►背景：

科学研究范式与科学研究方法，从字面上看，两者一定有"关系"，毕竟6个字中有4个字是一样的。

现实很冲突，我写过很多关于科学研究方法的内容《科学研究方法书籍》也写过一些关于认识范式的内容《两种认识范式》却从来没有将"科学方法与科学范式"关联在一起思考研究，2字之差，遇见却花了半年的时间。

1. 科学研究范式（4个）

2. 科学研究方法（5个）

3. 科学范式与科学方法的关系

4. 其中3个重要概念（模型，数据，逻辑思维）

科学研究范式（4个）

计算机图灵奖得主-Jim Grey 提出：数据密集型科学研究 - 第四范式是以数据为基础，结合实验，理论和计算机模拟为一体的数据密集型计算。

Tom Hey 在《第四范式：数据密集型科学发现》书中提出了，科学研究范式发展的四个阶段：实验科学，理论科学，计算机科学和数据密集型科学。

第一范式：实验科学

通过观察自然和社会现象内部规律，以获得和检验科学结论的一种方法。

科学实验过程：定义问题 → 提出假设 →设计实验 →观察对象 → 检验假设 → 得出结论；

例如，哈维的血液循环学说，伽利略的物理学和动力学，牛顿的力学等，都是实验科学的典范。

第二范式：理论科学

用数学公式，模型，算法等形式表示，强调普遍性规律而形式化，通过演绎推导出科学结论。

理论科学过程：收集资料 → 定义概念 → 逻辑思维 → 推理模型 → 数学化/形式化/公式化；

例如，系统科学，科学逻辑学，科学动力学，混沌理论等都是理论科学的典范。

第三范式：计算科学

用计算机技术解决复杂数学计算问题，建立数学模型，设计求解方法，通过计算机编程实现。

计算科学过程：确定时间系统 →建立数学模型 → 建立仿真模拟 → 仿真实验 → 结果分析；

例如，SPSS社会科学统计分析，MATLAB，SAS等都是计算科学的典范。

第四范式：大数据科学

第四范式是在第一，二和三范式的基础上发展起来，第四范式研究框架是由科学实验，理论模型或算法，计算机模拟和密集型数据处理组成。

大数据科学过程：数据采集/预处理/集成 →数据统计和分析 → 数据挖掘 → 数据可视化和应用；

例如，大数据搜索引擎，推荐引擎系统，人工智能，ChatGPT等都是大数据科学典范。

相关内容：

《数据/大数据技术/人工智能的哲学四论》

《我们需要的三种认识模型观》

科学研究方法（5个）

上世纪7-80年代，在钱学森先生"系统科学"的引领下，国内大批学者开始"科学研究领域-学术百家"的畅所欲言，大量的"科学研究的方法"的理论和著作出现，很庆幸我有了接触，总结了以上的"科学研究方法论体系"。

第一层：调查研究的方法

基于实现的问题，通过观察或设计实验，用已有的知识对问题进行描述，这个过程中就已经包含了对事实的说明或解释，以及为了更好的解释，需要将事物共同本质抽象出来，加以概括定义新的概念。

《科学研究：观察 实验 定义 概念》

第二层：思维方法

基于事实的概念，经过逻辑思维（比较，分类，概括，归纳和演绎，分析和综合）和非逻辑思维（想象，联想，灵感和知觉）去反映和认识事实，形成相对完整的结论。

《逻辑与非逻辑思维》《逻辑学看ChatGPT》

第三层：计算机方法 + 系统论方法

计算机方法是利用计算机技术解决复杂数学计算问题，对问题进行抽象为数学模型，并在计算机上构建仿真模拟实验，进行大量的计算得出结论。

系统科学方法是基于系统论，信息论，控制论，耗散结构论，协同论等以及信息科学，控制模型等方法对问题进行系统化的解决。

两者的关系：两者相互关联，模型和计算，如，系统动力学和解释结构模型，都应用了数学模型和计算机技术，它们的基础理论是系统论，信息论和控制论。《系统动力学看PNES模型》《解释结构模型看阿里营销》

两者与第四层-科学理论方法的关系：我认为两者都可以指导具体的理论方法，计算机方法是技术方法，系统科学方法是横断科学方法。

例如，教育科学，环境科学，空间科学等综合科学，虽然已经形成体系化的理论方法，但计算机方法和系统科学方法都可以进行有效的应用分析。

《科学研究：模型 模拟 仿真》《系统论和系统科学》

《系统方法论》

第四层：科学理论方法

我对第四层科学理论方法的理解，也经过了一个认识过程，从硬要理解，到好像理解，到可能理解的过程。

科学是一个复杂的多样的集合，包括了横断科学：数学，哲学，系统科学等，边缘科学：系统管理学，技术经济学等，综合科学：环境科学，空间科学等。《多学习-横断科学》

这里第四层的科学理论方法，是指横断科学之外的具体边缘科学或综合科学，只有这样归属，第三层的计算机方法和系统科学方法的指导地位才有意义。

《科学研究方法论-总》《科学研究方法论》

《科学研究方法论-书籍》

科学研究范式 与 科学研究方法 - 关系

1. 范式与方法（科学范式与科学方法）

其一，范式以及科学范式

范式是特定的共同体从事某一类科学活动时所必须遵循公认的"模式"，其内容包括：世界观，基本理论，范例，方法或手段等。

范式的基本原则可以从本体论，认识论和方法论三个层面表现出来。《数据/大数据/人工智能的本体论，认识论，方法论和实践论》

范式的特点：公认性，整体性，范式通常是固定的，除非出现一个新的范式取代旧的范式，即范式的转换，如，第四范式取代第三范式，大数据范式的出现对计算范式是巨大的毁灭打击。

