Darwinian evolution is a population-level phenomenon. This paper deals with a structural population concept within the framework of generalized Darwinism (GD), resp. within a generalized theory of evolution. According to some skeptical authors, GD is in need of a valid population concept in order to become a practicable research program. Populations are crucial and basic elements of any evolutionary explanation—biological or cultural—and have to be defined as clearly as possible. I suggest the “causal interactionist population concept” (CIPC), by R. Millstein for this purpose, and I will try to embed the approach into a generalized evolutionary perspective by mathematically formalizing its key definitions. Using graph-theory, (meta-) populations as described in the CIPC can serve as proper clusters of evolutionary classification based on the rates of interactions between their elements. I will introduce the concept of a cohesion index (CI) as a measurement of possible population candidates within a distribution of elements. The strength of this approach lies in its applicability and interactions are relatively easy to observe. Furthermore, problems of clustering tokens (e.g. of cultural information) via typicality, e.g. their similarity in intrinsic key characteristics, can be avoided, because CIPC is a (mainly) external approach. However, some formal problems and conceptual ambiguities occur within a simple version of this CI, which will be addressed in this paper as well as some possible applications.

中文翻译：

---

在广义达尔文主义中调查人口

达尔文进化论是一种人口水平的现象。本文处理广义达尔文主义（GD）框架内的结构性人口概念。在广义进化论中。一些持怀疑态度的作者认为，GD 需要一个有效的人口概念才能成为一个可行的研究计划。人口是任何进化解释（生物或文化）的关键和基本要素，必须尽可能清楚地定义。为此，我建议使用 R. Millstein 提出的“因果相互作用人口概念”（CIPC），我将尝试通过数学形式化其关键定义，将这种方法嵌入到广义进化观点中。使用图论，CIPC 中描述的（元）种群可以作为基于其元素之间相互作用率的进化分类的适当集群。我将介绍内聚指数 (CI) 的概念，作为对元素分布中可能的候选人口的度量。这种方法的优势在于它的适用性和交互性相对容易观察。此外，可以避免通过典型性对令牌（例如文化信息）进行聚类的问题，例如它们内在关键特征的相似性，因为 CIPC 是（主要）外部方法。然而，在这个 CI 的简单版本中出现了一些形式问题和概念上的歧义，这将在本文以及一些可能的应用中解决。我将介绍内聚指数 (CI) 的概念，作为对元素分布中可能的候选人口的度量。这种方法的优势在于它的适用性和交互性相对容易观察。此外，可以避免通过典型性对令牌（例如文化信息）进行聚类的问题，例如它们内在关键特征的相似性，因为 CIPC 是（主要）外部方法。然而，在这个 CI 的简单版本中出现了一些形式问题和概念上的歧义，这将在本文以及一些可能的应用中解决。我将介绍内聚指数 (CI) 的概念，作为对元素分布中可能的候选人口的度量。这种方法的优势在于它的适用性和交互性相对容易观察。此外，可以避免通过典型性对令牌（例如文化信息）进行聚类的问题，例如它们内在关键特征的相似性，因为 CIPC 是（主要）外部方法。然而，在这个 CI 的简单版本中出现了一些形式问题和概念上的歧义，这将在本文以及一些可能的应用中解决。可以避免通过典型性对令牌（例如文化信息）进行聚类的问题，例如它们内在关键特征的相似性，因为 CIPC 是（主要）外部方法。然而，在这个 CI 的简单版本中出现了一些形式问题和概念上的歧义，这将在本文以及一些可能的应用中解决。可以避免通过典型性对令牌（例如文化信息）进行聚类的问题，例如它们内在关键特征的相似性，因为 CIPC 是（主要）外部方法。然而，在这个 CI 的简单版本中出现了一些形式问题和概念上的歧义，这将在本文以及一些可能的应用中解决。