Der qualvolle Weg zur Evidenz

Karl Marx wurde von den Ärzten kurz vor dem Ende seines Lebens 1883 noch heftig gequält. Die Mediziner verätzten seinen Brustkorb mit starken Säuren, um Lungenwasser und Entzündungsstoffe seiner chronischen Bronchitis „nach aussen“ abzuleiten.

Während Physik und Chemie bereits im 17. und 18. Jahrhundert den Schritt hin zu Experiment und Überprüfung vollzogen, blieb die Medizin zum Leidwesen vieler Patienten erstaunlich lange autoritätsbasiert. Selbst Jahrhunderte nach Galenos von Pergamon galt primär die Intuition scheinbar genialer Chefärzte.

Einen radikalen Wandel leitete der kanadische Arzt Gordon Guyatt erst im Jahr 1992 mit der Methodik der evidenzbasierten Medizin ein. Ausserdem zwang der ökonomische Druck die Krankenhäuser am Ende des 20. Jahrhunderts jeden Handgriff, jede Diagnose und jede Verweildauer statistisch zu erfassen. Dadurch wurde schonungslos offengelegt, welche scheinbar genialen Behandlungsmethoden eher wirkungslos waren und nur Geld kosteten.

Die Medizin hat sich die experimentell-statistische Überprüfung als eine der letzten Disziplinen zu eigen gemacht – und das nicht nur aus purem Erkenntnisdrang, sondern weil das System bezahlbar bleiben musste.

Verschiebung des Experiments in den virtuellen Raum

Seit einigen Jahren etabliert sich eine Abkehr vom erkenntnistheoretischen Regelkreis der modernen Wissenschaft: „Beobachtung – Hypothese – Experiment – Überprüfung – Korrektur“ hin zu Computermodell und Simulation.

Dafür gibt es durchaus gute Gründe. Viele der heute untersuchten Systeme sind zu gross, zu komplex, entwickeln sich über zu lange Zeiträume oder sind nicht experimentell zugänglich.

Virtuelle Crash-Tests in der Automobilindustrie zum Beispiel sind eine Meisterleistung der Simulation. Die enorme Rechnerleistung erlaubt es, fast unzählige Variablen und Wechselwirkungen durchzurechnen. Bevor ein neues Auto gebaut wird, durchläuft es tausende simulierte Unfälle: Verformung, Splitterverhalten oder die Airbag-Auslösung lassen sich dabei bis auf den Bruchteil eines Millimeters und im Bruchteil einer Sekunde bestimmen. Am Ende der Simulationen steht allerdings immer der reale Crashtest, um die Simulation zu bestätigen. Das Modell ersetzt nicht das Experiment, sondern verkürzt den Weg dorthin. Millionen an Materialkosten werden dadurch gespart und Menschenleben gerettet.

Das getunte Weltklima

Die Modellierung des System Erde zeigt die Grenzen der Simulation: Wenn irgendwo ein angebliches Klimaereignis auftritt, lässt sich nicht anhand einer zweiten Erde im Reagenzglas überprüfen, ob 20 ppm weniger CO₂ zu einem anderen Ergebnis geführt hätten. In der Astrophysik, den makroökonomischen Modellen oder dem Weltklima ist ein Laborexperiment unmöglich. Die Simulation ist hier das einzig verfügbare Werkzeug.

Eine Simulation zeigt aber immer nur: „Was würde passieren, wenn unsere Annahmen oder Randbedingungen stimmen?“ Ob diese Annahmen überhaupt richtig sind, kann das Modell selbst nicht beweisen. Allzu leicht ergibt sich ein Zirkelschluss.

In der klassischen Naturwissenschaft korrigiert das empirische Experiment (die reale Welt) das Modell. Fehlt jedoch, wie in der Klimaforschung, die unabhängige Instanz der realen Welt, kann folgendes geschehen:

Modell 1 simuliert die Wolkenbildung. Weil sich dies aber nicht exakt berechnen lässt, nutzen Forscher Annahmen und Vereinfachungen (Parametrisierungen).

Modell 2 benötigt Daten zur Wolkenbildung für ein Wettermodell. Da es keine umfassenden, lückenlosen realen Daten aus der fernen Vergangenheit noch aus der Zukunft gibt, füttert man Modell 2 mit den Ergebnissen von Modell 1.

Nun wird Modell 2 optimiert (kalibriert), bis es mit den Daten von Modell 1 übereinstimmt. Aber Modell 2 beweist nicht die Realität, sondern beweist nur, dass es mit Modell 1 kompatibel ist. Das macht auch Manipulationen viel einfacher und verführerischer: Man kann das Modell so lange optimieren, bis das gewünschte Ergebnis herauskommt.

