Modelle In Der Wissenschaft

2023 Autor: Noah Black | [email protected]. Zuletzt bearbeitet: 2023-11-26 16:05

Dies ist eine Datei im Archiv der Stanford Encyclopedia of Philosophy. Autoren- und Zitierinfo | Freunde PDF Vorschau | InPho-Suche | PhilPapers Bibliographie

Modelle in der Wissenschaft

Erstveröffentlichung Montag, 27. Februar 2006; inhaltliche Überarbeitung Montag, 25. Juni 2012

Modelle sind in vielen wissenschaftlichen Kontexten von zentraler Bedeutung. Die Zentralität von Modellen wie dem Billardkugelmodell eines Gases, dem Bohr-Modell des Atoms, dem MIT-Beutelmodell des Nukleons, dem Gaußschen Kettenmodell eines Polymers, dem Lorenz-Modell der Atmosphäre und dem Lotka-Volterra-Modell Beispiele hierfür sind die Interaktion zwischen Raubtieren und Beutetieren, das Doppelhelixmodell der DNA, agentenbasierte und evolutionäre Modelle in den Sozialwissenschaften sowie allgemeine Gleichgewichtsmodelle der Märkte in ihren jeweiligen Bereichen. Wissenschaftler verbringen viel Zeit damit, Modelle zu erstellen, zu testen, zu vergleichen und zu überarbeiten, und viel Platz im Journal ist für die Einführung, Anwendung und Interpretation dieser wertvollen Werkzeuge vorgesehen. Kurz gesagt, Modelle sind eines der Hauptinstrumente der modernen Wissenschaft.

Philosophen erkennen die Bedeutung von Modellen mit zunehmender Aufmerksamkeit an und untersuchen die verschiedenen Rollen, die Modelle in der wissenschaftlichen Praxis spielen. Das Ergebnis war eine unglaubliche Verbreitung von Modelltypen in der philosophischen Literatur. Untersuchungsmodelle, phänomenologische Modelle, Rechenmodelle, Entwicklungsmodelle, Erklärungsmodelle, verarmte Modelle, Testmodelle, idealisierte Modelle, theoretische Modelle, Skalenmodelle, heuristische Modelle, Karikaturmodelle, didaktische Modelle, Fantasiemodelle, Spielzeugmodelle, imaginäre Modelle, mathematische Modelle, Ersatzmodelle, ikonische Modelle, formale Modelle, analoge Modelle und Instrumentalmodelle sind nur einige der Begriffe, die zur Kategorisierung von Modellen verwendet werden. Während diese Fülle auf den ersten Blick überwältigend ist,Es kann schnell unter Kontrolle gebracht werden, indem erkannt wird, dass diese Begriffe unterschiedliche Probleme betreffen, die im Zusammenhang mit Modellen auftreten. Zum Beispiel werfen Modelle Fragen in den Bereichen Semantik (welche Repräsentationsfunktion haben Modelle?), Ontologie (was sind Modelle?), Erkenntnistheorie (wie lernen wir mit Modellen?) Und natürlich in der allgemeinen Philosophie auf der Wissenschaft (in welcher Beziehung stehen Modelle zur Theorie? Was bedeutet ein modellbasierter Ansatz für die Wissenschaft für die Debatten über wissenschaftlichen Realismus, Reduktionismus, Erklärung und Naturgesetze?).in der allgemeinen Wissenschaftsphilosophie (in welcher Beziehung stehen Modelle zur Theorie? Was bedeutet ein modellbasierter Ansatz für die Wissenschaft für die Debatten über wissenschaftlichen Realismus, Reduktionismus, Erklärung und Naturgesetze?).in der allgemeinen Wissenschaftsphilosophie (in welcher Beziehung stehen Modelle zur Theorie? Was bedeutet ein modellbasierter Ansatz für die Wissenschaft für die Debatten über wissenschaftlichen Realismus, Reduktionismus, Erklärung und Naturgesetze?).

• 1. Semantik: Modelle und Repräsentation

  • 1.1 Repräsentationsmodelle I: Modelle von Phänomenen
  • 1.2 Repräsentationsmodelle II: Datenmodelle
  • 1.3 Modelle der Theorie

• 2. Ontologie: Was sind Modelle?

  • 2.1 Physische Objekte
  • 2.2 Fiktive Objekte
  • 2.3 Mengen-theoretische Strukturen
  • 2.4 Beschreibungen
  • 2.5 Gleichungen
  • 2.6 Gerrymandered Ontologien

• 3. Erkenntnistheorie: Lernen mit Modellen

  • 3.1 Lernen über das Modell: Experimente, Gedankenexperimente und Simulation
  • 3.2 Wissen über das Modell in Wissen über das Ziel umwandeln

• 4. Modelle und Theorie

  • 4.1 Die zwei Extreme: die syntaktische und die semantische Sichtweise von Theorien
  • 4.2 Modelle als unabhängig von Theorien

• 5. Modelle und andere Debatten in der Wissenschaftstheorie

  • 5.1 Modelle und die Debatte zwischen Realismus und Antirealismus
  • 5.2 Modell und Reduktionismus
  • 5.3 Modelle und Naturgesetze
  • 5.4 Modelle und wissenschaftliche Erklärung
• 6. Fazit
• Literaturverzeichnis
• Akademische Werkzeuge
• Andere Internetquellen
• Verwandte Einträge

1. Semantik: Modelle und Repräsentation

Modelle können zwei grundlegend unterschiedliche Darstellungsfunktionen ausführen. Ein Modell kann einerseits eine Darstellung eines ausgewählten Teils der Welt sein (das „Zielsystem“). Abhängig von der Art des Ziels sind solche Modelle entweder Modelle von Phänomenen oder Modelle von Daten. Andererseits kann ein Modell eine Theorie in dem Sinne darstellen, dass es die Gesetze und Axiome dieser Theorie interpretiert. Diese beiden Begriffe schließen sich nicht gegenseitig aus, da wissenschaftliche Modelle gleichzeitig Repräsentationen in beiden Sinnen sein können.

1.1 Repräsentationsmodelle I: Modelle von Phänomenen

Viele wissenschaftliche Modelle stellen ein Phänomen dar, bei dem "Phänomen" als Überbegriff verwendet wird, der alle relativ stabilen und allgemeinen Merkmale der Welt abdeckt, die aus wissenschaftlicher Sicht interessant sind. Empiriker wie van Fraassen (1980) lassen nur zu, dass Observable als solche qualifiziert werden, während Realisten wie Bogen und Woodward (1988) keine derartigen Einschränkungen auferlegen. Das Billardkugelmodell eines Gases, das Bohr-Modell des Atoms, das Doppelhelix-Modell der DNA, das Skalenmodell einer Brücke, das Mundell-Fleming-Modell einer offenen Wirtschaft oder das Lorenz-Modell der Atmosphäre sind bekannt Beispiele für Modelle dieser Art.

Ein erster Schritt zur Diskussion des Themas der wissenschaftlichen Repräsentation besteht darin, zu erkennen, dass es das Problem der wissenschaftlichen Repräsentation nicht gibt. Vielmehr gibt es unterschiedliche, aber verwandte Probleme. Es ist noch nicht klar, mit welchen spezifischen Fragen sich eine Repräsentationstheorie auseinandersetzen muss, aber welche Liste von Fragen man auch auf die Tagesordnung einer Theorie der wissenschaftlichen Repräsentation setzen könnte, es gibt zwei Probleme, die im Mittelpunkt stehen werden Diskussion (Frigg 2006). Das erste Problem besteht darin, zu erklären, was ein Modell für eine Darstellung von etwas anderem ist. Um die Ausrichtung dieser Frage zu verstehen, müssen wir eine Position in Bezug auf die Ontologie von Modellen vorwegnehmen (die wir im nächsten Abschnitt erörtern). Es ist heutzutage üblich, Modelle eher als nichtsprachliche Einheiten als als Beschreibungen zu interpretieren. Dieser Ansatz hat weitreichende Konsequenzen. Wenn wir Modelle als Beschreibungen verstehen, würde sich die obige Frage auf das altehrwürdige Problem der Beziehung zwischen Sprache und Realität reduzieren, und es würde keine Probleme geben, die über die bereits in der Sprachphilosophie diskutierten hinausgehen. Wenn wir Modelle jedoch als nichtsprachliche Einheiten verstehen, stehen wir vor der neuen Frage, was es für ein Objekt (das kein Wort oder Satz ist) ist, ein Phänomen wissenschaftlich darzustellen. Wir stehen vor der neuen Frage, was es für ein Objekt (das kein Wort oder Satz ist) ist, ein Phänomen wissenschaftlich darzustellen. Wir stehen vor der neuen Frage, was es für ein Objekt (das kein Wort oder Satz ist) ist, ein Phänomen wissenschaftlich darzustellen.

