03 / Philosophie
Was heißt es,
etwas zu wissen?
Ein Modell kann nützlich sein, ohne eine vollständige Erklärung zu liefern. Wir wollen die Voraussetzungen wissenschaftlicher Schlussfolgerungen explizit machen.
Forschungsrichtung geplant
01 / Forschungsfragen
Begriffe klären. Argumente prüfbar machen.
Was unterscheidet eine treffende Vorhersage von einer Erklärung?
Forschungsziel, Modellwahl und Bewertung sollen an konkreten wissenschaftlichen Fällen getrennt betrachtet werden.
Welche Annahmen erlauben eine kausale Schlussfolgerung?
Beobachtete Zusammenhänge, Eingriffe und kontrafaktische Fragen erfordern unterschiedliche Begründungen.
Was genau soll eine verständliche Modellbeschreibung leisten?
Zielgruppe, Erklärungstyp und prüfbare Anforderungen müssen feststehen, bevor ein Modell als interpretierbar gilt.
02 / Grenzen & geplanter Ansatz
Auch eine richtige Rechnung braucht Interpretation.
Ein möglicher Einstieg wäre eine Argumentanalyse zum Kerr-Entwurf: Welche mathematischen Annahmen trägt die Rechnung, welche zusätzlichen Voraussetzungen ihre physikalische Deutung? Prämissen, alternative Erklärungen und Gegenbeispiele würden gemeinsam dokumentiert.
Eine formale Ableitung bestätigt ihre Voraussetzungen nicht automatisch empirisch. Gute Vorhersagen allein liefern keine kausale Erklärung. Eine verständliche Darstellung garantiert keine wissenschaftliche Gültigkeit.
Das philosophische Vorhaben bleibt geplant. Der Maßstab wäre eine begründete, revidierbare Argumentstruktur, die fachlicher Kritik zugänglich ist.
03 / Quellen
Drei methodische Bezugspunkte.
Ausgewählte externe Literatur. Eigene Kurzzusammenfassungen zur Einordnung der geplanten Fragen; keine systematische Übersicht und keine Forschungsergebnisse von Coherence Labs.
Galit Shmueli (2010). To Explain or to Predict?. Statistical Science 25(3), 289–310. DOI: 10.1214/10-STS330.
Der methodologische Beitrag trennt erklärende und vorhersagende Modellierung. Je nach Ziel verändern sich die Wahl des Modells und die Kriterien seiner Bewertung; Vorhersageerfolg und Erklärungskraft fallen nicht notwendig zusammen.
Judea Pearl (2009). Causal inference in statistics: An overview. Statistics Surveys 3, 96–146. DOI: 10.1214/09-SS057.
Der Überblick beschreibt kausale Schlussfolgerungen anhand struktureller Modelle. Aussagen über Eingriffe benötigen neben Beobachtungsdaten Annahmen über den Entstehungsprozess.
Zachary C. Lipton (2018). The Mythos of Model Interpretability. Communications of the ACM 61(10), 36–43. DOI: 10.1145/3233231.
Die Begriffsanalyse unterscheidet mehrere Ansprüche an Interpretierbarkeit, darunter Modelltransparenz und nachträgliche Erklärung. Eine einzelne Erklärungsmethode beantwortet deshalb nicht jede Frage an ein Modell.