卡尔纳普（CARNAP）和西拉尔（Hillel）的语义信息论文章考察

它声称要研究一个语句本身的信息， 它不受接受者理解和发送者意图影响，是客观包含在语句中的。
它定义了语句i的内容cont(i)
m(zi）， 或mp(zi)--事实z发生时i的逻辑概率。
信息in(i)
逻辑概率m(zi)---事实z发生在语句i后， 语句i的逻辑概率
inf(i) = Log {1/[l-cont(i)]}
= Log [1/mp(i)]= -Log mp(i).
这个公式反映了， 先验逻辑概率越小， 信息量越大。 这和我的信息公式在某种程度上是一致的。

但是， 它没有考虑事实和命题的一致性。
我的公式中，后验逻辑概率越大（最大是1）， 信息量就越大。我的公式是：
I(zj; yi)=log[m(i|xi)/m(i)]
m(i|xi)总是1，那么我的公式就退化为他们的公式。

他们文章还定义了条件信息--不是事实发生后， 语句的信息，而是一个语句发生后， 另一个语句提供的信息
D5-1. in(j/i) =Df in(i. j) - in(i)

这个公式在形式上也和Shannon的互信息公司不同， 按互信息公司， 其形式应该是
in(j/i) =Df in(i. j) - in(i)-in(j)

它更像是熵公司：
H(x|y)=H(x,y)-H(y)

总的说来， 其缺陷是：没有考虑事实z和语句i的一致性， 或者说没有区分先验逻辑概率和后验逻辑概率。这是失败的主要原因。
另外，它对m（zi）的定义也成问题，说对于所有z, m(z)之和等于1. 而实际上， 逻辑概率之和大于零是正常的。比如永真命题，不管是么事实发生， 它都等于1， 之和肯定大于1.

其功绩是在信息公式中引进逻辑概率， 但是由于历史局限性（后来模糊数学的隶属度使逻辑概率问题更加清晰），所提供公式还不能解决通常的语义信息度量---预言“明天有雨”在明天降水量不同时的信息。