Etwas überraschend ist, dass diese Frage bis vor kurzem in der Wissenschaftsphilosophie des 20. Jahrhunderts nicht viel Beachtung gefunden hat, obwohl die entsprechenden Probleme in der Philosophie des Geistes und in der Ästhetik seit Jahrzehnten ausführlich diskutiert werden (es gibt eine umfangreiche Literatur, die sich damit befasst Die Frage, was es für einen mentalen Zustand bedeutet, einen bestimmten Sachverhalt darzustellen, und die Frage, wie eine Konfiguration von flachen Markierungen auf einer Leinwand etwas jenseits dieser Leinwand darstellen kann, hat die Ästhetiker lange Zeit verwirrt. Einige neuere Veröffentlichungen befassen sich jedoch mit diesem und anderen eng verwandten Problemen (Bailer-Jones 2003, Contessa 2007, Elgin 2010, Frigg 2006, 2010c, Knuuttila 2009, Morrison 2009, Giere 2004, Suárez 2003, 2004, 2009, Suárez und Solé 2006, Thomson-Jones 2010, Toon 2010, 2011, 2012,van Fraassen 2004), während andere es als Nicht-Problem abtun (Callender und Cohen 2006, 2008 Teller 2001).

Das zweite Problem betrifft Repräsentationsstile. Es ist allgemein üblich, dass man dasselbe Thema auf unterschiedliche Weise darstellen kann. Dieser Pluralismus scheint kein Vorrecht der schönen Künste zu sein, da die in den Wissenschaften verwendeten Darstellungen auch nicht alle von einer Art sind. Weizsäckers Flüssigkeitstropfenmodell repräsentiert den Kern eines Atoms auf eine Weise, die sich stark vom Schalenmodell unterscheidet, und ein maßstabsgetreues Modell des Flügels eines Flugzeugs repräsentiert den Flügel auf eine Weise, die sich von der eines mathematischen Modells seiner Form unterscheidet. Welche Repräsentationsstile gibt es in den Wissenschaften?

Obwohl diese Frage in der Literatur zur sogenannten semantischen Sichtweise von Theorien nicht explizit angesprochen wird, scheinen sich aus dem Verständnis von Modellen einige Antworten zu ergeben. Eine Version der semantischen Sichtweise, die auf einem mathematischen Begriff von Modellen aufbaut (siehe Abschnitt 2), besagt, dass ein Modell und sein Ziel isomorph (van Fraassen 1980; Suppes 2002) oder teilweise isomorph (Da Costa und Französisch) sein müssen 2003) miteinander. Schwächere formale Anforderungen wurden von Mundy (1986) und Swoyer (1991) diskutiert. Eine andere Version der semantischen Sichtweise lässt formale Anforderungen zugunsten der Ähnlichkeit fallen (Giere 1988 und 2004, Teller 2001). Dieser Ansatz hat gegenüber der Isomorphismus-Ansicht den Vorteil, dass er weniger restriktiv ist und auch Fälle von ungenauen und vereinfachenden Modellen berücksichtigen kann. Wie Giere jedoch betont,Dieses Konto bleibt leer, solange keine relevanten Aspekte und Ähnlichkeitsgrade angegeben sind. Die Spezifikation solcher Aspekte und Grade hängt vom vorliegenden Problem und dem größeren wissenschaftlichen Kontext ab und kann nicht auf der Grundlage rein philosophischer Überlegungen erfolgen (Teller 2001).

Weitere Begriffe, die sich mit dem Thema Repräsentationsstile befassen, wurden in der Literatur zu Modellen eingeführt. Unter diesen spielen Skalenmodelle, idealisierte Modelle, analoge Modelle und phänomenologische Modelle eine wichtige Rolle. Diese Kategorien schließen sich nicht gegenseitig aus. Beispielsweise würden einige Modelle auch als idealisierte Modelle gelten, und es ist nicht klar, wo genau die Grenze zwischen idealisierten und analogen Modellen gezogen werden soll.

Maßstabsgetreue Modelle. Einige Modelle sind im Grunde genommen verkleinerte oder vergrößerte Kopien ihrer Zielsysteme (Black 1962). Typische Beispiele sind Holzautos oder Modellbrücken. Die führende Intuition ist, dass ein Modell eine naturalistische Nachbildung oder ein wahrheitsgemäßes Spiegelbild des Ziels ist; Aus diesem Grund werden Skalenmodelle manchmal auch als "wahre Modelle" bezeichnet (Achinstein 1968, Kap. 7). Es gibt jedoch kein absolut originalgetreues Modell. Treue ist immer auf einige Aspekte beschränkt. Das Holzmodell des Autos zum Beispiel liefert eine getreue Darstellung der Form des Autos, aber nicht seines Materials. Skalenmodelle scheinen ein Sonderfall einer breiteren Kategorie von Darstellungen zu sein, die Peirce als Symbole bezeichnete: Darstellungen, die für etwas anderes stehen, weil sie ihm sehr ähnlich sind (Peirce 1931–1958 Vol. 3, Abs. 362). Dies wirft die Frage auf, welche Kriterien ein Modell erfüllen muss, um sich als Symbol zu qualifizieren. Obwohl wir offenbar eine starke Vorstellung davon haben, wie diese Frage in bestimmten Fällen zu beantworten ist, wurde noch keine Theorie der Ikonizität für Modelle formuliert.

Idealisierte Modelle. Eine Idealisierung ist eine bewusste Vereinfachung von etwas Kompliziertem mit dem Ziel, es leichter handhabbar zu machen. Reibungslose Ebenen, Punktmassen, unendliche Geschwindigkeiten, isolierte Systeme, allwissende Agenten und Märkte im perfekten Gleichgewicht sind nur einige bekannte Beispiele. Die philosophischen Debatten über die Idealisierung haben sich auf zwei allgemeine Arten von Idealisierungen konzentriert: sogenannte aristotelische und galiläische Idealisierungen.

Die aristotelische Idealisierung bedeutet nach unserer Vorstellung, alle Eigenschaften eines konkreten Objekts zu entfernen, von denen wir glauben, dass sie für das vorliegende Problem nicht relevant sind. Dies ermöglicht es uns, uns isoliert auf einen begrenzten Satz von Eigenschaften zu konzentrieren. Ein Beispiel ist ein klassisches mechanisches Modell des Planetensystems, das die Planeten als Objekte beschreibt, die nur Form und Masse haben, wobei alle anderen Eigenschaften außer Acht gelassen werden. Andere Bezeichnungen für diese Art der Idealisierung sind "Abstraktion" (Cartwright 1989, Kap. 5), "Vernachlässigbarkeitsannahmen" (Musgrave 1981) und "Methode der Isolation" (Mäki 1994).

Galiläische Idealisierungen sind solche, die absichtliche Verzerrungen beinhalten. Physiker bauen Modelle, die aus Punktmassen bestehen, die sich auf reibungslosen Ebenen bewegen, Ökonomen gehen davon aus, dass Agenten allwissend sind, Biologen untersuchen isolierte Populationen und so weiter. Es war charakteristisch für Galileos Ansatz in der Wissenschaft, solche Vereinfachungen zu verwenden, wenn eine Situation zu kompliziert war, um sie anzugehen. Aus diesem Grund ist es üblich, diese Art von Idealisierungen als "galiläische Idealisierungen" zu bezeichnen (McMullin 1985); Ein weiteres gängiges Label sind "verzerrte Modelle".

Galiläische Idealisierungen sind mit Rätseln behaftet. Was sagt uns ein Modell mit solchen Verzerrungen über die Realität? Wie können wir seine Genauigkeit testen? Als Antwort auf diese Fragen hat Laymon (1991) eine Theorie aufgestellt, die Idealisierungen als ideale Grenzen versteht: Stellen Sie sich eine Reihe experimenteller Verfeinerungen der tatsächlichen Situation vor, die sich der postulierten Grenze nähern und dann erfordern, dass die Eigenschaften eines Systems umso näher an die Grenzen heranrücken Idealgrenze, je näher sein Verhalten dem Verhalten der Idealgrenze (Monotonie) kommen muss. Diese Bedingungen müssen jedoch nicht immer gelten, und es ist nicht klar, wie Situationen zu verstehen sind, in denen keine ideale Grenze besteht. Zumindest im Prinzip können wir eine Reihe von Tischplatten herstellen, die immer rutschiger werden, aber wir können unmöglich eine Reihe von Systemen herstellen, in denen die Plancksche Konstante gegen Null geht. Dies wirft die Frage auf, ob man ein idealisiertes Modell immer realistischer machen kann, indem man es de-idealisiert. Wir werden in Abschnitt 5.1 auf dieses Problem zurückkommen.

