本质上讲，对D—N模型的修补和替代必须考虑到两个关键因素，其一是，在D—N模型中，真正的危险并不是对称性论题，而是给对称性论题做出一个直接解释后果的解释基本概念。因为亨普尔把解释视为依据解释来提供了一种期待中事态的事情，并且所期待的事态明确就是预测的功能。在此，提问者与问题中的事件处于一种适当的关系中。所以，一旦把对称性视为是在解释和潜在预测论证，以及预测论证和潜在解释之间所获得的话，对称性论题在解释中存在就不令人惊奇了；其二是，由于亨普尔主张，规律必须基于所有真正的解释，并且直接源自于作为解释项和被解释项间适当联结的推理模型使用，故一旦将推理视为核心的，就需要规律去澄明推理的适当亚集。所以，在此，D—N模型的另一个真正的危险并非是否存在没有规律的满意解释，而是在此情景之下这种联结的本质问题。由此，D—N模型就被视为提供了一种解释的概念和一种解释联结的说明。只有从这两个方面来进行D—N模型的修正和替代，才有可能真正超越D—N模型并使科学解释问题进一步发展。具体讲，沿着这个方向，有以下几种替代性解决方案：

（1）亨普尔的修补方案

基于D—N模型所遭遇的种种反例，亨普尔重新考察了整个科学解释的主题，意识到并非所有合理的科学解释均可归结为D—N模型，还存在着某些概率的或统计的模型。为此，在1965年发表的《科学解释的若干方面》中，他对统计解释的逻辑特征进行了探究，提出了两种统计解释的模型：“演绎—统计”模型（Deductive—Statistical，以下简称D-S模型）和“归纳—统计”模型（Inductive—Statistical，以下简称I-S模型）。前者通过从其他统计律的推衍来给予统计概括以解释，而后者则通过在统计律的包摄下对特定事实进行解释。但它们都包含着统计律，解释项仅仅给予被解释项一个更高的概率，它并不是前提的逻辑后果。亨普尔认为I-S模型比D-S模型更重要，因此，他更多地关注于I-S模型。I-S模型采取的论证形式为：

可以看到，包括I-S和D-S模型的归纳解释，在许多方面都类似于D—N模型的演绎解释，即：（1）归纳解释和演绎解释都是规律解释，都要求普遍律；（2）解释项和被解释项之间是一种逻辑关系，尽管在演绎解释中后者是前者的一种逻辑后果，而在归纳解释中，则是一种归纳关系。但在任一模型中，只有逻辑方面才是相关的，语用特征同样都不会得到考虑；（3）解释和预测之间的对称性仍然被保持；（4）解释项必须为真。可见，I-S模型仍然没有摆脱D—N模型的影响。

当然，也应当看到，亨普尔将统计分析引入科学解释，由对普遍规则的说明转向了对特殊事实和个案的说明，指出概率解释只具有相对的意义，仅仅是在认识论意义上与我们的知识状态和对该过程的客观描述相关，从统计解释的规律性和相对性的结合上论证科学解释模型建构的合理性和必要性，从而事实上“已放弃了1948年论文中提出的仅仅根据语形学和语义学来提供科学解释说明的企图”，应当说，“这是向前的一大步，而不是后退”[5]。

（2）统计相关模型

亨普尔的统计解释模型，特别是I-S模型中存在着严重的统计歧义性难题，即，将统计不相关的性质引进了解释项中的“指称类难题”（Reference Class Problem）。尽管亨普尔使用了最大特征要求（Requirement of Maximal Specificity）来解决，但却产生了“真正的归纳解释证明不言而喻都是演绎的”这样的恶果。因此，“最大特征要求对于挽救I-S模型是不充分的”。[6]为此，萨尔蒙（W.C.Salmon）提出“统计相关模型”（The Statistical-Relevance Model，以下简称S-R模型）来解决统计歧义性难题。在他看来，“统计相关”较之“高概率”是科学解释中更关键的因素，I-S模型仅当对某一特定事实的解释是一种归纳论证，它赋予被解释事实以高归纳概率，而S-R模型则仅当对某一特定事实的解释是一个相关事实的集合，它在统计意义上与被解释事实相关，而无论其概率程度如何。所以，“统计的相关性在这里是必要的概念，它可望用统计上相关的而非统计上不相关的方式缩小指称类。当我们选择一个指称类用于指称某一特定的单一事例时，我们必须问是否存在统计上相关的方法去细分那个类”。[7]由此出发，萨尔蒙认为，不仅要在形式上确保指称类中的每一个成员都具有同等概率，而且还要保证这种指称类的同一是在本体论意义上实在间的规律性联系，是在统计相关意义上的实在性的表征。

