Коротко: теория вероятностей даёт формальный язык для представления и обновления эпистемической неопределённости; индуктивный риск (risk of error when переходят от доказательства к решению) требует включать ценности и последствия ошибок в принятие решений. В политике это означает: количественно оценивать неопределённость, явно включать потери/выигрыши при различных исходах и выбирать стратегии, учитывающие и вероятности, и тяжесть ошибок, а при больших последствиях — применять осторожные и адаптивные подходы.
Основные тезисы и формулы.
1) Вероятности как представление знания
- Вероятность описывает степень уверенности в гипотезе/сценарии: $\mathrm{Pr}(\theta \mid D)$ — апостериорная вероятность параметра или сценария после данных $D$.
- Байесовское обновление: $\mathrm{Pr}(\theta \mid D)\propto \mathrm{Pr}(D\mid \theta )\mathrm{Pr}(\theta )$.
2) Индуктивный риск и роль ценностей
- Решение — выбор действия $a$ при неизвестном состоянии мира $\theta$; потери задаются функцией $L(a,\theta )$.
- Бейсовское правило минимизирует ожидаемые потери: выбрать $a^{\ast }=\arg {\min }_a{\mathbb{E}}_{\theta \mid D}[L(a,\theta )]$, где ${\mathbb{E}}_{\theta \mid D}[L(a,\theta )]=\int L(a,\theta )p(\theta \mid D)d\theta$.
- Для бинарного выбора (решить/не решать) порог вероятности определяется потерями ошибок: принять решение, если $\mathrm{Pr}(\theta =1\mid D)>\frac{L_{10}}{L_{10}+L_{01}}$, где $L_{10}$ — потеря при ложноположительном решении, $L_{01}$ — при ложноотрицательном.
3) Альтернативные критерии при глубокой неопределённости
- Минимакс (robust): ${\min }_a{\max }_{\theta }L(a,\theta )$ — полезно, когда распределение неопределённо или последствия катастрофические.
- Минимакс сожаления (regret): ${\min }_a{\max }_{\theta }(L(a,\theta )-{\min }_{a^{\prime }}L(a^{\prime },\theta ))$.
4) Цена информации и приоритет исследований
- Ценность информации (Value of Information): $VOI={\mathbb{E}}_{\text{new data}}[{\max }_a{\mathbb{E}}_{\theta \mid \text{new}}U(a)]-{\max }_a{\mathbb{E}}_{\theta \mid \text{prior}}U(a)$. Делать дополнительные исследования имеет смысл, когда $VOI$ превышает их стоимость.
5) Практические следствия для политических решений
- Квантифицируйте и публикуйте неопределённости: апостериорные распределения, интервалы, сценарные вероятности.
- Включайте последствия ошибок явно (пары $L_{FP},L_{FN}$) — это прозрачное признание индуктивного риска.
- При больших ставках и «жирных хвостах» распределений отдавайте приоритет устойчивым/предохранительным стратегиям (precaution, сильная минимизация риска катастрофы).
- Применяйте адаптивное управление: внедряйте меры поэтапно, мониторьте и корректируйте (learning-by-doing), когда $VOI$ высок и неопределённость можно быстро снизить.
- Делайте анализ чувствительности и ансамбли моделей для учёта структурной неопределённости; избегайте ложной точности.
- Прозрачность ценностей: когда научные данные не дают однозначного ответа, политические предпочтения и этические оценки должны быть открыто указаны и подвергнуты общественной дискуссии.
6) Короткие правила принятия решений
- Низкая неопределённость + ясный выигрыш → стандартное байесовское решение (минимизация ожидаемой потери).
- Высокая неопределённость + асимметричные большие потери → осторожная/минимаксная политика или временная мера с ревизией.
- Когда стоимость принятия решения высока и $VOI$ велико → инвестировать в сбор данных прежде чем фиксировать политику.
Вывод: эпистемическая неопределённость не должна парализовать политику, но должна быть формализована через вероятности и функции потерь; где последствия ошибок значимы — ценности и предпочтения обязаны явно входить в правило принятия решений, а подходы должны быть либо байесовски оптимальными, либо робастными и адаптивными в зависимости от характера неопределённости.