Planckton

Wo ein Modell ist, da sind auch Unsicherheiten. Aber wie kann man als Wissenschaftler über das sprechen, was man nicht weiß?

Als ich in der letzten Woche in Durham ankam, einer kleinen, altehrwürdigen Universitätsstadt im Nordosten Englands, hatte sich der graue, wolkenverhangene Himmel tief über das Land und seine historischen Backsteinbauten gelegt. Es regnete in Strömen. Der Taxifahrer erzählte mir auf der Fahrt zu meinem Hotel, er wohne schon sein ganzes Leben in Durham, “for my sins”, wie er in britischer Ironie hinzufügte. Sündenbuße in grauem Winterwetter, das hatte intuitive Überzeugungskraft, zumal sich in Durhams Stadtbild die riesenhafte Kathedrale noch am bestimmtesten gegen den tiefhängenden Himmel zu stemmen schien.

© S. Anderl 

Am nächsten Morgen aber hatten sich alle Wolken verzogen, und das historische Städtchen glänzte in strahlendem Sonnenschein. Für mich ging es dennoch weiter um Grautöne, denn der Grund für meine Reise nach Durham war ein Workshop, der einer philosophischen Reflexion wissenschaftlicher Modellierung gewidmet war: “Cutting-edge Computation and Scientific Evidence”. Die Simulationen, die in dem Workshop diskutiert wurden, stammten aus den vier verschiedenen wissenschaftlichen Disziplinen der Klimawissenschaften, der Kognitionswissenschaften, der Medikamentenforschung und der Kosmologie. Alle stellen Gebiete dar, die ohne numerische Simulationen gar nicht (mehr) denkbar wären, die sich aber dennoch stark unterscheiden in ihrer politischen und unmittelbar gesellschaftlichen Relevanz sowie in ihren Möglichkeiten, die Korrektheit ihrer simulierten Ergebnisse zu überprüfen.

Jeder der vier wissenschaftlichen Vorträge wurde durch einen philosophischen Kommentar ergänzt, der jeweils verschiedene Aspekte der Frage beleuchten sollte, wie die heutige Wissenschaft Simulationen dafür nutzt, Hypothesen aufzustellen, zu motivieren oder zu belegen. Das Hauptwerkzeug der Philosophen ist die Logik, und es mag wenig überraschen, dass wissenschaftliche Modellbildung aus einer rein formalen Perspektive viele Gelegenheiten für kritische Nachfragen bietet. Wie werden Annahmen, Vereinfachungen und Idealisierungen im Einzelfall motiviert und geprüft? Wie gründlich werden alternative theoretische Szenarien geprüft? Wie eindeutig ist der Vergleich zwischen Simulationsergebnissen und Messergebnissen, die zur Kalibrierung und Rechtfertigung der Simulationen genutzt werden? Wie kann man sicher sein, dass beim Programmieren keine Fehler unterlaufen sind? Wann ist eine Simulation dem simulierten Problem, der gestellten Fragestellung gegenüber “angemessen” bzw. “zweckmäßig”? Und schließlich: wie kann man Unsicherheiten seriös und ehrlich abschätzen?

© Schaye et al. 2015, MNRAS 446 (1): 521-554Galaxienentstehung in der EAGLE Simulation: Wir bauen uns ein Universum.

Wenn man sich solche Fragen an konkreten Beispielen stellt, dann ist die Antwort fast immer: es ist schwierig. Es ist schwierig auszuschließen, dass wir mit manchen Annahmen ziemlich falsch liegen. Es ist schwierig, Unsicherheiten genau zu quantifizieren. Es ist schwierig (ja unmöglich), alle möglichen Alternativszenarien wasserdicht durchzuspielen. Und trotzdem haben wir großes Vertrauen in unsere wissenschaftlichen Modelle und sind uns ziemlich sicher, dass wir zumindest ein gutes Gefühl dafür haben können, wo die größten Unsicherheiten zu verorten sind und welche Aussagen wir auf der Grundlage von Simulationen treffen können und welche nicht. Das liegt daran, dass sich Wissenschaftler normalerweise aktiv mit der Möglichkeit von Fehlern und Irrtum auseinandersetzen und meist ein über lange Jahre entstandenes Erfahrungswissen im Umgang mit Modellen haben, das man vielleicht mit der Erfahrung eines Arztes vergleichen kann, der eine erfahrungsbasierte “Intuition” dafür entwickelt hat, was mit seinen Patienten jeweils los ist.