Galiläische und aristotelische Idealisierungen schließen sich nicht gegenseitig aus. Im Gegenteil, sie kommen oft zusammen. Betrachten Sie noch einmal das mechanische Modell des Planetensystems: Das Modell berücksichtigt nur einen engen Satz von Eigenschaften und verzerrt diese, indem es beispielsweise Planeten als ideale Kugeln mit einer rotationssymmetrischen Massenverteilung beschreibt.

Modelle, die sowohl wesentliche galiläische als auch aristotelische Idealisierungen beinhalten, werden manchmal als "Karikaturen" bezeichnet (Gibbard und Varian 1978). Karikaturmodelle isolieren eine kleine Anzahl herausragender Merkmale eines Systems und verzerren sie in einen Extremfall. Ein klassisches Beispiel ist das Modell des Automarktes von Ackerlof (1970), das den Preisunterschied zwischen Neu- und Gebrauchtwagen ausschließlich anhand asymmetrischer Informationen erklärt und dabei alle anderen Faktoren außer Acht lässt, die die Preise von Autos beeinflussen können. Es ist jedoch umstritten, ob solche stark idealisierten Modelle immer noch als informative Darstellungen ihrer Zielsysteme angesehen werden können (für eine Diskussion von Karikaturmodellen, insbesondere in der Wirtschaft, siehe Reiss 2006).

An dieser Stelle möchten wir einen Begriff erwähnen, der eng mit der Idealisierung verbunden zu sein scheint, nämlich die Approximation. Obwohl die Begriffe manchmal synonym verwendet werden, scheint es einen deutlichen Unterschied zwischen den beiden zu geben. Annäherungen werden in einem mathematischen Kontext eingeführt. Ein mathematischer Gegenstand ist eine Annäherung an einen anderen, wenn er in einem relevanten Sinne nahe daran liegt. Was dieser Artikel ist, kann variieren. Manchmal wollen wir eine Kurve mit einer anderen approximieren. Dies geschieht, wenn wir eine Funktion zu einer Potenzreihe erweitern und nur die ersten zwei oder drei Terme beibehalten. In anderen Situationen approximieren wir eine Gleichung durch eine andere, indem wir einen Steuerparameter gegen Null tendieren lassen (Redhead 1980). Der herausragende Punkt ist, dass das Problem der physischen Interpretation nicht auftauchen muss. Im Gegensatz zur galiläischen IdealisierungApproximation ist eine rein formale Angelegenheit, die eine Verzerrung eines realen Systems beinhaltet. Dies bedeutet natürlich nicht, dass es keine interessanten Beziehungen zwischen Approximationen und Idealisierung geben kann. Zum Beispiel kann eine Annäherung gerechtfertigt werden, indem darauf hingewiesen wird, dass dies der „mathematische Anhänger“einer akzeptablen Idealisierung ist (z. B. wenn wir einen dissipativen Term in einer Gleichung vernachlässigen, weil wir die idealisierende Annahme treffen, dass das System reibungslos ist).wenn wir einen dissipativen Term in einer Gleichung vernachlässigen, weil wir die idealisierende Annahme treffen, dass das System reibungslos ist).wenn wir einen dissipativen Term in einer Gleichung vernachlässigen, weil wir die idealisierende Annahme treffen, dass das System reibungslos ist).

Analoge Modelle. Standardbeispiele für analoge Modelle sind das Hydraulikmodell eines Wirtschaftssystems, das Billardkugelmodell eines Gases, das Computermodell des Geistes oder das Flüssigkeitstropfenmodell des Kerns. Auf der grundlegendsten Ebene sind zwei Dinge analog, wenn bestimmte relevante Ähnlichkeiten zwischen ihnen bestehen. Hesse (1963) unterscheidet verschiedene Arten von Analogien nach den Arten von Ähnlichkeitsrelationen, in die zwei Objekte eintreten. Eine einfache Art der Analogie basiert auf gemeinsamen Eigenschaften. Es gibt eine Analogie zwischen Erde und Mond, die auf der Tatsache beruht, dass beide große, feste, undurchsichtige, kugelförmige Körper sind, die Wärme und Licht von der Sonne empfangen, sich um ihre Achsen drehen und sich zu anderen Körpern hin bewegen. Gleichheit der Eigenschaften ist jedoch keine notwendige Bedingung. Eine Analogie zwischen zwei Objekten kann auch auf relevanten Ähnlichkeiten zwischen ihren Eigenschaften beruhen. In diesem liberaleren Sinne können wir sagen, dass es eine Analogie zwischen Ton und Licht gibt, da Echos Reflexionen, Lautstärke zu Helligkeit, Tonhöhe zu Farbe, Erkennbarkeit durch das Ohr zu Erkennbarkeit durch das Auge usw. ähnlich sind.

Analogien können auch auf der Gleichheit oder Ähnlichkeit der Beziehungen zwischen Teilen zweier Systeme beruhen und nicht auf ihren monadischen Eigenschaften. In diesem Sinne behaupten einige Politiker, dass das Verhältnis eines Vaters zu seinen Kindern dem Verhältnis des Staates zu den Bürgern entspricht. Die bisher erwähnten Analogien waren das, was Hessen "materielle Analogien" nennt. Wir erhalten einen formaleren Begriff der Analogie, wenn wir von den konkreten Merkmalen der Systeme abstrahieren und uns nur auf ihren formalen Aufbau konzentrieren. Was das analoge Modell dann mit seinem Ziel teilt, ist nicht eine Reihe von Merkmalen, sondern dasselbe Muster abstrakter Beziehungen (dh dieselbe Struktur, bei der Struktur im formalen Sinne verstanden wird). Dieser Begriff der Analogie ist eng verwandt mit dem, was Hessen "formale Analogie" nennt. Zwei Elemente sind durch formale Analogie miteinander verbunden, wenn sie beide Interpretationen desselben formalen Kalküls sind. Zum Beispiel gibt es eine formale Analogie zwischen einem schwingenden Pendel und einem oszillierenden Stromkreis, da beide durch dieselbe mathematische Gleichung beschrieben werden.

Eine weitere hessische Unterscheidung ist die zwischen positiven, negativen und neutralen Analogien. Die positive Analogie zwischen zwei Elementen besteht in den Eigenschaften oder Beziehungen, die sie teilen (sowohl Gasmoleküle als auch Billardkugeln haben Masse), die negative Analogie in denen, die sie nicht teilen (Billardkugeln sind gefärbt, Gasmoleküle nicht). Die neutrale Analogie umfasst die Eigenschaften, von denen noch nicht bekannt ist, ob sie zur positiven oder zur negativen Analogie gehören. Neutrale Analogien spielen in der wissenschaftlichen Forschung eine wichtige Rolle, da sie Fragen aufwerfen und neue Hypothesen vorschlagen. In diesem Sinne haben verschiedene Autoren die heuristische Rolle hervorgehoben, die Analogien in der Theoriekonstruktion und im kreativen Denken spielen (Bailer-Jones und Bailer-Jones 2002; Hesse 1974, Holyoak und Thagard 1995, Kroes 1989, Psillos 1995,und die in Hellman 1988 gesammelten Aufsätze).

Phänomenologische Modelle. Phänomenologische Modelle wurden auf unterschiedliche, jedoch verwandte Weise definiert. Eine traditionelle Definition sieht vor, dass sie Modelle sind, die nur beobachtbare Eigenschaften ihrer Ziele darstellen und keine versteckten Mechanismen und dergleichen postulieren. Ein anderer Ansatz definiert aufgrund von McMullin (1968) phänomenologische Modelle als Modelle, die von Theorien unabhängig sind. Dies scheint jedoch zu stark zu sein. Viele phänomenologische Modelle lassen sich zwar nicht von einer Theorie ableiten, enthalten jedoch Prinzipien und Gesetze, die mit Theorien verbunden sind. Das Flüssigkeitstropfenmodell des Atomkerns stellt beispielsweise den Kern als Flüssigkeitstropfen dar und beschreibt ihn als mit mehreren Eigenschaften (ua Oberflächenspannung und Ladung), die aus verschiedenen Theorien stammen (Hydrodynamik bzw. Elektrodynamik). Bestimmte Aspekte dieser Theorien - obwohl normalerweise nicht die vollständige Theorie - werden dann verwendet, um sowohl die statischen als auch die dynamischen Eigenschaften des Kerns zu bestimmen.