例如：两种认识范式：传统认识范式和大数据认识范式；四种科学研究范式：科学实验，理论科学，计算科学，大数据科学。

其二，方法以及科学方法

方式是为达成特定目的，可以用来实践的模式或过程，包括其中使用的工具或技巧。

科学方法是人们在认识和改造世界中遵循或运用的，符合科学一般原则的方法或手段，包括：理论研究，应用研究等。

2. 科学研究范式与科学研究方法

其一，科学方法体系中缺少"大数据方法"，且对应科学范式中的"大数据科学"

《科学研究方法论体系》是我对上世纪7-80年代相关内容的总结，是过去的，缺少了"发展的观点"，正如科学范式的更新，科学方法也应当更新，在大数据科学范式下，需要新增大数据方法。

《大数据方法》当初我把这篇内容放进了科学研究方法体系中，只是意识到"大数据方法"是一种新的研究方法，但并没有意识到它与第四范式直接关联，这种"偶然性"的正确，是惊人的。

其二，科学方法中的"计算机方法"对应科学范式中的"计算科学"

两者的对应是科学范式与科学方法两个体系最直接，明显著的关系标志，其重要意义有两个：

（1）计算范式与计算方法的直接对应，启发了大数据范式与大数据方法的对应。

（2）计算范式与计算方法的对应，大数据范式与大数据方法的对应，而其他范式与方法却不直接对应，说明了这两种范式都是"相对特殊"的，并不是基础的。

其三，科学方法中的"系统论科学"对应科学范式中的"理论科学"

我理解的理论科学范式是形成各种科学体系内容的模式，如，经济学，统计学，以及系统科学等，正好对科学方法中的系统科学方法对应。

并且，原本在科学方法体系的第四层中有科学理论方法，与第三层方法的关系并不非常"合理"，现在看确实如此，第三层的系统科学方法与四层的科学理论方法是归属关系，系统科学是横断科学方法，科学理论是具体科学方法。

其四，科学方法中的"思维方法"在四种科学范式中都有应用

科学方法体系中第二层的思维方法，即逻辑和非逻辑思维，在四种科学范式中都有深度，普遍的应用，是不能忽视的基础方法。

例如，在实验科学范式中，对定义出准确的问题，就需要对众多问题进行逻辑分析，比较或分类，概括和总结出主要问题。

在理论科学范式中，对定义以后的概念，要进行逻辑思维才可以得出推理模型，以及后续的理论"三化"。

在计算科学范式中，数学模型的构建，模拟环境的构建，仿真实验的构建，都需要逻辑思维的支撑，只不是从计算机范式开始，思维方法的表现就开始隐性了。

在大数据科学范式中，决策树模型，关联分析都是归纳逻辑。

其五，科学方法中的"调查研究方法"在四种科学范式中都有应用

调查研究方法是比思维方法更基础，更普遍的科学方法，在四种科学范式中都发挥作用，解决问题的过程中需要对问题进行观察或实验，且是多次反复的过程。

3.经过科学范式理论-更新后的科学方法体系

能够将已经体系化的科学方法得到补充和更新（大数据方法等），得到更基础理论的支持（科学范式理论）是一件多么庆幸的事情。

三个重要概念（模型，数据，思维）

1.模型

模型的重要性越来越受到关注，我的"模型观"启发是来自陆奇《我的大模型世界观》此后，我也梳理了几个领域的一系列模型：

《问题解决的28个模型》

《经营战略的23个模型》

《电商经营的14个模型》

《沟通的24个模型》

《建构"管理"大模型》

以及如何建构模型的方法：

《模型与建模能力》《模型建构的方法论》

以上的这些领域的模型，从科学研究范式去理解，都属于第二范式的理论科学中的思维模型。此外：

第一范式的科学实践中有实验模型：化学，物理，空间等具体和实际的模型。

第三范式的计算科学中有数学模型：随机性和确定性模型，参数和非参数模型，线性和非线性模型等。

第四范式的大数据科学中有复杂模型：搜索和推荐引擎模型，自然语言模型，神经网络模型等。

2. 数据

为什么要重要讨论数据？

数据是信息的表现形式，在调查研究或思维方法中，数据作为信息的内容之一，只是方法的质料之一。

随着计算技术和大数据技术的发展，数据成为了研究方法的主要，或唯一指料，具体表现是：数据量越来越大，重要性越来越大。所以，研究科学范式和方法，数据是必须研究的内容。

3. 逻辑和非逻辑思维

随机技术的发展，例如，计算机技术，大数据技术，人工智能技术等，尤其技术的普惠性越强，人们越来越依赖技术，反面是，越来越缺失独立思考，深度研究的能力，甚至是基础能力的缺失，如，基础的逻辑思维和非逻辑思维能力。

所以，我想坚持的是：一面学习新的技术思维，如，大数据和人工智能思维，一面还要持续锻炼必需的基础思维，如，逻辑和非逻辑思维。

以下是逻辑和非逻辑思维在四种科学研究范式中的存在：

其一，逻辑思维存在于四种科学范式中，但非逻辑思维仅存在于第一二范式中，在计算范式和大数据范式，思维过程和执行过程是一体的，甚至机器可以取代人类思维，人类的非逻辑思维（联想，直觉，灵感等）已经不存在了。

其二，逻辑思维在四种科学范式中，从第一到第四，它的显性在不断降低。在科学实验和理论科学范式中，逻辑思维的表现是很明显的，可解释，可说明；然而在计算范式和大数据范式中，逻辑思维的表现已经很隐性了，不可解释，不可说明，很难察觉。

读书是与读者的对话

思考是与自己的对话