只有狭义人工智能是当今存在的，而且大多数人认为，这是可预见的未来唯一存在的人工智能类型。1 狭义人工智能仅涉及归纳推理，而通用人工智能和超级人工智能涉及演绎推理和溯因推理——这些技能目前只有人类才具备。狭义人工智能描述的是擅长执行一组定义的任务的计算机程序（例如，与下棋或围棋或提出购买建议、销售预测或天气预报相关的任务）。从最广泛的意义上讲，当今的人工智能包括自动执行传统人类任务的非学习系统（例如，基于规则的专家系统）。机器学习是当前人工智能的一个子集，其中硬编码算法被基于示例输入输出对训练的模型所取代，以预测以前未见过的输入的输出。深度学习是机器学习的一个子集，它采用庞大的人工神经元网络。通用人工智能是一个纯粹假设的计算机程序，可以像人类一样理解和推理其环境。同样是纯粹假设的，超级人工智能描述的是一种计算机程序，它比几乎所有领域的所有人类智能总和都要聪明得多。
基于深度学习的机器人智能准意识训练
1 Chollet, F. 使用 Python 进行深度学习，第二版。（Manning Publication Co. LLC，20 Baldwin Road，PO Box 761，Shelter Island，纽约 11964，美国，2021 年）。2 Ray, JS 归纳推理的形式化理论。第二部分。信息与控制，doi:10.1016/s0019-9958(64)90131-7 (1964)。3 Yi, Z. 等人。BrainCog：一种基于脉冲神经网络的脑启发式认知智能引擎，用于脑启发式 AI 和脑模拟。模式，doi:10.1016/j.patter.2023.100789 (2023)。4 Man, Z. 等人。具有快速和慢速思考的语言调节机器人操作。 arXiv（康奈尔大学），doi:10.48550/arxiv.2401.04181 (2024)。5 Luisa, D. 和 Pasquale, S. 人工智能中的探索性合成生物学：相关性标准和生命与认知过程合成模型的分类。《人工智能》，doi:10.1162/artl_a_00411 (2023)。6 Juan Felipe Correa, M. 和 Juan Carlos, M. 从人工智能和贝叶斯统计到神经解剖学：联系、类比和应用。《移民快报》，doi:10.59670/ml.v21is1.6005 (2023)。7 使用 citexs 网站 ( https://www.citexs.com/ ) 进行文献计量分析。 8 Deep Manishkumar, D. 和 Shrikant, M. 增强智能：数字化转型时代的人机协作。国际工程应用科学与技术杂志，doi:10.33564/ijeast.2023.v08i06.003 (2023)。9 Mohamed Ibrahim Beer, M. 和 Mohd Fadzil, H. 使用人工智能驱动的分析引擎实现企业计算中认知机器人过程自动化的自适应安全性。电气工程讲义，doi:10.1007/978-981-16-2183-3_78 (2022)。10 Benjamin, HB 人工智能城市化：治理、程序和平台认知的设计框架。 Ai & Society，doi:10.1007/s00146-020-01121-9 (2021)。11 Gustaf, J.-S.、Prasanna, BLB、Evrim Oya, G. 和 Shengnan, H. 认知机器人流程自动化：概念及其对公共组织动态 IT 能力的影响。IS 进展，doi:10.1007/978-3-030-92644-1_4 (2022)。12 Tononi, G. 和 Edelman，GMJS 意识与复杂性。282，1846-1851 (1998)。
通用人工智能程序合成语言Pro5Lang的情景记忆机制
我们设计了一种陈述性记忆机制，它尽可能与神经科学和认知科学的发现保持一致，同时不违反证明合理性的数学逻辑要求。其主要特点如下。 寄存器和内容可寻址存储器中存储的值仅限于已证明的命题。由于信息处理的最小单位（一个已被证明的命题）有自足的意义，记忆管理（比如忘记不必要的知识）就变得更容易。另一个优点是，即使在合成过程中执行不完整的程序，数据结构也不太可能崩溃。由于程序执行的顺序也将变得更加灵活，因此在时间允许的情况下规划未来的行动将变得更加容易。 每次进行推理时，都会自动将已证明的命题添加到已证明命题集合中，即将信息写入联想记忆机制。目的是减轻程序负担，提高程序综合的性能。 我们计划提供两种类型的陈述性知识回忆：自动回忆和主动回忆。 （目前仅实现了主动回忆。）事件回忆并不涉及重现某一特定时刻大脑的整个内部状态，而是仅重现一个已证实的命题。这使得信息处理能够实现，例如从一个命题推断另一个命题。 回忆陈述性知识的机制也被设计成不破坏证明的合理性（第 3.7 节）。 陈述性知识分为证实命题（情景记忆）和语义记忆。 Pro5Lang 中的语义记忆是多个已证明命题的压缩和抽象版本，旨在使用 [5]2 中描述的方法通过归纳推理来获取。 （然而，在当前的实现中，语义记忆也是从一开始就手动提供的。）由于存在过度概括和获取不正确的语义记忆的可能性，因此有必要提供单独的机制来选择和忘记不正确的语义记忆。这将在第 5 节中讨论。 由于记忆空间有限，即使正确的陈述性知识也会被适当地遗忘。即使不时随机选择和删除已证明命题集合中的元素，图 2 和 Pro5Lang 中的算法也不会失去健全性。然而，证明可能需要更长的时间并且可能变得越来越难以完成。为了避免降低证明的效率，需要使用一些启发式方法来选择需要遗忘的知识。 （目前实施中尚未采取此类措施。）