Abschließende Bemerkungen. Jeder dieser Begriffe ist noch etwas vage, leidet unter internen Problemen, und es muss noch viel Arbeit geleistet werden, um sie zu verschärfen. Dringender als diese Fragen ist jedoch die Frage, wie sich die verschiedenen Begriffe zueinander verhalten. Unterscheiden sich Analogien grundlegend von Idealisierungen oder besetzen sie kontinuierlich verschiedene Bereiche? Wie unterscheiden sich Symbole von Idealisierungen und Analogien? Derzeit wissen wir nicht, wie wir diese Fragen beantworten sollen. Was wir brauchen, ist eine systematische Darstellung der verschiedenen Arten, wie Modelle sich auf die Realität beziehen können, und wie diese Wege miteinander verglichen werden.

1.2 Repräsentationsmodelle II: Datenmodelle

Eine andere Art von Repräsentationsmodellen sind sogenannte "Datenmodelle" (Suppes 1962). Ein Datenmodell ist eine korrigierte, korrigierte, regulierte und in vielen Fällen idealisierte Version der Daten, die wir durch sofortige Beobachtung erhalten, die sogenannten Rohdaten. Charakteristischerweise eliminiert man zuerst Fehler (z. B. entfernt Punkte aus dem Datensatz, die auf fehlerhafte Beobachtung zurückzuführen sind) und präsentiert die Daten dann auf eine "ordentliche" Weise, beispielsweise durch Zeichnen einer glatten Kurve durch eine Reihe von Punkten. Diese beiden Schritte werden üblicherweise als "Datenreduktion" und "Kurvenanpassung" bezeichnet. Wenn wir beispielsweise die Flugbahn eines bestimmten Planeten untersuchen, entfernen wir zuerst trügerische Punkte aus den Beobachtungsaufzeichnungen und passen dann eine glatte Kurve an die verbleibenden an. Datenmodelle spielen eine entscheidende Rolle bei der Bestätigung von Theorien, da es sich um das Datenmodell handelt und nicht um die oft chaotischen und komplexen Rohdaten, die wir mit einer theoretischen Vorhersage vergleichen.

Der Aufbau eines Datenmodells kann äußerst kompliziert sein. Es erfordert ausgefeilte statistische Techniken und wirft ernsthafte methodische und philosophische Fragen auf. Wie entscheiden wir, welche Punkte in der Aufzeichnung entfernt werden müssen? Und welche Kurve passen wir angesichts eines sauberen Datensatzes dazu? Die erste Frage wurde hauptsächlich im Rahmen der Experimentalphilosophie behandelt (siehe zum Beispiel Galison 1997 und Staley 2004). Im Zentrum der letzteren Frage steht das sogenannte Kurvenanpassungsproblem, bei dem die Daten selbst nicht angeben, wie die angepasste Kurve aussehen soll. Traditionelle Diskussionen über die Wahl der Theorie legen nahe, dass dieses Problem durch Hintergrundtheorie, Überlegungen zur Einfachheit, vorherige Wahrscheinlichkeiten oder eine Kombination davon gelöst wird. Forster und Sober (1994) weisen darauf hin, dass diese Formulierung des Kurvenanpassungsproblems eine leichte Übertreibung darstellt, da es in der Statistik aufgrund von Akaike einen Satz gibt, der (unter bestimmten Annahmen) zeigt, dass die Daten selbst eine Folgerung in Bezug auf (wenn auch nicht bestimmen) die Form der Kurve, wenn wir davon ausgehen, dass die angepasste Kurve so gewählt werden muss, dass ein Gleichgewicht zwischen Einfachheit und Anpassungsgüte auf eine Weise hergestellt wird, die die Vorhersagegenauigkeit maximiert. Weitere Diskussionen zu Datenmodellen finden sich in Chin und Brewer (1994), Harris (2003), Laymon (1982) und Mayo (1996).s Form, wenn wir davon ausgehen, dass die angepasste Kurve so gewählt werden muss, dass ein Gleichgewicht zwischen Einfachheit und Anpassungsgüte auf eine Weise hergestellt wird, die die Vorhersagegenauigkeit maximiert. Weitere Diskussionen zu Datenmodellen finden sich in Chin und Brewer (1994), Harris (2003), Laymon (1982) und Mayo (1996).s Form, wenn wir davon ausgehen, dass die angepasste Kurve so gewählt werden muss, dass ein Gleichgewicht zwischen Einfachheit und Anpassungsgüte auf eine Weise hergestellt wird, die die Vorhersagegenauigkeit maximiert. Weitere Diskussionen zu Datenmodellen finden sich bei Chin und Brewer (1994), Harris (2003), Laymon (1982) und Mayo (1996).

1.3 Modelle der Theorie

In der modernen Logik ist ein Modell eine Struktur, die alle Sätze einer Theorie wahr macht, wobei eine Theorie als eine (normalerweise deduktiv geschlossene) Menge von Sätzen in einer formalen Sprache angesehen wird (siehe Bell und Machover 1977 oder Hodges 1997 für Details).. Die Struktur ist ein "Modell" in dem Sinne, dass es das ist, was die Theorie darstellt. Als einfaches Beispiel betrachten wir die euklidische Geometrie, die aus Axiomen besteht - z. B. "zwei beliebige Punkte können durch eine gerade Linie verbunden werden" - und die Theoreme, die aus diesen Axiomen abgeleitet werden können. Jede Struktur, für die all diese Aussagen zutreffen, ist ein Modell der euklidischen Geometrie.

Eine Struktur S = <U, O, R> ist eine zusammengesetzte Entität, die aus (i) einer nicht leeren Menge U von Individuen besteht, die als Domäne (oder Universum) von S bezeichnet wird, (ii) einer indizierten Menge O (dh einer geordneten Liste)) von Operationen an U (die leer sein können) und (iii) einer nicht leeren indizierten Menge R von Beziehungen an U. Es ist wichtig zu beachten, dass nichts darüber, was die Objekte sind, für die Definition einer Struktur von Bedeutung ist - es handelt sich lediglich um Dummies. Ebenso werden Operationen und Funktionen rein erweitert spezifiziert; Das heißt, n-Platz-Beziehungen werden als Klassen von n-Tupeln definiert, und Funktionen, die n Argumente annehmen, werden als Klassen von (n + 1) -Tupeln definiert. Wenn alle Sätze einer Theorie wahr sind, wenn ihre Symbole so interpretiert werden, dass sie sich entweder auf Objekte, Beziehungen oder Funktionen einer Struktur S beziehen, dann ist S ein Modell dieser Theorie.

Viele Modelle in der Wissenschaft übernehmen aus der Logik die Idee, die Interpretation eines abstrakten Kalküls zu sein. Dies ist besonders in der Physik relevant, wo allgemeine Gesetze wie die Newtonsche Bewegungsgleichung im Zentrum einer Theorie stehen. Diese Gesetze werden auf ein bestimmtes System angewendet, z. B. ein Pendel, indem eine spezielle Kraftfunktion ausgewählt wird, Annahmen über die Massenverteilung des Pendels usw. getroffen werden. Das resultierende Modell ist dann eine Interpretation (oder Realisierung) des allgemeinen Gesetzes.

2. Ontologie: Was sind Modelle?

Es gibt eine Vielzahl von Dingen, die üblicherweise als Modelle bezeichnet werden: physikalische Objekte, fiktive Objekte, satztheoretische Strukturen, Beschreibungen, Gleichungen oder Kombinationen einiger davon. Diese Kategorien schließen sich jedoch weder gegenseitig aus noch erschöpfen sie gemeinsam. Wo man beispielsweise die Grenze zwischen fiktiven Objekten und satztheoretischen Strukturen zieht, kann durchaus von seinen metaphysischen Überzeugungen abhängen, und einige Modelle können in eine weitere Klasse von Dingen fallen. Was Modelle sind, ist natürlich eine interessante Frage für sich, aber wie im letzten Abschnitt kurz erwähnt, hat sie auch wichtige Auswirkungen auf die Semantik und, wie wir weiter unten sehen werden, auf die Erkenntnistheorie.

2.1 Physische Objekte

Einige Modelle sind einfache physische Objekte. Diese werden üblicherweise als "Materialmodelle" bezeichnet. Die Klasse der Materialmodelle umfasst alles, was eine physikalische Einheit ist und als wissenschaftliche Repräsentation von etwas anderem dient. Unter den Mitgliedern dieser Klasse finden wir Bestandsbeispiele wie Holzmodelle von Brücken, Flugzeugen oder Schiffen, Watson und Cricks Metallmodell der DNA (Schaffner 1969) und Phillips 'hydraulisches Modell der Wirtschaft (Morgan und Boumans 2004). Neuere Fälle von Materialmodellen sind sogenannte Modellorganismen: Organismen, die in den Biowissenschaften als Stellvertreter für andere Organismen verwendet werden (Ankeny 2009, Ankeny und Leonelli 2012 und Leonelli 2010).

