Inference on the Low Level: An Investigation into Deduction, Nonmonotonic Reasoning, and the Philosophy of Cognition

برخلاف سنت رایج در معرفت‌شناسی، تمرکز در این کتاب بر استنتاج‌های سطح پایین است، یعنی آن دسته از استنباط‌هایی که معمولاً آگاهانه از آن‌ها آگاه نیستیم و با گربه‌ای که در آن نزدیکی استنباط می‌کند به اشتراک می‌گذاریم. پرنده ای که می بیند در حال چیدن دانه از خاک است، می تواند پرواز کند. احتمالاً چنین استنباط‌هایی با استدلال منطقی صریح ایجاد نمی‌شوند، اما روش‌های منطقی را می‌توان برای توصیف و تحلیل چنین استنتاج‌هایی به کار برد.

قسمت 1 توضیحی صرفاً نظری سیستمی از باور و استنتاج می دهد. بخش 2 با استفاده از مفهوم کیفی قابلیت اطمینان، یک نظریه قابل اعتماد از توجیه برای استنتاج اضافه می کند. بخش 3 سیستم های مختلف منطق قیاسی و غیر یکنواخت را یادآوری و بسط می دهد و بدین وسیله معناشناسی قابلیت اطمینان مطلق و بالا را توضیح می دهد. در بخش 4 ثابت شده است که شبکه های عصبی کیفی می توانند استنتاج های قیاسی و غیر یکنواخت موجه را بر اساس بازنمایی های توزیع شده به دست آورند. این از یک قضیه صحت / کامل بودن با توجه به معناشناسی شناختی استدلال غیر یکنواخت مشتق شده است. ضمیمه این نظریه را هم از نظر منطقی و هم از نظر هستی شناختی بسط می دهد و آن را به گزارش قابل اعتماد A. Goldman از باور موجه مرتبط می کند.

In contrast to the prevailing tradition in epistemology, the focus in this book is on low-level inferences, i.e., those inferences that we are usually not consciously aware of and that we share with the cat nearby which infers that the bird which she sees picking grains from the dirt, is able to fly. Presumably, such inferences are not generated by explicit logical reasoning, but logical methods can be used to describe and analyze such inferences.

Part 1 gives a purely system-theoretic explication of belief and inference. Part 2 adds a reliabilist theory of justification for inference, with a qualitative notion of reliability being employed. Part 3 recalls and extends various systems of deductive and nonmonotonic logic and thereby explains the semantics of absolute and high reliability. In Part 4 it is proven that qualitative neural networks are able to draw justified deductive and nonmonotonic inferences on the basis of distributed representations. This is derived from a soundness/completeness theorem with regard to cognitive semantics of nonmonotonic reasoning. The appendix extends the theory both logically and ontologically, and relates it to A. Goldman's reliability account of justified belief.