逻辑与人工智能特刊
高度发展。然而，众所周知，经典布尔逻辑在处理不确定性、等级真值或相似性等问题时是不够的，因此出现了其他更具表现力的逻辑，这些逻辑与人工智能更加相关。非经典逻辑作为解决许多人工智能挑战的方法而出现。事实上，正是在 20 世纪，逻辑中解决了模糊性、多义性和不确定性的形式化问题。这样，改变或删除经典逻辑的七个传统标准属性中的一些属性的想法导致了非经典逻辑的诞生。这些逻辑包括一大类不同的逻辑系统，例如模态逻辑、模糊逻辑、直觉逻辑或多值逻辑 [7、8、10 – 13、20、24、25、27、31]。在人工智能领域，我们通常区分出四种一般方法 [33]：基于逻辑的人工智能、非逻辑主义人工智能、智能代理连续体方法和异构人工智能方法。基于逻辑的人工智能是一种符号方法，由麦卡锡 [28] 于 1959 年具体发起，它基于使用逻辑将知识形式化并通过逻辑推理解决问题的一般思想。该方法涵盖的一些主要领域包括知识表示、信念理论、系统实现、非单调推理、溯因和归纳推理、常识推理和规划以及问题解决（有关基于逻辑的人工智能的一般讨论，请参阅 [29]）。请注意，基于逻辑的人工智能是本特刊中处理的方法。多值逻辑应用的最突出领域是基于逻辑的人工智能。一些重要的应用领域包括数据和知识挖掘的自动化、模糊概念的形式化和常识推理。在文献中，在人工智能中使用多值逻辑的研究工作包括：Aksoy 和 Ercanoglu [ 1 ] 在滑坡识别和分类中使用多值逻辑；Moraga 等人[30] 回顾并讨论了用于模糊控制的多值逻辑；Falomir 等人[22] 使用描述逻辑来解释数字图像，通过每个对象的颜色和定性形状以及其主要空间特征（位置、相对方向和拓扑）来描述每个对象，这允许通过推理推断出新的对象类别（例如门）；Corsi 和 Fermüller[14] 探讨了加权论证框架与基于 t 范数的逻辑之间的联系； Almubarak 等人 [ 2 ] 提出了一种基于模糊逻辑的颜色直方图分析方法，用于在皮肤镜图像中区分良性皮肤病变和恶性黑色素瘤；Badia 等人 [ 4 ] 和 Costa 和 Dellunde [ 15 ] 研究了模糊逻辑编程和计算机科学中相关概念的逻辑属性，16]；Eklund 和Löfstrand[19]应用多值逻辑，旨在丰富制造业中关于产品和生产过程的信息结构及其表示的语言；Falomir 和Pich[32]提出了一种组成定性形状的逻辑方法，并将其应用于解决空间推理测试；Flaminio等人[23]分析了多值逻辑与不确定性决策理论之间的关系；Falomir等人[21]定义了将模糊颜色模型与概率参考和接地机制（PRAGR）相结合的逻辑，以便根据上下文获得对象最具辨别力的颜色描述符。最近，Dubois等人[18]发表了关于用于推理的多值逻辑的专刊。
什么是社会工作中的假设
假设的概念起源于古希腊语，表示对现象的拟议解释。在现代用法中，假设是必须测试或评估以确定其有效性的初始思想或解释。假设应伪造，可以通过观察证明它是错误的。即使被确认，假设仍然是临时的，不一定是确定的。在社会工作评估中，假设建设是至关重要的活动。从业者收到推荐人的推荐，受到实践智慧，个人价值观和正式知识等因素的影响，就开始形成假设。Munro强调了承认最小化错误的可能性的重要性。从业人员应考虑所有可能的假设并解决每个假设，只有在有明确的证据时才将其丢弃。评估过程应包括记录可能的假设，清楚地表明它们是临时的，并且基于当时的可用信息。计划信息的性质和来源可以帮助检验所有可能的假设，从而使从业者证明或反驳其有效性。在此阶段，从业者应该问：“我们担心什么？可能对孩子有什么危险或伤害？”如果我们的假设正确，需要发生什么？”本文讨论了社会工作者如何利用定性研究方法来更好地理解和解决诸如人际暴力之类的复杂问题。因果关系是指了解一个事件如何导致另一个事件。它突出了考虑此类研究中考虑主观经验和上下文因素的重要性。####原始文章：**标题：**有关社会工作研究方法的各种文章**作者/贡献者：** Jane F. Gilgun，Christopher M. Murphy，K。O'Leary，Cibele Cheron，Cibele Cheron，Julice Salvagni，Julice Salvagni，R.K. K. K. Colomby，R.K. colomby，R.K. colomby，desc，desc，s. s. s. s. s. s. s. shore n. sill n. shore n. sithe n. sithe n. sithe n. sithe n. sithe n. sithe n. sithe n。 Davis，H。