在某种程度上，S-R模型克服了I-S模型的一些困难，特别是在解决“指称类难题”时对实在性问题的涉及，促进了对理论实体的客观指称意义的相关性分析，为科学解释论题指出了本体论的发展方向。但S-R模型在对指称类选择上具有一定任意性，并不能保证完全排除掉统计不相关因素，而且，萨尔蒙自己也意识到，概率解释背后隐含着的因果性，对于指称类选择是关键性的，这也正是萨尔蒙后来转向赞同因果相关模型的原因之所在。由此，统计相关模型逐渐放弃了自己的科学解释自主形式，成为科学解释因果理论的辅助内容。

（3）因果相关模型

克服D—N模型困境比较流行的方式是诉诸因果性的思考。尽管亨普尔注意到了解释和因果间的关联，但出于对休谟式因果观念的担心，他主张我们对因果关系的理解，是基于我们在似律规则之下去包摄现象的能力，因而解释概念先于因果概念：C引起了E这一主张，总是源自于E的存在将适当地通过一个满足了覆盖率的论证所解释，并且对C的描述出现于此前提中。可见亨普尔不可能诉诸因果相关性来重新思考解释。为此，萨尔蒙、费茨尔（J.Fetzer）等把因果关系引入解释中，提出了“因果相关模型”（The Causal-Relevance Model，以下简称C-R模型）。这种模型主张，“解释知识就是关于因果机制的知识”，“解释知识就是把模型向度注入描述和预测知识。它是关于什么是必然的和什么是可能的知识。”[8]可见，C-R模型认为解释并非是论证，而是指出和辨别现象出现的原因，因此并非E1解释E2，则E1就引起了E2，而是解释值的获得是通过展示所被解释的如何适合于世界的因果构造。正像萨尔蒙所讲，尽管此解释仍涉及包摄，但这里的“包摄”是一种物理关系而不是逻辑关系，即因果是世界间事件的一种关系，而解释是这些事件的特征间的一种关系，为了保证消除解释歧义性，必须放弃推理而诉诸因果作用，在实在的层次上为解释相关性提供本体论的根据，[9]只有将因果性和实在性结合起来，才能真正避免纯形式的逻辑主义。

C-R模型较D—N模型而言更符合于科学和日常生活中的解释实践，但它所遇到的困难也是明显的。非常显著的一点是，它使用的是一个成问题的“因果”概念。自休谟起，把因果视为一种心理习惯的观念，使人们对使用“因果”概念具有恐惧感，而且，因果律发生作用尚受各种条件制约。因此，要发展一种适当的C-R模型，就需要寻求一种非休谟式的因果关系，其难度大大制约了C-R模型的发展。

（4）一致性和统一性解释

在对D—N模型的替代研究中，尚有另外一种解释类型，这就是非因果解释，包括一致性解释（Explanation by identification）和统一性（Unification）解释形式。由于对变化的解释和对属性的解释并不同，而因果模型只适合于前者而不是后者，因此，对于那些预先认为是可能相关但事实上同一的两个现象，无法用因果律做出解释。正像阿洛森（J.Aronson）指出的“有一系列现象，其存在和属性都是偶然的相关，即对任何一个而言，都有可能在没有其他的情况下而存在并具有它所具有的属性。进而，我们用系统的各种特征阐明这些现象，在此，该系统的对象遵守特定的规律，即事件和属性的特定结合必须是在与这些规律相一致的方式中存在。”[10]可见，一致性解释的关键点在于消除偶然性出现的同时，将逻辑必然性转化为一种自然律的必然性。其基本解释程序是，假设B的属性p是偶然的，但A与B同一，那么A将也具有属性p且p是偶然的，但B和A具有相同的属性p这一点却不是偶然的。由此，一致性解释就消除了出现于关系后项中的偶然性成分，这样，对于两个偶然事件为何总是具有相同属性的解释就是，它们事实上并不是两个事件，而是同一个事件。

统一性解释的提出源于费德曼（M.Friedman）认识到，“科学解释的本质是……通过还原那些我们不得不作为最终的或所予的东西而接受的大量独立现象，来增加我们对世界的理解。”[11]解释的各个模型事实上就是诉诸更多可理解的规则和更高层次的规律，来提供比被解释项更大的解释力，因此，解释的最终目的就是获得对世界的理解，理解是一种关涉全局的事情，随着我们减少说明世界现象所需要的理论或规律的数目，即随着统一性的增强，我们对世界的理解将会进一步增强。可见，统一性解释本质上并不是解释概念本身，而是成功解释的条件，需要结合其他形式的解释来完成对世界的理解。