Jak pogodzić subiektywizm i obiektywizm w nauce? Subiektywne wybory i obiektywna wiedza w nauce nie są przeciwieństwami. W rzeczywistości nie da się wyeliminować wszystkich subiektywnych elementów w procesie tworzenia wiedzy, jednak zwiększanie przejrzystości i osiąganie bardziej wiarygodnych rezultatów wymagają ich uwzględnienia – tak przynajmniej uważa zespół finansowanych ze środków UE naukowców. Społeczeństwo © wavebreakmedia, Shutterstock Jaka jest różnica między „alternatywnymi faktami” głoszonymi przez przedstawicieli administracji Donalda Trumpa i prawdą naukową? Zwykle pierwszą odpowiedzią na to pytanie jest obiektywny charakter metody naukowej. Jednak choć istnieje obiektywna różnica między faktami naukowymi i półprawdami czy fałszywymi informacjami, przekonanie o tym, że rzetelna nauka jest całkowicie bezstronna, wolna od osobistych przekonań i subiektywnych założeń może prowadzić do niebezpiecznych błędów. Zespół projektu Objectivity (Making Scientific Inferences More Objective), który otrzymał dofinansowanie z Europejskiej Rady ds. Badań Naukowych, zajmuje się opracowaniem nowej koncepcji obiektywizmu w nauce. Przestarzałe koncepcje, które zakładają, że obiektywizm w nauce oznacza całkowity brak jakichkolwiek subiektywnych elementów często ogranicza postęp naukowy, co zauważa Jan Sprenger, główny badacz projektu i profesor filozofii nauki Wydziału Filozofii Uniwersytetu w Turynie. „Niestety, do tej pory wielu naukowców i redaktorów czasopism ma tendencję do zamiatania tych elementów pod dywan”. Według Sprengera, tego rodzaju praktyki są jedną z głównych przyczyn trwającego kryzysu powtarzalności badań, w wyniku którego naukowcy nie są w stanie uzyskać powtarzalnych wyników przeprowadzonych wcześniej doświadczeń i eksperymentów. „Argumentowaliśmy, że zastosowanie subiektywnego podejścia do opracowywania nowej wiedzy zwiększa przejrzystość rozumowania. Tym samym ułatwia również weryfikację twierdzeń naukowych i przyczynia się do zwiększenia wiarygodności uzyskanych wniosków”. W jaki sposób zatem można przełożyć to podejście na lepszą naukę? Zespół badaczy uczestniczących w projekcie opracował praktyczne narzędzia usprawniające wnioskowanie statystyczne, przyczynowe i wyjaśniające, godzące subiektywne wybory z celem, jakim jest obiektywna wiedza. Integralna subiektywność Jednym z przykładów problemów, które składają się na postępujący kryzys powtarzalności badań jest zjawisko nadużywania danych, określane angielskim terminem „p-hacking”. Stosujący tę praktykę badacze wybierają analizy i dobierają dane w taki sposób, by pasowały do uprzednio założonych wniosków. Zespół projektu Objectivity zwraca uwagę na obiecującą koncepcję bayesianizmu, która wykorzystuje subiektywną interpretację prawdopodobieństwa w celu poprawy wnioskowania statystycznego. Dotychczasowe prace wskazują, że doświadczenia zaprojektowane i analizowane przy użyciu tej metody prowadziły do dokładniejszych oszacowań w porównaniu z metodą konwencjonalną. Wnioskowanie przyczynowe to proces, w ramach którego na podstawie danych naukowcy dochodzą do przyczyn zjawisk. Przykładem mogą być na przykład randomizowane badania z próbą kontrolną w medycynie, które mają na celu zmierzenie przyczynowości, aby w ten sposób określić skuteczność nowego leku. Badacze sugerują wprowadzenie specyficznej miary przyczynowości – wpływu działań związanych z przyczyną na prawdopodobieństwa wystąpienia skutku. Prawdopodobieństwo to można interpretować obiektywnie – w kategoriach częstotliwości, skłonności itp. – a także jako subiektywny stopień przekonania, w zależności od kontekstu. Wnioskowanie wyjaśniające jest procesem wyboru hipotezy, która najlepiej wyjaśnia dostępne dane. Jak zauważa Sprenger, taka koncepcja jest często niejasna: „Czym jest «dobre» wyjaśnienie? Przeczuciem naukowca? W ramach naszych prac zbudowaliśmy precyzyjne fundamenty dla tego sposobu wnioskowania poprzez konstrukcję i porównanie różnych miar mocy wyjaśnień”. Zespół dostrzegł ścisły związek pomiędzy wcześniejszymi przekonaniami i mocą wyjaśnienia. Jakość wyjaśnienia i wybór „najlepszego wyjaśnienia” nie jest zatem stricte obiektywny i często jest w pewnym stopniu uzależniony od subiektywnych przekonań. „W związku z tym musimy przystosować nasze procedury oceny eksperymentów i ich analizy statystycznej. Mówiąc dokładniej, musimy wyzbyć się lęku przed uwzględnianiem elementów subiektywnych w procesie wnioskowania”, podsumowuje Sprenger. „Nauka wygrywa z przesądami, jednak nie dlatego, że nie dopuszcza możliwości uwzględniania elementów subiektywnych, lecz ze względu na to, że wynikające z metody naukowej wnioski są raczej odporne na zmienność subiektywnych danych wejściowych. Ponadto nauka dopuszcza racjonalną krytykę przyjmowanych założeń”. Słowa kluczowe Objectivity, subiektywność, wnioskowanie naukowe, wnioskowanie statystyczne, wnioskowanie przyczynowe, wnioskowanie wyjaśniające, bayesianizm, przekłamanie