Leitenberg，Claudio Consuegra **出版年：**各个年份（1992，1994，2002，2022）在生活的任何阶段都可以有益，从而导致情感支持的关系。对儿童抗压力因素的研究随着时间的流逝而发展，从研究成人精神分裂症到确定儿童的危险因素。受研究范式影响的解释因果关系有不同的方法。实证主义范式具有客观性，而社会建构主义范式则认为真相主观。因果关系，这意味着报告人们对什么原因的看法。但是，如果多个人见证了一个事件并提供不同的解释，那么从社会建构主义的角度来看，这两种观点都是正确的。这种观点的重点是因果关系解释，其中涉及根据参与者的主观理解来描述现象。印度研究很强大，因为它对现象的背景有深刻的了解。研究参与者建立的关系的概念在科学界似乎是非常规的。这种类型的解释对于帮助我们在各种情况下估计真理至关重要。然而，印度研究的思想已经存在了几个世纪的哲学，并且仅在上个世纪被应用于科学。像牛顿和达尔文这样的著名科学家从未将真理视为主观，而是寻求普遍适用的客观性真实定律。实证主义范式主导了科学景观，研究人员寻求适用于所有人的广泛解释。名义上的因果解释非常强大，使科学家可以对未来事件进行预测，并将发现从较小的样本概括为较大的人群。例如，想象一个基于社区的非营利机构为残疾人服务。为了支持他们有关额外资金的论点，他们可以使用名义研究来表明以前的研究如何将基于社区的计划与更好的健康和就业成果联系起来。另外，印度研究将在这些计划中提供个人的故事和经验，从而详细介绍成为基于社区计划的一部分的生活经验。例如，一个人可能会分享他们在代理机构感到宾至如归的人，因为它像对待家人一样对待他们，或者帮助他们确保了第一支薪水。名义解释都具有价值，并提供了更深入的深度和名义方法，从而提供了更大的广度。在社会工作中，两种方法对于理解复杂的社会世界都是至关重要的。描述性研究可以提供统计数据，而解释性研究的目的是使用数学通用语言进行干净的“ X引起Y”解释。一名社会工作者帮助患有药物滥用问题的客户可能会通过探索个人的生活故事来寻求独立知识，而另一位社会工作者可能会使用名义上的研究来了解滥用药物的更广泛趋势。社会工作者也将其独特的物理环境或探究他们如何理解成瘾的方式来指导干预措施。名义上的研究可以通过使用依赖有关有助于解决此类问题的人的经常知识的循证疗法来帮助最大程度地减少危险因素并最大化药物滥用问题的保护因素。在名义上的因果关系中，学生可以通过认识到概括的特征，包括使用定量方法，演绎推理和解释性研究来了解如何概念化和设计其研究项目。名义上的因果关系旨在将现象减少到通用语言，数学，允许在社会世界中进行精确度量，但并非所有定量研究都是解释性的。inthototic因果关系，变量定义为一个自变量（原因），而另一个变量为因变量（效果）。这些关系的强度是通过统计意义（关系强度）来衡量的，反映在P值中，这有助于研究人员对他们的发现充满信心。假设形成应基于社会世界的现有理论或模型。例如，假设为临床客户提供温暖和积极的评价，促进治疗进展与卡尔·罗杰斯（Carl Rogers）的人文理论保持一致。这种方法例证了演绎研究，而先前理论为假设提供了信息。如果罗杰斯的理论是正确的，那么假设的关系应该成立。研究人员经常探索性骚扰等领域的因果关系。例如，对该主题的研究可能会提出，基于女权主义的观点，女性比男性更有可能经历特定的行为。在这种情况下，性别是独立变量，而经历骚扰的可能性是因变量。研究人员还可以假设变量之间的方向关系。研究年龄和对大麻合法化的支持之间的联系的研究可能旨在证明老年人不太可能认可合法化。这意味着随着年龄的增长，对合法化的支持减少。必须认识到假设形成可能具有挑战性。提出假设可以帮助澄清期望。但是，一旦数据收集开始，基于结果改变或更改初始假设是不道德的。如果一项研究发现年龄和对大麻合法化的支持之间没有相关性，那么即使挑战现有文献，这些信息仍然很有价值。它强调了进一步研究的必要性，以发现影响合法化态度的潜在因素。与研究中的协方差，合理性，时间性和虚假有关。我们的示例从图7.3中重点放在变量变化的协方差上。但是，这些不是艰难的规则。在我们的研究，对大麻合法化的年龄和支持都存在，但相关性并不一定意味着因果关系。合理性是声称一个事件使另一个事件可信的关键。我们发现，来自不同一代人的人们对大麻的态度有所不同，嬉皮时代的人培养的人更加开放。建立时间性或因果关系的顺序也很重要。在这种情况下，年龄先于对药物政策的意见。支持大麻合法化不会导致一个人的年龄，因为它们是两个不同的概念。此外，研究人员需要研究非宽容性，这是在关联出现因果关系时发生的，但可以用另一个因素来解释。例如，我们发现较旧的人群往往对合法化的支持较少，这可能是由于先前使用的大麻而不是年龄。这被称为第三个变量问题，其中真正原因是最初未考虑的变量。控制变量用于说明这些虚假关系的影响。通过测量和控制外部因素，研究人员可以提供更准确的结果并排除其他解释。通常存在一种相关性意味着因果关系的误解，但实际上，仅必须满足三个标准才能被视为因果关系：变量必须变化在一起，关系必须是合理的，原因必须先于及时的效果。但是，研究人员很少声称自己以绝对的确定性证明了他们的假设。相反，他们说他们的假设是否得到了支持。