.png){kind=icon}
返回
Causality, Explanations, Machine Learning, and Engineering
.png){kind=icon}
OA
AI
DOI：10.1007/s10699-025-10006-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
因果性与解释是基础性的，但在工程领域中常被忽视。尽管工程教育强调设计原则、实践规范和技术考量，但因果性的明确概念通常被埋没在经验公式、基于规则的指导方针和规定性流程之下。本文探讨了因果性如何在工程实践中保持基础地位，以及规范条款和课程为何通常仅隐含地处理它。本文还探讨了因果性与机器学习（ML）的相互作用，机器学习擅长检测关联性，但其解释和捕捉因果关系的能カ仍存在疑问。在一系列案例研究中，我们主张建筑规范通常提炼集体工程智慧，并将因果推理嵌入简化和规范化的规则中。然而，这种嵌入很少被明确表述为因果性，这导致工程师在解释其决策时可能存在缺口。因此，本文倡导通过连接哲学探究、工程方法和机器学习，在工程领域重新关注因果性。
Keyword:
Models
Machine learning
Philosophy of science
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
F
IF:
0.9
论文数:
34
被引数:
564
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Mechanistic explanation in engineering science. Eur. J. Philosophy Sci. 5, 349–375工程科学中的机制性解释。Eur. J. Philosophy Sci. 5, 349–375
IF0
PREAI
分享收藏
分享收藏分享收藏分享收藏
查看更多内容