Wissenschaftliche Modelle: Mehr Nutzen als Fehler

"Jeder hat irgendeine Meinung zu wissenschaftlichen Modellen, gleichzeitig gibt es viele Fragen und Missverständnisse", sagte zum Auftakt des Abends die Moderatorin Dr. Sibylle Anderl, die das Wissenschaftsressort der Frankfurter Allgemeinen Zeitung und der Frankfurter Allgemeinen Sonntagszeitung leitet. Und der Statistiker Georg Box, den zwei der Podiumsgäste zitierten, hat gesagt, dass im Grunde alle Modelle falsch seien, manche aber seien nützlich. Ihre Zuhörenden auf der Leopoldina Lecture "Prognosen oder Suggestionen: Was taugen wissenschaftliche Modelle?" forderten sie deshalb auf: Frag nicht, was falsch an einem Modell ist, frage, wie es uns nutzen kann.

Wofür brauchen wir Modelle?

Der Wissenschaftsphilosoph Prof. Dr. Axel Gelfert vom Institut für Philosophie der Technischen Universität Berlin erzählte, wie er als Physikstudent den flexiblen Umgang Forschender mit Modellen erlebte: "In einem Aufsatz konnten an verschiedenen Stellen ganz unterschiedliche Annahmen über den Realitätsgehalt eines Modells gemacht werden, je nachdem, welche Absicht hinter der Betrachtung steckte." Das habe ihn neugierig gemacht, sich auf einer Metaebene mit diesen Werkzeugen der Wissenschaft zu beschäftigen. 

"Wir brauchen sie immer dann, wenn keine in sich geschlossene theoretische Behandlung eines komplexen Problems möglich ist", erklärte er, "zum Beispiel weil es sich um ein fundamental interdisziplinäres Problem handelt." Der Fokus der Forschung richte sich zunehmend auf Probleme in Grenzbereichen zwischen den klassischen Disziplinen. Um diese Fragestellungen zu bearbeiten, müssten Modellierende verschiedener Disziplinen sich allerdings noch besser zu verständigen lernen. "Denn nur mit interdisziplinären Ansätzen können wir globalen Herausforderungen begegnen."

Wissenschaftler:innen seien zuerst einmal Menschen, nahm Axel Gelfert seinen Berufsstand in Schutz, die wie andere Menschen auch gewisse normative Vorstellungen hätten. "Das beste Korrektiv dafür ist die transparente Diskussion!", betonte Dr. Lena Janys, Juniorprofessorin für Ökonometrie am Fachbereich Wirtschaftswissenschaften der Universität Bonn. Nur der Austausch könne Verzerrungen der eigenen Annahmen entgegenwirken, mit denen jede:r Wissenschaftler:in sich einem Problem nähere. Janys forderte folglich maximale Transparenz hinsichtlich der Parameter und Annahmen, die Modellierende gewählt und getroffen haben. "Intransparenz macht natürlich weniger angreifbar", sagte sie. "Aber wo kommen wir denn hin in einer Welt der intransparenten, nebulösen Annahmen?"

In der offenen Diskussion könne man sich dagegen auch auf die Eitelkeit der Wissenschaftler:innen verlassen, fügte Janys mit einem kleinen Augenzwinkern hinzu. Sie stellten ihre jeweiligen Ansätze gegenseitig auf einen harten Prüfstand. In der Pandemie allerdings habe manche:r Wissenschaftler:in, die es sonst nur gewohnt seien, im engen Kreis fachverwandter Expert:innen zu diskutieren, "sich plötzlich mit einem überdimensionalen Interesse für ihr Forschungsthema konfrontiert gesehen". Auf den Anspruch, Methoden und Ergebnisse einem fachfremden Publikum verständlich zu erklären und Entscheidungshilfe zu leisten, seien die meisten Wissenschaftler:innen nicht vorbereitet. Für vielversprechend hält Janys in dieser Hinsicht die Einrichtung wissenschaftlicher Beiräte in der Politik, wo Wissenschaftler:innen und Politiker:innen dann auch eine gemeinsame Kommunikationsstrategie entwickeln. "Sie ermöglichen einen offeneren Diskurs und Vertrauensbildung in politische Entscheidungen."

Antworten aus dem Kollektiv

Philosoph Axel Gelfert gab noch zu bedenken, dass bei der Frage nach der Objektivität der Wissenschaft ein wichtiger Aspekt oft vernachlässigt werde. "Wissenschaftlicher Erkenntnisgewinn ist ein kollektiver Prozess. Er vollzieht sich innerhalb der Standards der Disziplinen, und eine Einzelperson kann die wissenschaftliche Sicht nicht objektiv wiedergeben."

Die Personalisierung in der Medienkultur ignoriere diese Tatsache. Gelfert hatte keine schnelle Lösung des Problems anzubieten: "Wen sollen wir denn in die Talkshow einladen, die ganze Leopoldina?", fragte er. Auch ein einzelnes wissenschaftliches Modell sei nicht in der Lage, die eine richtige Antwort zu geben, es gebe immer ein Ensemble von Modellen zu beachten. "Wir müssen mehr Wege finden, wissenschaftliche Erkenntnisse zu aggregieren", meint Gelfert. "Dafür ist das Intergovernmental Panel on Climate Change ein gutes Beispiel, das sein gesammeltes Wissen in den regelmäßigen Berichten bündelt." Und: Wissenschaftliche Erkenntnisse, die aus Modellen gewonnen werden, müssten eingebettet werden in gesellschaftliche Kontexte, angereichert mit Vorstellungskraft und menschlichen Szenarien.

Entspannt mit Unsicherheiten leben

Gleichwohl betonten die Podiumsteilnehmenden im Lauf des Gespräches immer wieder, dass jedes wissenschaftliche Modell eine Reduktion der Realität und ein Maß an Abstraktion davon bedeute, mit Unsicherheiten behaftet sei und nur im Kontext seiner Zielsetzung und im Rahmen der offenen, ehrlichen und konkreten Darstellung der zugrunde gelegten Annahmen zu Rate gezogen werden dürfe. Gelfert äußerte zudem die Hoffnung, dass in der Öffentlichkeit eine gewisse Toleranz gegenüber der inhärenten Ambiguität wissenschaftlicher Forschung erwachsen könne.

Thorsten Pachur setzt auf gute grafische und visuelle Darstellungen, die Menschen helfen können, Unsicherheiten einzuschätzen. "Und jede und jeder kennt die Wettervorhersage", bemerkte er. "Diese allgemeine Vertrautheit mit probabilistischen Aussagen könnten wir als Grundlage nehmen, um auszudrücken, dass Modelle eine gewisse Bandbreite an Vorhersagen machen – die immerhin den Möglichkeitsraum von Dingen, die passieren könnten, deutlich einschränkt." Wie man im Umgang mit Modellen das Präventionsparadoxon berücksichtigen könne, fragte schließlich Sibylle Anderl; also dem Phänomen, dass die schlimmsten Vorhersagen oft nicht eintreffen, weil Menschen aufgrund der Vorhersage ihr Verhalten vorbeugend ändern. Einerseits gebe es Methoden, dieses Paradoxon formal in ein Modell einzubauen, antwortete Pachur. Für wichtiger hält er allerdings, die grundlegende Natur eines Modells immer wieder deutlich zu machen: Ändern sich die Bedingungen, ändert sich auch die Vorhersage. "Wenn wir diesen 'Feedback-Loop' klar kommunizieren, können wir entspannter mit Modellen leben."