为了建立因果关系，研究人员可能会诉诸于印度方法，这些方法的重点是个人经验和解释，而不是对较大的人群进行概括。独立因果关系受到人们的故事的束缚，通常是通过单词来表达的，而不是使用数学语言来减少复杂的社会现象。根据研究，诸如一年中的时间之类的因素有时会导致高冰淇淋销售和增加溺水死亡之间的明显关系，而马萨诸塞州的其他变量（如工资增加）可能与哈瓦那的价格变化有关。但是，必须考虑存在可能解释观察到的关系的其他变量的存在。最终，研究人员经常通过讨论无效的假设或探索其发现的替代解释来客观地证明因果关系的挑战。一些研究人员解释视觉或表现艺术以了解社会现象，而大多数社会科学研究依靠单词数据。但是，我预测，印度因果关系将用于描述性或探索性研究。是否有必要进行解释性研究建立名义上的因果关系？探索性和描述性定性研究可以确定某些因果关系，但实际上它们对参与者的经历的描述受到时间，环境和主观经验等各种因素的影响。作为社会科学研究人员，我们的工作是准确地描述参与者故事中的模式。让我们考虑一个例子：当被问及为什么成为社会工作者时，我会说这是由于我对高中以来对心理健康的兴趣，再加上第二次实习顾问的建议。这不是一个简单的解释，但它提供了使我成为社会工作者的复杂因素的洞察力。如果我们就他们的决定采访了许多社会工作者，我们可能会注意到模式。我们可能会发现，许多人由于个人经验，积极的互动或帮助他人的愿望而开始了职业。没有一个因素至关重要；取而代之的是，在解释人们的故事时，数据中出现了与上下文相关因素的网络。在单词数据中查找模式是归纳推理的关键。研究人员收集数据并注意模式，这些模式为社会工作理论提供了信息。独立因果关系类似于仅适用于特定参与者，环境和时间时刻的小“ T”理论。虽然它们可能不适用，但它们为该领域提供了宝贵的见解。研究和位置导致更高级的理论，这些理论解释了各种环境的现象。这使定性研究人员使用基于个人的解释来进行理论发展或通过归纳推理创建新理论。相比之下，定量研究人员通过基于现有知识（大t或小t）的假设来采用一般模式进行理论测试，并通过数学（演绎推理）对其进行验证。在研究家庭和性暴力时，可能会遇到权力和控制轮。该模型说明了权力和控制与身体暴力关系的运作方式。是根据明尼苏达州德卢斯（Duluth）对性和家庭暴力进行的定性讨论进行的，这是从参与者那里获得的见解，而不是研究人员的先入为主的观念。随着定性询问的展开，随着研究人员从参与者的贡献中学习，假设变得更加清晰。一旦从定性数据中发展出理论，就可以使用定量研究来检验该理论。例如，研究人员可能假设具有传统性别角色的男性更有可能从事家庭暴力，与权力和控制轮模型保持一致。定性理论可以激发定量项目的假设。与形式标准（协方差）建立因果关系的一般模式不同，基于个人的解释依赖于较少的僵化标准。研究人员认识到诸如互惠关系或非流行性之类的复杂性，并承认原因并不总是很简单。然而，在二世解释中突出的关系应保持合理和协方差。的假设比可检验的预测更为暂时。 研究人员从文献中提出假设，以了解参与者的重要概念以及他们在研究过程中如何反应。 定性研究可以定量测试。的假设比可检验的预测更为暂时。研究人员从文献中提出假设，以了解参与者的重要概念以及他们在研究过程中如何反应。定性研究可以定量测试。随着研究人员在整个定性研究过程中学习更多信息，这些假设可能会发生变化。在与参与者进行研究时，他们可能会介绍其他人讨论的新概念。作为创新因果关系的专家，研究人员应开放，以相应地调整他们的问题和假设。印第安和名义上的方法构成了研究设计元素的“两个篮子”。主要是，将一个篮子的组件与另一个篮子结合在一起是没有意义的。使用定量方法来解决学科问题，无法提供所需的深刻理解。知道一个人在抑郁症状指数上的得分并不能解释抑郁症对他们意味着什么。定性方法通常不用于演绎推理，因为他们寻求参与者的观点而不是测试现有理论。有定性研究以定量方法检验理论和社会建构主义研究。关键范式中的研究人员可以根据他们的问题而适合任何一个水桶，重点是人们从压迫力量中解放。印度研究的重点是主观性，上下文和意义，而名义研究则侧重于客观性，预测和推广。在定性研究中，目标是了解特定实例的众多原因。在定量研究中，目标可能是了解更多的一般原因而不是特质。对于致命的因果关系，这种关系必须是合理的，不宽容的，并且在其及时的原因之前。假设是理论的陈述，描述了研究人员对变量之间关系的期望。选择性或名义因果解释的选择需要考虑方法，范式和推理。取决于您是否寻求名义或双学因果解释，您可能会采用特定的研究设计组件。因果关系是指一个事件将导致另一个事件，随后的事件。控制变量是可能影响您研究结果的潜在因素。要检查变量之间的关系，数据分析控制统计效应。这突出了共同体的独立变量和相关变量的变化，这意味着它们一起改变。因变量依赖于自变量的变化来产生结果。通过将发现从样本概括为较大的人群，研究人员可以对更广泛的趋势提出主张。假设根据现有知识提出了预期的结果。存在两种研究方法：印度，详尽地探讨了个人观点；和名义上的，它提供了适用于所有人的普遍解释。为了使索赔合理，它们必须从逻辑上遵循数据。虚假关系似乎是因果关系，但可以用第三个变量来解释。统计意义表明研究人员对数学关系的信心。时间性要求引起效果。理论建设涉及通过归纳推理创建新理论，而理论测试涉及从现有理论中开发假设，并在数学上验证它们。
