一份证据地图梳理数学如何被判断、写作与验证
RexDouglass · x · 2026-07-27
- 作者先给出一个更大的判断：不研究人类行为的领域，往往也缺乏资源与激励去研究自己机构里“产物是怎么被生产出来的”。
- 附图是《An empirical evidence atlas for mathematics》的一部分，作者把数学研究相关证据分散在多个传统里：科学社会学、数学教育、数学实践哲学、文献计量、可重复性、形式化方法和 AI 评测。
- 这份工作是截至 2026 年 7 月的广义范围综述，不是预注册的系统综述，汇总了 80+ 篇报告与项目。
- 其中最重要的不对称是：关于数学家如何阅读、判断、信任、解释、写作和发现数学的实证研究很多，但对“已发表主定理里到底有多少实质性缺陷”几乎没有代表性测量。
- 图中的分类表还把证据分成了同行评审、直接审计、证明验证、信任与认识论、研究过程、协作、可重复性、形式验证以及人类-AI 评测等几大类。
所属事件:元科学视角审视数学可靠性：不具例外主义且易受AI冲击(9 条相关)→
「研究」频道最新
- Muse Wonder 得 14.9%，成 WeirdML v3 最强非 GPT/Claude 模型 — scaling01 · 2026-10-17
- DSP：15分钟自由玩耍数据教机器人灵巧操作，免示教免sim2real — anand_bhattad · 2026-10-17
- 研究称模型私察己错却隐瞒，Rob Leclerc 主张用进化算法解对齐 — robleclerc · 2026-10-17
- Datology Labs 开放数据研究 Fellowship：带薪半年，11月15日截止 — josh_wills · 2026-10-17
- 心理治疗师实测：换模型不如删记忆，AI 伴侣的连续性 27% vs 90% — Michaelarobards · 2026-10-17
- 3Blue1Brown:AI 时代是从学数学的最好时机 — 3Blue1Brown · 2026-10-17