思想基础
哲学、逻辑学与社会科学方法论,决定我们如何理解“证据”和“解释”。
A quiet room for serious reading and shared reasoning.
不是文献汇报会,也不是速读打卡群。我们以英文精读和中文讨论的方式, 在城市、地方政府行为、社会科学方法论与 AI 科研与知识管理智能体之间,建立一套持续生长的共同阅读秩序。
固定节奏,不追热点,用连续阅读建立共同语言。
保留原典语境,把论证链条和概念细部读清楚。
把材料转化为问题意识、研究路径与集体判断。
蓝灯只做点睛。真正的主角是内容、判断与相互追问的过程。
“不是把书读完,而是把问题读出来。”
书会不把阅读理解为孤立的材料消费,而是把思想基础、实质理论和研究工具组织成彼此支撑的结构。
哲学、逻辑学与社会科学方法论,决定我们如何理解“证据”和“解释”。
以经济学、政治学、社会学相关城市理论武装大脑,在城市、地方政府及其各个交叉地带建立起从理论到实践的问题意识,
方法和工具不独立存在,它们服务于理论追问与可验证的研究设计。
预告风格:信息清楚、节奏克制、重点明确。
主读材料:Judea Pearl & Dana Mackenzie, The Book of Why: The New Science of Cause and Effect, Chapter 2: "From Buccaneers to Guinea Pigs: The Genesis of Causal Inference"
主读材料:Judea Pearl & Dana Mackenzie, The Book of Why: The New Science of Cause and Effect, Chapter 1 & Chapter 2
主读材料:Judea Pearl & Dana Mackenzie, The Book of Why: The New Science of Cause and Effect, Introduction: Mind over Data & Chapter 1
突出讨论成果、方法总结和集体结论卡,而不是把它做成“内容流”。
本次讨论围绕因果推断的发展脉络展开,重点梳理了高尔顿、皮尔逊与赖特三位学者在统计学与因果关系演进中的关键贡献与思想转变,并深入探讨了相关性与因果性的本质区别及其对现代科学的影响。
本次讨论核心指出,当前人工智能(如大语言模型)仅能模仿人类的语言模式与相关性推理,缺乏真正的因果理解能力。人类独有的反事实思维——即想象“若非如此,结果会如何”——才是识别真实机制、推动科学进步的关键,而这一能力当前AI完全不具备。
本次讨论围绕大数据时代下计划经济与市场经济的可行性、因果关系与预测的本质区别,以及因果推断中的干预(do算子)与反事实逻辑展开,涵盖了哈耶克与兰格论战、卢卡斯批判、DAG模型与工具变量等核心理论,最终聚焦于全量数据是否足以支撑科学化的计划经济这一根本问题。