什么是单声道方法定量研究
在本文中探讨了期货研究领域内开发研究方法和构建研究设计的概念。进行了系统的分析，以检查通常在商业研究中使用的“研究企业”模型的相关性和适当性，用于在期货研究中的应用。该研究概述了制定研究方法和构建研究设计设计的七个步骤过程，以研究未来，从定义主要的哲学姿态开始，并在研究设计的构建中达到顶峰。关键字：期货研究，方法论，研究洋葱，研究设计。引言期货研究的开始对于学生和学者带来了新的机会，但提出了基本问题，这可能是令人生畏的。至关重要的考虑是在开始论文或论文时如何处理方法。期货研究专家坚持认为，大多数方法都是从其他领域借来的，使该领域具有灵活性，但也容易适应各种技术。但是，关于期货研究中方法论的文献的稀缺性使区分哲学和方法之间的过程变得复杂，从而使新移民建立独特的研究设计的挑战。大多数学术文章都集中在特定方法上，因此不清楚选择一种方法或结合多种方法的逻辑。尽管期货研究过去曾面临过方法论，但远见研究人员已经完成了实质性的工作，以提高该领域的方法学连贯性。2016年。（2016）。然而，现代社会现实的快速变化的性质为期货研究带来了新的挑战，质疑现有方法是否可以有效地应对复杂而不确定的未来。对未来的探索是一种相对较新的科学方法，这使得分析期货研究的发展是一种科学学科，以更好地了解其潜力和局限性。在未来学领域的期货研究的一致理论框架的发展仍然是一个重大挑战。尽管人们广泛讨论了期货研究的方法，但需要良好的期货方法发展模型。要解决这一差距，分析来自相关字段的现有系统模型可以提供有价值的见解。由Saunders等人开发的“研究洋葱”模型已在社会科学中广泛采用，并已被证明是构建理论框架的有效工具。但是，其对期货研究背景的适用性需要进一步的评估和适应。预期的概念或远见是理解与未来事件相关的人类行为和决策过程至关重要的。该学科着眼于以后影响现实的方式，从而有意识地使用目前的未来元素。预期包括各种认知和方法论方法，包括探索性和预测性思维。通过采用系统的期货研究方法，学者可以开发有效的方法来探索和预测未来的结果。（2016）。鼓励个人预见未来的情况，做出明智的决定，平衡短期和长期利益，确定重大事件的原因，并增强实现既定目标的动力。渴望知道接下来会发生什么，而不仅仅是关于个人未来计划，还涉及政府和领导人在整个历史上寻求远见。从雇用占星家到建立特殊研究委员会，他们将时间和资源投入到未来的战略规划中。但是，变更的不可预测性使得在该领域应用现代工具或专家系统变得困难。许多科学家质疑未来的“研究能力”及其科学依据，这是由于各种原因包括：社会现实不断发展，因此根据Popper（1965），科学预测不可能。科学预测仅适用于罕见的孤立系统。社会系统是一个无法科学预测的开放系统。从当前因素中得出的预测可能会在将来发生变化或变得无关紧要，从而对首先要出现的事情造成了错误的假设。当精确得出当前条件时，这些预测也可以看作是合成的和无礼的。此外，预测太远的前进会导致乌托邦式的思想，而不是变量之间的因果关系。对期货研究的批评者表明，大多数批评源于误解该领域的关键方面。为了讨论期货研究的科学基础，要区分“科学”需要什么。Ruse（1982）指出，定义“科学”很复杂，但是特征包括搜索法律，解释，预测，可检验性和确认。测试科学理论后，它要么由积极证据证实，要么根据观察结果被拒绝。这个过程固有地涉及预测，这是科学方法的重要方面。Niiniluoto（2001）指出，在经济学，物理学和心理学等学科中，基于当前条件的未来事件进行预测。这些预测创造了一个理解未来的框架，使科学家可以针对可观察的事件进行测试。Niiniluoto（2001）认为，如果没有做出预测的能力，任何科学理论都将无法满足可检验性标准。同样，Patomaki（2006）提出，即使在通常不使用预测的社会科学中，预期期货也是所有行动不可或缺的一部分。这意味着社会科学还应该有能力提供有关在当今环境中可能存在相关期货的解释。但是，鉴于柏拉图的经典观点，即知识是合理的，niiniluoto（2001）质疑“远见”是否可以视为一种知识形式。作者指出，尽管有关于未来的命题，目前可以验证为真实，但这主要适用于精确的科学。对未来的偶然事件或状态的预测在经典的意义上是不可知的。诸如愿望，恐惧和期望之类的产品是主观的，不能与科学联系在一起。屠杀（1990年）反对考虑过时的世界观的远见，理由是它依赖与当前情况或需求不符的假设。在回应中，Niiniluoto（2001）提出清楚地区分研究的对象和研究证据：期货研究的重点应该放在理解当前的目前，这是有关可能未来的证据。另一种方法将期货研究的对象定义为“分支树”或现实世界中尚未体现的各种替代可能性。这种观点承认，未来由现有环境中的多种可能性和不实现的权力组成，这可能在特定条件下展开。在研究开放系统中的未来方面，当代期货研究已从预测分析，可能性探索和场景构建转移（Patomaki，2006年）。这种转变强调了远见 - 可以分析可能的，更可取的未来，并设计未来，而不是预测或预测它。这一想法是由Polak and Boulding在1973年进一步提出的。