贝叶斯方法用于科学史研究

武夷山

最近，普赖斯奖得主、比利时科学计量学家、国际科学计量学与信息计量学学会（ISSI）前会长鲁索教授通过邮件向中国同行们推荐了一篇文章，即开放获取杂志Quantitative Science Studies（量化科学元勘）2023年第4卷第1期发表的普赖斯奖得主、美国学者Henry Small的文章，Bayesian history of science: The case of Watson and Crick and the structure of DNA （研究科学史的贝叶斯方法：沃森与克里克及DNA结构的案例）。

本文采用理论证实之朴素贝叶斯方法，来计算詹姆斯.沃森和弗朗西斯.克里克在20世纪50年代初所考察的、先后出现的4种DNA模型的后验概率，为此采用了当时认为相关的多种证据形态。根据史料资源对每一模型的证据之条件概率进行了估计并进行了人为赋值，此时采用了5级量表，概率贵高的一端是“强一致性”，另一端是“强不一致性”。对每种模型，都根据系列中的前一模型定义出了若干种可供选择的或处于竞争地位的理论。还基于这些较早模型的后验概率，设定了先验概率。结果表明，与系列模型中的早先3个模型相比，最后一个双螺旋模型的后验概率得到迅速增大，本文将此解释为一种“贝叶斯惊喜”，导致有了一项“发现”的感觉。本文还讨论了研究结果对科学史中的理论选择之启示。

文中提到的4种模型是：

1.  沃森和克里克基于鲍林的蛋白质阿尔法螺旋提出的三螺旋模型；

2.  鲍林和Corey独立提出的三螺旋模型；

3.  沃森提出的具有相似碱基配对的双螺旋模型；

4.  沃森和克里克最终提出的腺嘌呤与胸腺嘧啶和鸟嘌呤与胞嘧啶碱基配对的双螺旋模型。

本文“结论”说：

朴素贝叶斯方法允许人们根据多种证据形态就一种目标理论和另一种或多种竞争性的理论进行比较。对目标理论算出的后验概率可以与先验概率进行比较，以表明该理论被证实了还是被否证了。根据文中表1的概率量表对证据进行赋权，此举反映的想法是：某些形态的证据可由某一模型做出更好的解释。条件概率表达了某一参与者认为“某一特定形态的证据是源自某理论”的信心。在历史案例中，这些条件概率值必须根据历史事件参与者的陈述或历史事实来推断。至于这些事件的其他参与者是否会对相关证据赋予同样的权重，他们对应该考察哪些证据是否有一致意见，则还需要进一步的实验。应当注意到，有些哲学家（如Norton，2021）提倡采用非贝叶斯方法进行基于物理“事实”的归纳，他们批评贝叶斯方法将所有信念都解释为概率性的。但本文的案例表明了贝叶斯方法的充分性，只要避开极端的概率值（如0和1），而避开极端值的做法与科研成果的偶然性与不确定性是一致的。

    库恩认为，对于科学家来说，在科学革命中用新理论代替旧理论的过程更像是宗教皈依过程，而不单单是证据问题。他说，一个人不可能同时将两种理论放在心里，一点点地对比两种理论，或将两种理论对比于自然界。而这恰恰是我们在本文中采用贝叶斯框架所做的事。