Ausgehend von diesem Punkt kristallisierte sich während des Workshops aber ein Problem heraus, das Wissenschaftler aus allen verschiedenen Disziplinen teilen. Ein Problem, das relativ unabhängig ist von der Diskussion all der reflektierenden Grundsatzfragen, die tief in die Erkenntnistheorie der wissenschaftlichen Modellbildung und Simulation sowie in Fragen zur wissenschaftlichen Methode überhaupt hineinführen. Es ist das Problem der Kommunikation von Simulationsergebnissen und wissenschaftlichen Ergebnissen allgemein. Es ist das Problem der ungeliebten Grautöne, von dem insbesondere die Klimamodellierer ein Lied singen können. Zwei Punkte spielen dabei eine Rolle. Erstens sollten wissenschaftliche Ergebnisse möglichst eindeutig, zugänglich und spektakulär sein, um öffentlich wahrgenommen zu werden. Wenn man sagt: “Hirnscans zeigen, dass Männer Frauen in Bikini als Objekte sehen”, kann man mit größerer Aufmerksamkeit rechnen als wenn man differenziert verschiedene Anregungsmuster in bestimmten Hirnregionen beschreibt und dann verschiedene Deutungshypothesen anbietet. Das leitet über zum zweiten Punkt: die Öffentlichkeit ist meist wenig an Unsicherheiten und “Vielleicht”-Aussagen interessiert. Mit der Aussage, dass neuronale Anregungsmuster, angeregt von Frauen im Bikini, einige Aspekte mit denen teilen, die von Werkzeugen angeregt werden, aber dass das gleichzeitig nicht besonders erstaunlich ist, weil Anregungsmuster eine verwirrende Vielfältigkeit an den Tag legen, wird man keine großen Schlagzeilen machen. Die Wissenschaftler sollen ihre Unsicherheiten doch bitte selbst in den Griff kriegen, und dann nur weitergeben was wirklich und zweifellos Sache ist. Es ist ein bisschen so wie wenn man bei einem Bewerbungsgespräch zu sehr die eigenen Schwächen thematisiert, weil man denkt, der Chef soll wissen, dass man sich damit aktiv auseinandersetzt. Den Job kriegt dann am Ende doch derjenige, der das ganze Interview dafür genutzt hat, zu erzählen wie toll er ist.

© Solomon, Susan, et al., eds. 2007. Climate Change 2007: The Physical Science Basis. Con- tribution of Working Group I to the Fourth Assessment Report of the Intergovern- mental Panel on Climate Change. New York: Cambridge University Press.Klimamodellierung beruht auf dem komplexen Zusammenspiel vielfältiger Faktoren.

Insbesondere Philosophen und Wissenschaftler, die sich mit Klimamodellen beschäftigen, werden dadurch in eine sehr schwierige Situation gebracht. Denn sobald sie auf gewisse Defizite von Klimamodellen aufmerksam machen (und derer gibt es natürlich(!) viele), ist die erste Reaktion von vielen: “Na also, Klimamodelle lügen also, alles Quatsch was die Klimaforschung sagt.” Entweder die Modelle sind perfekt, oder sie sind halt falsch. Alles was dazwischen liegen könnte, ist schnell zu kompliziert. Eine ehrliche und konstruktive öffentliche Diskussion wird dadurch unterdrückt. Dabei macht gerade dies den Kern guter Wissenschaft aus: die kritische Diskussion, der Zweifel und das Eingeständnis eigenen Unwissens, in welches das eigene Wissen immer eingebettet ist. Wissenschaft ist eine Aktivität der Grautöne, das macht sie so schwierig, aber auch so interessant.

Am Tag meiner Abreise wachte ich morgens wieder mit dem Geräusch von Regen auf, der von starken Windböen an mein Fenster gedrückt wurde. Der Taxifahrer der mich kurze Zeit später abholte, es war derselbe wie am Tag meiner Anreise, fragte besorgt, ob ich den einen, sonnigen Tag wenigstens nutzen konnte um ein wenig von der Stadt zu sehen. Immerhin die Kathedrale und die Altstadt hatte ich besucht, und der Taxifahrer schien zufrieden mit dieser Bilanz für einen eintägigen Besuch. Nach kurzer Pause sagte ich ihm, dass ich Regen manchmal aber auch ganz schön fände. Daraufhin lächelte er ein undurchschaubar britisch-ironisches Lächeln und sagte, ich solle trotzdem noch einmal im Sommer nach Durham kommen.