研究人类看法的研究人员承认，现实具有双重性质 - 现在和想象中的。这种双重性塑造了我们对时间的理解，使我们能够区分过去，现在和未来。Polak and Boulding（1973）还强调，必须通过即将发生的事情来感知和塑造未来。在2003年贝尔引入倾向概念时，期货研究范式发生了重大转变。根据Poli（2011），核心差异在于理解多种可能性，在某些情况下，处置是可以实现的事实。从本体论的角度来看，处置不再是一种认知产品，而是有可能调节未来的事实。尽管这为建立研究框架创造了坚实的基础，但它并不能为设计研究方法和选择独特的研究设计提供连贯的概念。要开发一种连贯的期货研究设计，至关重要的是要确定将认识论和本体论假设与研究方法和解释发现方法联系起来的逻辑步骤。一种方法是基于Saunders等人提出的“研究工具”概念（图1）。此框架提供了对制定有效方法的主要层或阶段的疲惫描述，如Raithatha在2017年所指出的那样。研究方法首先要描述哲学，选择方法，方法和策略，并定义时间范围 - 最终导致了研究设计和数据收集和分析的技术。研究企业由六个主要层组成：研究理念，理论发展方法，研究策略的选择，案例内分析，跨案例分析和发现。期货研究的研究过程涉及多个阶段，包括假设发展，数据收集和分析。所使用的方法取决于该研究的目的是测试现有理论还是发展新理论。有三种主要方法：演绎，电感和绑架。演绎方法通常用于测试理论，而归纳方法则首选用于发展有限的研究理论或研究领域。方法论选择决定使用定量和定性方法或两者的组合。研究策略包括实验，调查，档案研究，案例研究，人种学，行动研究，扎根理论和叙事探究。时间范围可以是横断面（短期研究）或纵向（长期研究）。研究人员还必须考虑技术和程序，包括数据收集和分析方法，例如主要数据和次要数据，样本组和问卷内容。最初为商业研究设计的研究洋葱模型需要适应期货研究。对该模型的批判性审查揭示了需要附加层的：未来研究的方法。具有七个主要层的修订模型包括研究理念，期货研究的方法，理论发展，战略，方法论选择，时间范围以及技术和技术和程序。新层为理解研究基础的科学探究提供了一种关键方法。从历史的角度来看，有四个主要的研究哲学立场：实证主义者，解释主义者，实用主义和批判现实主义者。实证主义反映了自然科学家的哲学立场，重点是观察实体并存在于社会参与者外部的客观主义假设上。知识是通过基于因果关系的观察和找到事件规律来获得的。相反，解释主义采用了主观主义的本体论假设，即实体是由话语，现有或社会建构的现实构成的，仅通过意识或语言等社会结构进行研究。现实是社会建构的，并且不断发展，使知识和事实相对和主观。实证主义和解释主义立场之间的二分法因不考虑个人在社会现实中的作用而受到批评。同时，批判现实主义挑战了古典经验主义的原子事件的观念是知识的最终对象，而是区分传递性（由人类活动产生的知识）和不及物的（与人类生存无关）类型的及非传染性（稳定对象）。根据Bhaskar的说法，真实实体独立于事件，可以区分域：真实，实际和经验的领域。科学的核心目的是产生有关机制的知识（不及物对象）和描述这些机制的陈述。传统的科学方法着重于通过受控环境中的实验来发现自然序列，定律和因果关系机制。事件1之后的事件2的概念不是绝对的，并且可能会根据所讨论的系统而变化很大。而不是直接链接的因素和效果的封闭系统，现实是更复杂和动态的，导致“开放系统”一词。在这样的系统中，事件2并不总是遵循事件1，因为环境中存在非策略的可能性和权力。在研究策略方面，Saunders等。因果定律是自然的生成机制，在封闭和开放系统中都可以理解。它们是作为趋势的运作，而不是解释正在发生的事情，而是在某些情况下可能发生的事情。批判现实主义调和积极和解释性的本体论立场，为桥接解释和理解提供了基础。经验观察不足以解释因果关系，因为需要考虑隐藏的机制。因果解释的发展应集中于探索生成机制，而不是寻找规律性。从事件到机制的重点转变对科学研究具有重要意义，特别是在期货研究中，探索生成机制可以帮助预测未来的事件。存在未来的三个基本观点：预测性，解释性和批判性。预测观点假定未来是确定性的，可以知道。相比之下，解释性观点依靠对各种图像的解释性分析寻求洞察力而不是预测。批判性观点认为，没有一个预定的未来，而是多个可能的未来。Kosow和Gaßner（2008）和Inayatullah（2013）提出了与这些观点相似的观点，这可以与实证主义，解释主义和批判现实主义的科学研究哲学立场有关。实证主义基于当前和过去的知识，假定未来的可预测性和可控性，通过因果，法律般的和功能关系来寻找事件规律性。这允许通过外推精确地计算未来事件。解释主义假定未来的不可预测性，将其视为随机，混乱和不可预测的事件链。在这种观点中，对未来的控制或预测是不可能的，只有通过直觉策略才能获得知识。批判现实主义假定未来的灵活性，但考虑到它是真实的，尽管尚未表现出来，包括通过变革事件实现的多种可能性。这允许参与参与者的未来（至少在某种程度上）影响（至少在某种程度上）。Patomaki（2006），Bell（2003）和Van der Heijden（2000）声称，批判现实主义为期货研究提供了独特的基础。