Materialmodelle verursachen keine ontologischen Schwierigkeiten, die über die bekannten Streitfragen im Zusammenhang mit Objekten hinausgehen, mit denen sich Metaphysiker befassen (z. B. die Art der Eigenschaften, die Identität von Objekten, Teilen und Ganzen usw.).

2.2 Fiktive Objekte

Viele Modelle sind keine Materialmodelle. Das Bohr-Modell des Atoms, ein reibungsloses Pendel oder isolierte Populationen zum Beispiel sind eher im Kopf des Wissenschaftlers als im Labor und müssen nicht physikalisch realisiert und experimentiert werden, um ihre Repräsentationsfunktion zu erfüllen. Es erscheint natürlich, sie als fiktive Einheiten zu betrachten. Diese Position lässt sich auf den deutschen Neokantianer Vaihinger (1911) zurückführen, der die Bedeutung von Fiktionen für das wissenschaftliche Denken betonte. Giere hat kürzlich die Ansicht vertreten, dass Modelle abstrakte Einheiten sind (1988, 81). Es ist nicht ganz klar, was Giere unter "abstrakten Entitäten" versteht, aber seine Diskussion über mechanische Modelle scheint darauf hinzudeuten, dass er den Begriff zur Bezeichnung fiktiver Entitäten verwendet.

Diese Ansicht passt gut zur wissenschaftlichen Praxis, in der Wissenschaftler häufig über Modelle sprechen, als wären sie Objekte, sowie zu philosophischen Ansichten, die die Manipulation von Modellen als wesentlichen Bestandteil des wissenschaftlichen Untersuchungsprozesses betrachten (Morgan 1999). Es ist natürlich anzunehmen, dass man etwas nur manipulieren kann, wenn es existiert. Darüber hinaus haben Modelle oft mehr Eigenschaften, als wir ihnen bei ihrer Konstruktion explizit zuschreiben, weshalb sie interessante Forschungsinstrumente sind. Eine Ansicht, die Modelle als Objekte betrachtet, kann dies ohne weiteres leicht erklären: Wenn wir ein Modell einführen, verwenden wir eine identifizierende Beschreibung, aber das Objekt selbst wird durch diese Beschreibung nicht erschöpfend charakterisiert. Forschung läuft dann einfach darauf hinaus, mehr über das so identifizierte Objekt herauszufinden.

Der Nachteil dieses Vorschlags ist, dass fiktive Entitäten notorisch mit ontologischen Rätseln behaftet sind. Dies hat viele Philosophen dazu veranlasst zu argumentieren, dass es keine fiktiven Einheiten gibt und dass auf offensichtliche ontologische Verpflichtungen gegenüber ihnen verzichtet werden muss. Der einflussreichste dieser deflationären Berichte geht auf Quine (1953) zurück. Aufbauend auf Russells Diskussion über bestimmte Beschreibungen argumentiert Quine, dass es eine Illusion ist, dass wir uns auf fiktive Entitäten beziehen, wenn wir über sie sprechen. Stattdessen können wir diese angeblichen Objekte entsorgen, indem wir die Begriffe, die sich auf sie beziehen, in Prädikate umwandeln und Sätze wie "Pegasus existiert nicht" als "nichts pegasiert" analysieren. Indem wir den lästigen Begriff beseitigen, vermeiden wir das ontologische Engagement, das sie zu tragen scheinen. Dies hat zu einem mangelnden Interesse an fiktiven Einheiten geführt.insbesondere unter Wissenschaftsphilosophen. In einem programmatischen Aufsatz macht Fine (1993) auf diese Vernachlässigung aufmerksam und macht geltend, dass die Skepsis der Quineaner trotz Fiktionen eine wichtige Rolle im wissenschaftlichen Denken spielt. Fine bietet jedoch keine systematische Darstellung von Fiktionen und deren Verwendung in der Wissenschaft.

Die Frage, wie Fiktionen in der Wissenschaft zu verstehen sind, war Gegenstand einer jüngsten Debatte in der Philosophie der Modellierung. Barberousse und Ludwig (2009), Contessa (2010), Frigg (2010a, 2010b), Godfrey-Smith (2006, 2009), Leng (2010) und Toon (2010) entwickeln Ansichten, die Modelle als Fiktionen betrachten. Giere (2009) bestreitet, dass seine früheren Arbeiten auf diese Weise verstanden werden sollten, und spricht sich dagegen aus, Modelle als Fiktionen anzusehen. Magnani (2012), Pincock (2012, Ch.4) und Teller (2009) unterstützen Gieres Anti-Fiktionalismus und argumentieren, dass Modelle nicht als Fiktionen betrachtet werden sollten. Weisberg (2012) spricht sich für eine mittlere Position aus, in der Modelle eine heuristische Rolle spielen, aber bestreiten, dass sie Teil eines wissenschaftlichen Modells sind.

2.3 Mengen-theoretische Strukturen

Ein einflussreicher Standpunkt sieht Modelle als satztheoretische Strukturen vor. Diese Position lässt sich auf Suppes (1960) zurückführen und wird nun mit geringfügigen Abweichungen von den meisten Befürwortern der semantischen Sichtweise der Theorien vertreten. Es ist unnötig zu erwähnen, dass es Unterschiede zwischen verschiedenen Versionen der semantischen Sichtweise gibt (van Fraassen betont beispielsweise, dass Modelle Zustandsraumstrukturen sind); Eine Übersicht über die verschiedenen Positionen findet sich in Suppe (1989, Kap. 1). Bei all diesen Konten handelt es sich jedoch um Modelle der einen oder anderen Art (Da Costa und French 2000). Da Modelle dieser Art häufig eng mit mathematisierten Wissenschaften verbunden sind, werden sie manchmal auch als "mathematische Modelle" bezeichnet. (Für eine Diskussion solcher Modelle in der Biologie siehe Lloyd 1984 und 1994.)

Diese Sicht der Modelle wurde aus verschiedenen Gründen kritisiert. Eine allgegenwärtige Kritik ist, dass viele Arten von Modellen, die eine wichtige Rolle in der Wissenschaft spielen, keine Strukturen sind und nicht in die strukturalistische Sichtweise von Modellen einbezogen werden können, die weder erklären können, wie diese Modelle konstruiert sind, noch wie sie im Kontext der Untersuchung funktionieren (Cartwright 1999, Downes 1992, Morrison 1999). Eine weitere Anklage gegen den satztheoretischen Ansatz ist, dass es nicht möglich ist zu erklären, wie Strukturen ein Zielsystem darstellen, das Teil der physischen Welt ist, ohne Annahmen zu treffen, die über das hinausgehen, was sich der Ansatz leisten kann (Frigg 2006).

2.4 Beschreibungen

Eine altehrwürdige Position besagt, dass das, was Wissenschaftler in wissenschaftlichen Arbeiten und Lehrbüchern zeigen, wenn sie ein Modell präsentieren, mehr oder weniger stilisierte Beschreibungen der relevanten Zielsysteme sind (Achinstein 1968, Black 1962).

Diese Ansicht wurde nicht ausdrücklich kritisiert. Einige der Kritikpunkte, die gegen die syntaktische Sichtweise von Theorien vorgebracht wurden, bedrohen jedoch gleichermaßen das sprachliche Verständnis von Modellen. Erstens ist es alltäglich, dass wir dasselbe auf unterschiedliche Weise beschreiben können. Wenn wir jedoch ein Modell mit seiner Beschreibung identifizieren, ergibt jede neue Beschreibung ein neues Modell, das nicht intuitiv zu sein scheint. Man kann eine Beschreibung in andere Sprachen (formal oder natürlich) übersetzen, aber man würde nicht sagen, dass man hiermit ein anderes Modell erhält. Zweitens haben Modelle andere Eigenschaften als Beschreibungen. Einerseits sagen wir, dass das Modell des Sonnensystems aus Kugeln besteht, die um eine große Masse kreisen, oder dass die Population im Modell von ihrer Umgebung isoliert ist, aber es erscheint nicht sinnvoll, dies über eine Beschreibung zu sagen. Andererseits haben Beschreibungen Eigenschaften, die Modelle nicht haben. Eine Beschreibung kann in englischer Sprache verfasst sein, aus 517 Wörtern bestehen, in roter Tinte gedruckt werden und so weiter. Nichts davon macht Sinn, wenn über ein Modell gesprochen wird. Der Deskriptivist steht vor der Herausforderung, entweder zu behaupten, dass diese Argumente falsch sind, oder zu zeigen, wie man diese Schwierigkeiten umgeht.

2.5 Gleichungen

Eine andere Gruppe von Dingen, die gewöhnlich als "Modelle" bezeichnet werden, insbesondere in der Wirtschaft, sind Gleichungen (die dann auch als "mathematische Modelle" bezeichnet werden). Beispiele hierfür sind das Black-Scholes-Modell der Börse oder das Mundell-Fleming-Modell einer offenen Wirtschaft.