Eric Winsberg, Professor für Wissenschaftstheorie, beschreibt in seinem Buch „Science in the Age of Computer Simulation“ (2010), dass moderne Simulationen oft eine Eigendynamik entwickeln. Er kritisiert, dass Modelle häufig darauf ausgelegt sind, „gute Kurven“ zu erzeugen, anstatt reale Mechanismen abzubilden. In „Philosophy and Climate Science“ (2018) legt Winsberg in Bezug auf das „Tuning” in den Klimamodellen nach: „If you tune a model to a dataset, you cannot use that same dataset to confirm the model’s reliability.“

Transparenz statt Modellautorität in der Politikberatung

Der Ökonom Robert S. Pindyck hat 2013 einige Klimamodelle wie folgt beschrieben: Sie würden die „Illusion von Wissen und Präzision erzeugen“, was ihnen eine wissenschaftliche Legitimität verleihe, die real nicht vorhanden sei.

Der italienische Forscher Andrea Saltelli veröffentlichte 2020 gemeinsam mit mehr als zwanzig Wissenschaftlern in «Nature» den vielbeachteten Aufruf „Five ways to ensure that models serve society“. Die Autoren stellen sich damit direkt gegen den unreflektierten Einsatz und die blinde Autorität komplexer Modelle in der politischen Entscheidungsfindung. Stattdessen fordern sie vor allem Transparenz und wissenschaftliche Bescheidenheit: „Predictions need to be transparent and humble“.

Ein Modell besteht eben nicht nur aus naturwissenschaftlichen Gesetzmässigkeiten, sondern vielmehr aus Annahmen darüber, welche Entwicklungen wahrscheinlich, welche Technologien (politisch) zulässig, welche Risiken akzeptabel und welche Kosten relevant sind. Verschwinden diese Annahmen im Inneren eines komplexen Modells, entsteht am Ende nur die Illusion wissenschaftlicher Alternativlosigkeit.

Deshalb fordert Saltelli unter anderem eine konsequente Offenlegung der Annahmen, Sensitivitätsanalysen, Alternativrechnungen und die Darstellung der Unsicherheit.

Die ernüchternde Geschichte der Energieprognosen

Vaclav Smil, ein tschechisch-kanadischer Wissenschaftler, gilt als die grosse Autorität für die Bewertung von Energiesystemmodellen, weil er nicht nur theoretisch argumentiert, sondern jahrzehntelange Energieprognosen rückblickend untersucht hat.

Sein Urteil fällt ausgesprochen ernüchternd aus. In seinem im Jahr 2000 in der Fachzeitschrift «Technological Forecasting and Social Change» erschienenen Aufsatz „Perils of Long-Range Energy Forecasting“ zieht Smil mit drastischen Worten die Bilanz langfristiger Energieprognosen: „What strikes me most … is the extent of individual and collective failure“.

Smil zeigt Fehlprognosen bei Energiebedarf, Ressourcenverfügbarkeit und technologischen Innovationen auf. Besonders bemerkenswert sei, dass viele dieser Irrtümer nicht von Aussenseitern stammten, sondern von führenden Experten und Institutionen.

Dabei beschreibt Smil ein Paradox, das für heutige Energiesystemmodelle von besonderer Bedeutung ist: Um Prognosen realistischer zu machen, wurden die Modelle immer komplexer. Doch zusätzliche Komplexität erforderte immer längere Ketten miteinander verknüpfter Annahmen – und genau dadurch ging die angestrebte Realitätsnähe wieder verloren.

Smil verlangt aber keineswegs, auf Modelle zu verzichten. Er fordert vielmehr, detaillierte langfristige Punktprognosen aufzugeben. Denn hinter diesem wissenschaftlichen Begriff verbergen sich letztlich nur scheingenaue, weit in der Zukunft liegende und extrem unwahrscheinliche Werte.

Fazit:

Die moderne Naturwissenschaft war eine Befreiung aus der Scholastik durch Beobachtung und Experiment. Wo Experimente nicht möglich sind, helfen Simulationen – allerdings mit dem Risiko von Zirkelschlüssen. Werden Modelle gezielt auf gewünschte Ergebnisse getrimmt, werden sie zum Instrument politischer Einflussnahme. So wird aus Wissenschaft wieder Scholastik.

Vielen Dank für das Teilen und Verbreiten dieses Artikels!