List（2005）和Aligica（2011）合理地注意到，可以采用关键的现实主义方法来解释可能的未来约束。期货研究集中于正在进行的过程和行动，而不是过去的事件。未来学家使用理论框架来解释社会结构的发展，设定边界条件并预测可能的未来情况。批判现实主义者的哲学通过探索因果机制和推断趋势到将来的某个点，为期货研究提供了一个独特的框架。积极的哲学可以为具有人口统计学和经济发展等有形数据的领域的期货研究提供理论基础。解释性立场集中在理解未来的图像范围上，而批判现实主义则假定可能受时事影响的不同可能的未来。期货研究的方法各不相同，包括基于数学运营的定量预测，专注于多种可能性的替代期货以及强调发展未来的参与式行动学习/研究。Kosow和Gaßner声称，方法已从定量预测逐渐发展为基于预见的定性技术，适合研究复杂的期货。根据Kuosa（2011），期货研究主要将归纳推理与直观技术联系起来，而基于物理论证的演绎推理则侧重于控制功能和指导知识。Kuosa（2011）还强调，鉴于其本质上可变的和不可预测的性质，当代期货研究中的重要错误之一是期望控制或准确预测未来。无法提供确切的预测通常被当代科学家视为缺乏科学基础。然而，承认失败是科学方法不可或缺的一部分至关重要，因为这是现实生活中的普遍现象，有助于科学知识。演绎和归纳推论在期货研究中广泛使用，但Kuosa（2011）指出向绑架推理的转变。绑架推理涉及基于可用证据和观察线索样符号的结论。（2016）提出了各种方法，包括实验，调查，档案研究，案例研究，人种学，行动研究，扎根理论和叙事探究。可以在期货研究中区分三种研究方法：演绎，旨在指导知识和控制功能；归纳，专注于控制信息；并绑架了，旨在识别结构，连接，上下文和约束。但是，期货研究可以用不同的方式分类，研究策略是选择数据收集方法来回答研究问题并满足目标的一般框架。List（2005）确定了两种主要研究方法类型：定量和定性，而Kosow和Gaßner（2008）和Puglisi（2001）也区分了探索性和规范方法。探索方法检查了多个未来和可能的发展，而规范方法旨在塑造理想或不良的未来。期货研究中的三种主要研究策略是描述性的，规范性的（规范性）和探索性的，可以用来描述未来的发展模式，规定实现理想未来的行动或探索可能的未来事件。最终，期货研究中的方法论选择取决于研究目标，Saunders等人。（2016）定义与定量和定性方法有关的研究选择。研究方法包括各种方法，包括两者的直接或复杂混合物或单方法的利用。定量方法涉及数值数据和数学操作，但定性方法需要收集广泛的描述性信息。要进行，研究人员必须选择一种期货研究方法。单方法；混合方法将定量和定性方法结合在单个研究中，以实现各种目标，并减轻使用孤立方法的局限性；多方法选择会破坏定性和定量方法的使用，尽管一种方法是主要基础，而另一种方法则提供了辅助支持。根据Saleh等人（2008年），研究选择的这种选择也与期货研究有关，其中方法的范围可以分为定量技术，例如时间序列分析，因果分析，趋势分析，趋势分析以及诸如Delphi Surveys，Delphi Surveys，Futures Wheel，Futures Wheel，环境扫描等的定性方法。某些方法（例如方案构建和建模）成功地弥合了定量和定性领域。期货研究中的时间范围通常包括研究的期限或不同广度的时间顺序。Kosow andGaßner（2008）确定了三个基本时间范围：短期（长达10年），中期（长达25年）和长期（超过25年）。他们还将静态观察与将来的某个点区分开，通常与规范策略作为替代时间范围。技术和程序的最后一层将研究设计指向数据收集和分析。所有上述选择都决定了基本数据收集和分析程序的类型，这些方法将有助于回答研究问题。远见采用定性和合并的技术来探索多个未来。在期货研究中构建研究设计可以基于Saunders等人的研究概念。通过将这一概念调整为期货研究，研究局提出了一种将理论知识整合到现场的系统，可以将其汇总为七层。选择研究方法并在期货研究中构建研究设计涉及遵循与研究洋葱七层相对应的七个步骤：哲学选择，方法，策略，选择，时间范围，时间范围，技术和程序。由于缺乏关于未来的经验证据，期货研究中的哲学选择很复杂。要选择一种适当的理念，必须确定研究和可用数据源的运营领域。实证主义可以作为研究的主要哲学态度，在该研究中，有切实的定量数据可获得，实现了未来的“计算”并做出确切的预测，通常在人口统计学和经济发展等领域。期货研究经常采用定性数据，这可能导致采用解释主义或批判现实主义作为主要的哲学立场。如果重点是构建未来的叙述并理解未来的各种形象，则可以选择一种解释性方法。批判的现实主义同时，假设可能存在不同的未来，并且可以受到当今因素的影响，从而适合于机构，文化和政治等领域的场景建设。所选的哲学和方法将影响理论发展的方法。预测涉及诸如外推和计量模型之类的数学操作，通常以积极的哲学姿态使用。演绎推理可能与预测相关，因为它会根据逻辑必需品得出某些结论，然后通过数据收集对其进行测试或验证。归纳和绑架方法从数据收集开始，然后朝着开发明确的理论立场发展。在期货研究中，演绎和归纳方法依赖于预测过去的概率，而绑架的方法着重于识别“弱信号”，即最初的变化迹象。