Das Problem bei diesem Vorschlag ist, dass Gleichungen syntaktische Elemente sind und als solche Einwänden ausgesetzt sind, die denen ähneln, die gegen Beschreibungen vorgebracht werden. Erstens kann man dieselbe Situation mit unterschiedlichen Koordinaten beschreiben und als Ergebnis unterschiedliche Gleichungen erhalten; aber wir scheinen kein anderes Modell zu erhalten. Zweitens hat das Modell andere Eigenschaften als die Gleichung. Ein Oszillator ist dreidimensional, die Gleichung, die seine Bewegung beschreibt, jedoch nicht. Ebenso kann eine Gleichung inhomogen sein, das beschriebene System jedoch nicht.

2.6 Gerrymandered Ontologien

Die bisher diskutierten Vorschläge haben stillschweigend angenommen, dass ein Modell zu einer bestimmten Klasse von Objekten gehört. Diese Annahme ist jedoch nicht erforderlich. Es kann sein, dass Modelle eine Mischung von Elementen sind, die zu verschiedenen ontologischen Kategorien gehören. In diesem Sinne schlägt Morgan (2001) vor, dass Modelle sowohl strukturelle als auch narrative Elemente beinhalten („Geschichten“, wie sie sie nennt).

3. Erkenntnistheorie: Lernen mit Modellen

Modelle sind Mittel, um etwas über die Welt zu lernen. Wesentliche Teile der wissenschaftlichen Untersuchung werden eher an Modellen als an der Realität selbst durchgeführt, da wir durch das Studium eines Modells Merkmale des Systems entdecken und Fakten über das System ermitteln können, für das das Modell steht. Kurz gesagt, Modelle ermöglichen ein Ersatzdenken (Swoyer 1991). Zum Beispiel untersuchen wir die Natur des Wasserstoffatoms, die Dynamik von Populationen oder das Verhalten von Polymeren, indem wir ihre jeweiligen Modelle untersuchen. Diese kognitive Funktion von Modellen ist in der Literatur weithin anerkannt, und einige schlagen sogar vor, dass Modelle zu einem neuen Denkstil führen, dem sogenannten "modellbasierten Denken" (Magnani und Nersessian 2002, Magnani, Nersessian und Thagard 1999). Dies lässt uns die Frage offen, wie das Lernen mit einem Modell möglich ist.

Hughes (1997) bietet einen allgemeinen Rahmen für die Diskussion dieser Frage. Seinem sogenannten DDI-Bericht zufolge erfolgt das Lernen in drei Phasen: Bezeichnung, Demonstration und Interpretation. Wir beginnen mit der Herstellung einer Repräsentationsbeziehung ('Bezeichnung') zwischen dem Modell und dem Ziel. Anschließend untersuchen wir die Merkmale des Modells, um bestimmte theoretische Aussagen über seine interne Konstitution oder seinen Mechanismus aufzuzeigen. dh wir lernen etwas über das Modell ('Demonstration'). Schließlich müssen diese Ergebnisse in Aussagen über das Zielsystem umgewandelt werden. Hughes bezeichnet diesen Schritt als "Interpretation". Es sind die beiden letztgenannten Begriffe, die hier auf dem Spiel stehen.

3.1 Lernen über das Modell: Experimente, Gedankenexperimente und Simulation

Das Erlernen eines Modells erfolgt an zwei Stellen, bei der Konstruktion und Manipulation des Modells (Morgan 1999). Es gibt keine festen Regeln oder Rezepte für den Modellbau und daher bietet sich die Aktivität, herauszufinden, was zusammenpasst und wie sich die Gelegenheit bietet, etwas über das Modell zu lernen. Sobald das Modell erstellt ist, lernen wir seine Eigenschaften nicht mehr kennen, indem wir es betrachten. Wir müssen das Modell verwenden und manipulieren, um seine Geheimnisse zu entlocken.

Je nachdem, um welche Art von Modell es sich handelt, bedeutet das Erstellen und Bearbeiten eines Modells unterschiedliche Aktivitäten, die eine unterschiedliche Methodik erfordern. Materialmodelle scheinen unproblematisch zu sein, da sie in üblichen experimentellen Kontexten verwendet werden (z. B. setzen wir das Modell eines Autos in den Windkanal und messen seinen Luftwiderstand). In Bezug auf das Lernen über das Modell werfen Materialmodelle daher keine Fragen auf, die über die Fragen des Experimentierens im Allgemeinen hinausgehen.

Nicht so bei fiktiven Modellen. Welche Einschränkungen gibt es bei der Konstruktion von fiktiven Modellen und wie manipulieren wir sie? Die natürliche Antwort scheint zu sein, dass wir diese Fragen durch ein Gedankenexperiment beantworten. Verschiedene Autoren (z. B. Brown 1991, Gendler 2000, Norton 1991, Reiss 2003, Sorensen 1992) haben diese Argumentation untersucht, sind jedoch zu sehr unterschiedlichen und oft widersprüchlichen Schlussfolgerungen darüber gelangt, wie Gedankenexperimente durchgeführt werden und wie der Status ihrer Ergebnisse ist (Details siehe Eintrag zu Gedankenexperimenten).

Eine wichtige Klasse von Modellen ist mathematischer Natur. In einigen Fällen ist es möglich, Ergebnisse abzuleiten oder Gleichungen analytisch zu lösen. Dies ist jedoch häufig nicht der Fall. An diesem Punkt hatte die Erfindung des Computers einen großen Einfluss, da wir damit Gleichungen lösen können, die ansonsten durch eine Computersimulation nicht zu lösen sind. Viele Teile der aktuellen natur- und sozialwissenschaftlichen Forschung stützen sich auf Computersimulationen. Die Bildung und Entwicklung von Sternen und Galaxien, die detaillierte Dynamik hochenergetischer Schwerionenreaktionen, Aspekte des komplizierten Prozesses der Evolution des Lebens sowie der Ausbruch von Kriegen, der Fortschritt einer Wirtschaft, Entscheidungsverfahren in einer Organisation und Moralisches Verhalten wird mit Computersimulationen untersucht, um nur einige Beispiele zu nennen (Hegselmann et al. 1996, Skyrms 1996).

Was ist eine Simulation? Simulationen werden charakteristischerweise in Verbindung mit dynamischen Modellen verwendet, dh Modellen, die Zeit erfordern. Ziel einer Simulation ist es, die Bewegungsgleichungen eines solchen Modells zu lösen, das die zeitliche Entwicklung seines Zielsystems darstellen soll. Man kann also sagen, dass eine Simulation einen (normalerweise realen) Prozess durch einen anderen Prozess imitiert (Hartmann 1996, Humphreys 2004).

Es wurde behauptet, dass Computersimulationen eine wirklich neue Wissenschaftsmethodik oder sogar ein neues wissenschaftliches Paradigma darstellen, das darüber hinaus auch eine Reihe neuer philosophischer Fragen aufwirft (Humphreys 2004, 2009, Rohrlich 1991, Winsberg 2001 und 2003 sowie verschiedene Beiträge dazu Sismondo und Gissis 1999). Daher wird behauptet, dass Simulationen unser philosophisches Verständnis vieler Aspekte der Wissenschaft in Frage stellen. Diese Begeisterung wird jedoch nicht allgemein geteilt, und einige argumentieren, dass Simulationen, weit davon entfernt, eine neue Wissenschaftsphilosophie zu fordern, nur wenige oder gar keine neuen philosophischen Probleme aufwerfen (Frigg und Reiss 2009).

Unabhängig davon, ob Computersimulationen grundlegend neue philosophische Fragen aufwerfen oder nicht, besteht kein Zweifel an ihrer praktischen Bedeutung. Wenn Standardmethoden versagen, sind Computersimulationen oft die einzige Möglichkeit, etwas über ein dynamisches Modell zu lernen. Sie helfen uns, uns sozusagen zu erweitern (Humphreys 2004). Eine wichtige Frage, die sich in diesem Zusammenhang stellt, ist die Rechtfertigung von Simulationsergebnissen: Warum sollten wir den Ergebnissen einer Computersimulation vertrauen? Eine einflussreiche Reihe von Versuchen, sich mit dieser Frage auseinanderzusetzen, nutzt Ähnlichkeiten zwischen traditionellen Experimenten und Computersimulationen, was zu ärgerlichen Fragen über die Beziehung zwischen Computersimulationen und Experimenten führt (Barberousse, Franceschelli und Imbert 2009, Morgan 2003, Morrison 2009, Parker 2008). 2009, Winsberg 2003).

Diese Frage der Vertrauenswürdigkeit kann in Unterfragen unterteilt werden: (a) Stellen die Gleichungen des Modells das Zielsystem für den vorliegenden Zweck genau genug dar und (b) liefert der Computer ausreichend genaue Lösungen dieser Gleichungen. Praktiker bezeichnen diese als das Problem der Validierung bzw. das Problem der Verifizierung. In der Praxis sehen wir uns häufig einer Version des Duhem-Problems gegenüber, da man nur das "Nettoergebnis" einer Simulation bewerten kann und es nicht möglich ist, diese beiden Probleme einzeln zu behandeln. Dies hatte Wissenschaftler dazu veranlasst, verschiedene Methoden zu entwickeln, um zu testen, ob das Ergebnis der Simulation im Ziel liegt. Für eine Diskussion dieser siehe Winsberg (2009, 2010).

Computersimulationen sind auch heuristisch wichtig. Sie können neue Theorien, Modelle und Hypothesen vorschlagen, die beispielsweise auf einer systematischen Untersuchung des Parameterraums eines Modells beruhen (Hartmann 1996). Computersimulationen bergen aber auch methodische Gefahren. Sie können irreführende Ergebnisse liefern, da sie aufgrund der Diskretion der auf einem digitalen Computer durchgeführten Berechnungen nur die Erkundung eines Teils des gesamten Parameterraums ermöglichen. und dieser Unterraum enthüllt möglicherweise bestimmte wichtige Merkmale des Modells nicht. Die Schwere dieses Problems wird durch die zunehmende Leistung moderner Computer irgendwie gemildert. Die Verfügbarkeit von mehr Rechenleistung kann jedoch auch nachteilige Auswirkungen haben. Dies könnte Wissenschaftler dazu ermutigen, schnell immer komplexere, aber konzeptionell verfrühte Modelle zu entwickeln.mit schlecht verstandenen Annahmen oder Mechanismen und zu vielen zusätzlichen einstellbaren Parametern (zur Diskussion eines verwandten Problems im Kontext einzelner Akteursmodelle in den Sozialwissenschaften siehe Schnell 1990). Dies kann zu einer Erhöhung der empirischen Angemessenheit führen - was beispielsweise bei der Vorhersage des Wetters zu begrüßen ist -, aber nicht unbedingt zu einem besseren Verständnis der zugrunde liegenden Mechanismen. Infolgedessen kann die Verwendung von Computersimulationen das Gewicht ändern, das wir den verschiedenen Zielen der Wissenschaft zuweisen. Schließlich kann die Verfügbarkeit von Computerleistung Wissenschaftler dazu verführen, Berechnungen durchzuführen, die nicht den Grad an Vertrauenswürdigkeit aufweisen, den man von ihnen erwarten würde. Dies geschieht beispielsweise, wenn Computer verwendet werden, um Wahrscheinlichkeitsverteilungen zeitlich vorwärts zu verbreiten. Diese werden dann als entscheidungsrelevante Wahrscheinlichkeiten angesehen, obwohl sich herausstellt, dass sie bei näherer Betrachtung nicht vorliegen (siehe Frigg et al. 2012). Es ist daher wichtig, sich nicht von den Mitteln, die neue leistungsstarke Computer bieten, mitreißen zu lassen und damit die eigentlichen Forschungsziele außer Sichtweite zu bringen.

3.2 Wissen über das Modell in Wissen über das Ziel umwandeln

Sobald wir Kenntnisse über das Modell haben, muss dieses Wissen in Wissen über das Zielsystem "übersetzt" werden. An diesem Punkt wird die Repräsentationsfunktion von Modellen wieder wichtig. Modelle können uns nur dann über die Natur der Realität informieren, wenn wir davon ausgehen, dass (zumindest einige) Aspekte des Modells Entsprechungen in der Welt haben. Aber wenn Lernen an Repräsentation gebunden ist und es verschiedene Arten von Repräsentation gibt (Analogien, Idealisierungen usw.), dann gibt es auch verschiedene Arten von Lernen. Wenn wir zum Beispiel ein Modell haben, das wir als realistische Darstellung betrachten, erfolgt der Wissenstransfer vom Modell zum Ziel auf andere Weise als bei einem Analogon oder einem Modell, bei dem Annahmen idealisiert werden.

Was sind diese verschiedenen Arten des Lernens? Obwohl zahlreiche Fallstudien darüber erstellt wurden, wie bestimmte spezifische Modelle funktionieren, scheint es keine allgemeinen Berichte darüber zu geben, wie der Wissenstransfer von einem Modell zu seinem Ziel erreicht wird (dies mit der möglichen Ausnahme von Theorien des analogen Denkens, siehe Referenzen oben). Dies ist eine schwierige Frage, die jedoch mehr Aufmerksamkeit verdient als bisher.

4. Modelle und Theorie

Eine der verwirrendsten Fragen im Zusammenhang mit Modellen ist, wie sie sich auf Theorien beziehen. Die Trennung zwischen Modellen und Theorie ist sehr verschwommen und im Jargon vieler Wissenschaftler ist es oft schwierig, wenn nicht unmöglich, eine Linie zu ziehen. Die Frage ist also: Gibt es einen Unterschied zwischen Modellen und Theorien und wenn ja, in welcher Beziehung stehen sie zueinander?

Im allgemeinen Sprachgebrauch werden die Begriffe "Modell" und "Theorie" manchmal verwendet, um die Einstellung eines Menschen zu einem bestimmten Stück Wissenschaft auszudrücken. Der Ausdruck "es ist nur ein Modell" weist darauf hin, dass die fragliche Hypothese nur vorläufig behauptet wird oder sogar als falsch bekannt ist, während etwas mit dem Label "Theorie" ausgezeichnet wird, wenn es einen gewissen Grad an allgemeiner Akzeptanz erlangt hat. Diese Art, eine Grenze zwischen Modellen und Theorien zu ziehen, ist jedoch für ein systematisches Verständnis von Modellen nicht von Nutzen.

4.1 Die zwei Extreme: die syntaktische und die semantische Sichtweise von Theorien

Die syntaktische Sicht der Theorien, die ein wesentlicher Bestandteil des logisch positivistischen Bildes der Wissenschaft ist, interpretiert eine Theorie als eine Menge von Sätzen in einem axiomatisierten System der Logik erster Ordnung. Innerhalb dieses Ansatzes wird der Begriff Modell in einem breiteren und engeren Sinne verwendet. Im weiteren Sinne ist ein Modell nur ein System semantischer Regeln, die den abstrakten Kalkül interpretieren, und das Studium eines Modells läuft darauf hinaus, die Semantik einer wissenschaftlichen Sprache zu hinterfragen. Im engeren Sinne ist ein Modell eine alternative Interpretation eines bestimmten Kalküls (Braithwaite 1953, Campbell 1920, Nagel 1961, Spector 1965). Wenn wir zum Beispiel die in der kinetischen Theorie der Gase verwendete Mathematik nehmen und die Begriffe dieses Kalküls so interpretieren, dass sie sich auf Billardkugeln beziehen, sind die Billardkugeln ein Modell der kinetischen Theorie der Gase. Befürworter der syntaktischen Sichtweise glauben, dass solche Modelle für die Wissenschaft irrelevant sind. Modelle sind überflüssige Ergänzungen, die bestenfalls pädagogischen, ästhetischen oder psychologischen Wert haben (Carnap 1938, Hempel 1965; siehe auch Bailer-Jones 1999).

Die semantische Sichtweise von Theorien (siehe z. B. van Fraassen 1980, Giere 1988, Suppe 1989 und Suppes 2002) kehrt diesen Standpunkt um und erklärt, dass wir auf einen formalen Kalkül insgesamt verzichten und eine Theorie als eine Familie von Modellen betrachten sollten. Obwohl verschiedene Versionen der semantischen Sichtweise einen unterschiedlichen Modellbegriff annehmen (siehe oben), stimmen alle darin überein, dass Modelle die zentrale Einheit der wissenschaftlichen Theoretisierung sind.

4.2 Modelle als unabhängig von Theorien

Eine der auffälligsten Kritikpunkte an der semantischen Sichtweise ist, dass sie den Platz von Modellen im wissenschaftlichen Gebäude falsch einordnet. Modelle sind relativ unabhängig von der Theorie und nicht konstitutiv für sie. oder um Morrisons (1998) Slogan zu verwenden, sie sind "autonome Agenten". Diese Unabhängigkeit hat zwei Aspekte: Konstruktion und Funktionsweise (Morgan und Morrison 1999).