绑架方法通常用于从有限的知识中得出结论。研究策略包括描述性，规范性和探索性方法。描述性策略与预测和演绎推理有关，旨在确切描述未来事件。规范策略探讨了未来应该或不应该的样子，并寻求实现它的方法。探索性策略研究多个未来和可能的发展。研究方法的选择取决于研究问题，问题和整体目标。这可能涉及特定任务的单声道，混合或多方法。研究时间范围的范围可以从长期到短期期货，甚至是回顾时间。在此阶段，构建了一个研究工具，例如调查表或访谈，以适合所有以前的选择。在这种情况下，与立陶宛乔纳斯将军的Aleksandras Melnikovas建立了信件。期货研究的研究洋葱是研究人员和从业人员借鉴期货研究领域中现有方法和方法的指南。此模型通过允许研究人员从各个层中选择合适的理论或实践，从而为方法论开发提供了灵活的框架，从而使他们能够以连贯的方式解决研究问题。研究洋葱的过程指导研究的理论框架，确保所选工具，技术和基础哲学之间的一致性。这导致了研究设计的连贯和逻辑发展。通过借鉴现有方法，研究人员可以基于该领域的既定知识，同时促进其进步。引用的参考文献包括Aligica（2011），Amara（1991），Aspinwall（2005），Bell（2002＆2003），Bhaskar（2008），Danermark等。（2002），de Jouvenel（1967），Delaney（2002），Heijden（2000），Inayatullah（2004，2008，＆2013），Kosow和Gaßner（2008），Kuosa（2011）和Saunders等。这些来源有助于理解期货研究方法及其在研究中的应用。几位学者在他们的研究中探索了场景规划的概念。例如，List（2005）开发了一种社会查询的方法，其中包括方案网络映射。Lloyd（2012）研究了如何使用互联网应用程序来传播知识并促进职业管理。5月（2000年）讨论了与未来研究有关的各种假设和类型。此外，还有几项关于预期学科的研究，包括Miller等人的工作。（2013），Mingers（2006），Molis（2008）和Myers（2008）。 这些学者探讨了系统思维在管理科学中的作用以及考虑期货研究中多种观点的重要性。 其他研究人员将未来研究的性质作为一门学科进行了调查。 例如，Niiniluoto（2001）质疑期货研究应视为科学还是艺术。 Patokorpi和Ahvenainen（2009）开发了一种期货研究的方法，该方法融合了绑架，而Polak and Boulding（1973）探索了未来学的概念。 Poli（2011）讨论了对未来的明确本体论的必要性，以便更好地了解该领域的复杂性。 Popper（1965）认为，预测和预言是包括期货研究在内的社会科学的重要组成部分。 最后，一些学者检查了特定方法或方案计划的方法。 例如，Puglisi（2001）提供了各种期货研究方法的概述，而Ramos（2002）探讨了将行动研究用作一种先知方法的使用。 总的来说，这项工作的集合代表了方案规划及其与其他领域的关系的一系列观点，例如管理科学，社会探究和期货研究。 Sardar和Sweeney在其2016年出版物“三个正常时期的三个明天”中探索了季节及其三个明天的概念。（2013），Mingers（2006），Molis（2008）和Myers（2008）。这些学者探讨了系统思维在管理科学中的作用以及考虑期货研究中多种观点的重要性。其他研究人员将未来研究的性质作为一门学科进行了调查。例如，Niiniluoto（2001）质疑期货研究应视为科学还是艺术。Patokorpi和Ahvenainen（2009）开发了一种期货研究的方法，该方法融合了绑架，而Polak and Boulding（1973）探索了未来学的概念。Poli（2011）讨论了对未来的明确本体论的必要性，以便更好地了解该领域的复杂性。Popper（1965）认为，预测和预言是包括期货研究在内的社会科学的重要组成部分。最后，一些学者检查了特定方法或方案计划的方法。例如，Puglisi（2001）提供了各种期货研究方法的概述，而Ramos（2002）探讨了将行动研究用作一种先知方法的使用。总的来说，这项工作的集合代表了方案规划及其与其他领域的关系的一系列观点，例如管理科学，社会探究和期货研究。Sardar和Sweeney在其2016年出版物“三个正常时期的三个明天”中探索了季节及其三个明天的概念。在2001年出版的扫罗的书《 This This The Future》中也涉及了这个想法。在2016年发行的桑德斯，刘易斯和索恩希尔的文本中概述了针对商科学生的研究方法。Slaughter在1990年的文章“远见原则”中引入了远见原则。此外，屠杀和屠宰在其出版物中探索了第三千年的未来，“第三千年的期货：启用前瞻性”。voros在2017年发行的手册《预期手册》中讨论了巨大的历史和期待。welch，Piekkari，Plakoyiannaki和Paavilainen-Mantymaki在其2011年出版物中分享了从案例研究中的理论化的思想：“案例研究的理论：迈向国际商业研究杂志上的国际商业研究的多元化未来”。