Ein Blick darauf, wie Modelle in der tatsächlichen Wissenschaft konstruiert werden, zeigt, dass sie weder vollständig aus Daten noch aus der Theorie abgeleitet sind. Theorien liefern uns keine Algorithmen für die Konstruktion eines Modells; Es handelt sich nicht um Verkaufsautomaten, in die man ein Problem einfügen kann und ein Modell herausspringt (Cartwright 1999, Kap. 8). Modellbau ist eine Kunst und kein mechanischer Vorgang. Das Londoner Modell der Supraleitung liefert uns ein gutes Beispiel für diese Beziehung. Die Hauptgleichung des Modells hat keine theoretische Rechtfertigung (in dem Sinne, dass sie aus elektromagnetischen oder anderen fundamentalen Theorien abgeleitet werden könnte) und ist ausschließlich auf der Grundlage phänomenologischer Überlegungen motiviert (Cartwright et al. 1995). Oder anders ausgedrückt:Das Modell wurde von unten nach oben und nicht von oben nach unten konstruiert und genießt daher ein hohes Maß an Unabhängigkeit von der Theorie.

Der zweite Aspekt der Unabhängigkeit von Modellen besteht darin, dass sie Funktionen ausführen, die sie nicht ausführen könnten, wenn sie Teil von Theorien wären oder stark von diesen abhängen.

Modelle als Ergänzung von Theorien. Eine Theorie kann in dem Sinne unvollständig spezifiziert sein, dass sie bestimmte allgemeine Einschränkungen auferlegt, schweigt jedoch über die Details konkreter Situationen, die von einem Modell bereitgestellt werden (Redhead 1980). Ein Sonderfall dieser Situation ist, wenn eine qualitative Theorie bekannt ist und das Modell quantitative Maßnahmen einführt (Apostel 1961). Redheads Beispiel für eine Theorie, die auf diese Weise unterbestimmt ist, ist die axiomatische Quantenfeldtheorie, die Quantenfeldern nur bestimmte allgemeine Einschränkungen auferlegt, aber keine Darstellung bestimmter Felder liefert.

Während Redhead und andere Fälle dieser Art als etwas Besonderes zu betrachten scheinen, hat Cartwright (1983) argumentiert, dass sie eher die Regel als die Ausnahme sind. Grundlegende Theorien wie die klassische Mechanik und die Quantenmechanik stellen ihrer Ansicht nach überhaupt nichts dar, da sie keine reale Situation beschreiben. Gesetze in solchen Theorien sind Schemata, die konkretisiert und mit den Details einer bestimmten Situation gefüllt werden müssen. Dies ist eine Aufgabe, die von einem Modell erfüllt wird.

Modelle, die einspringen, wenn Theorien zu komplex sind, um damit umzugehen. Theorien sind möglicherweise zu kompliziert. In einem solchen Fall kann ein vereinfachtes Modell verwendet werden, das eine Lösung ermöglicht (Apostel 1961, Redhead 1980). Die Quantenchromodynamik kann zum Beispiel nicht einfach verwendet werden, um die Hadronenstruktur eines Kerns zu untersuchen, obwohl dies die grundlegende Theorie für dieses Problem ist. Um diese Schwierigkeit zu umgehen, konstruieren Physiker nachvollziehbare phänomenologische Modelle (z. B. das MIT-Taschenmodell), die die relevanten Freiheitsgrade des betrachteten Systems effektiv beschreiben (Hartmann 1999). Der Vorteil dieser Modelle ist, dass sie Ergebnisse liefern, bei denen Theorien schweigen. Ihr Nachteil ist, dass es oft nicht klar ist, wie die Beziehung zwischen Theorie und Modell zu verstehen ist, da die beiden streng genommen widersprüchlich sind.

Ein extremerer Fall ist die Verwendung eines Modells, wenn überhaupt keine Theorien verfügbar sind. Wir begegnen dieser Situation in allen Bereichen, aber sie ist in der Biologie und Wirtschaft besonders verbreitet, wo übergreifende Theorien oft nicht zu haben sind. Die Modelle, die Wissenschaftler dann konstruieren, um die Situation anzugehen, werden manchmal als "Ersatzmodelle" bezeichnet (Groenewold 1961).

Modelle als vorläufige Theorien. Der Begriff der Modelle als Ersatz für Theorien ist eng mit dem Begriff eines Entwicklungsmodells verbunden. Dieser Begriff wurde von Leplin (1980) geprägt, der darauf hinwies, wie nützlich Modelle für die Entwicklung der frühen Quantentheorie waren, und wird nun als Überbegriff für Fälle verwendet, in denen Modelle eine Art Vorübung zur Theorie darstellen.

Ein eng verwandter Begriff ist der der Sondierungsmodelle (auch "Studienmodelle" oder "Spielzeugmodelle"). Dies sind Modelle, die keine Repräsentationsfunktion erfüllen und von denen nicht erwartet wird, dass sie uns über etwas hinausweisen, das über das Modell selbst hinausgeht. Der Zweck dieser Modelle besteht darin, neue theoretische Werkzeuge zu testen, die später zum Erstellen von Repräsentationsmodellen verwendet werden. In der Feldtheorie beispielsweise wurde das sogenannte φ ⁴ -Modell ausgiebig untersucht, nicht weil es etwas Reales darstellt (es ist bekannt, dass dies nicht der Fall ist), sondern weil es mehrere heuristische Funktionen erfüllt. Die Einfachheit des φ ⁴Mit dem Modell kann der Physiker ein Gefühl dafür bekommen, wie Quantenfeldtheorien aussehen, und einige allgemeine Merkmale extrahieren, die dieses einfache Modell mit komplizierteren teilt. Man kann komplizierte Techniken wie die Renormierung in einer einfachen Umgebung ausprobieren und es ist möglich, Mechanismen - in diesem Fall Symmetriebrechung - kennenzulernen, die später verwendet werden können (Hartmann 1995). Dies gilt nicht nur für die Physik. Wie Wimsatt (1987) hervorhebt, können falsche Modelle in der Genetik viele nützliche Funktionen erfüllen, darunter die folgenden: Das falsche Modell kann helfen, Fragen zu realistischeren Modellen zu beantworten, und bietet eine Möglichkeit, Fragen zu Eigenschaften komplexerer Modelle zu beantworten. ' Faktoren herausrechnen, die sonst nicht zu sehen wären,dienen als Grenzfall für ein allgemeineres Modell (oder zwei falsche Modelle können das Extrem eines Kontinuums von Fällen definieren, in denen der reale Fall liegen soll), oder es kann zur Identifizierung relevanter Variablen und zur Schätzung ihrer Variablen führen Werte.

5. Modelle und andere Debatten in der Wissenschaftstheorie

Die Debatte über wissenschaftliche Modelle hat wichtige Auswirkungen auf andere Debatten in der Wissenschaftsphilosophie. Der Grund dafür ist, dass traditionell die Debatten über wissenschaftlichen Realismus, Reduktionismus, Erklärung und Naturgesetze in Bezug auf Theorien formuliert wurden, weil nur Theorien als Träger wissenschaftlicher Erkenntnisse anerkannt wurden. Die Frage ist also, ob und wenn ja, wie sich die Diskussionen über diese Themen ändern, wenn wir den Fokus von Theorien auf Modelle verlagern. Bisher wurden keine umfassenden modellbasierten Berichte zu diesen Themen entwickelt. Modelle haben jedoch einige Spuren in der Diskussion dieser Themen hinterlassen.

5.1 Modelle und die Debatte zwischen Realismus und Antirealismus

Es wurde behauptet, dass die Praxis des Modellbaus den Antirealismus gegenüber dem Realismus bevorzugt. Antirealisten weisen darauf hin, dass die Wahrheit nicht das Hauptziel der wissenschaftlichen Modellierung ist. Cartwright (1983) präsentiert zum Beispiel mehrere Fallstudien, die veranschaulichen, dass gute Modelle oft falsch sind und dass angeblich wahre Theorien nicht viel helfen, wenn es beispielsweise darum geht, die Arbeitsweise eines Lasers zu verstehen.

Realisten bestreiten, dass die Falschheit von Modellen eine realistische Herangehensweise an die Wissenschaft unmöglich macht, indem sie darauf hinweisen, dass ein gutes Modell, das nicht wörtlich für wahr gehalten wird, normalerweise zumindest annähernd wahr ist. Laymon (1985) argumentiert, dass die Vorhersagen eines Modells typischerweise besser werden, wenn wir Idealisierungen lockern (dh das Modell de-idealisieren), was er zur Unterstützung des Realismus heranzieht (siehe auch McMullin 1985, Nowak 1979 und Brzezinski und Nowak 1992).

Abgesehen von den üblichen Beschwerden über die Unschärfe des Begriffs der ungefähren Wahrheit haben Antirealisten diese Antwort aus zwei (verwandten) Gründen in Frage gestellt. Erstens gibt es, wie Cartwright (1989) hervorhebt, keinen Grund anzunehmen, dass man ein Modell immer verbessern kann, indem man de-idealisierende Korrekturen hinzufügt. Zweitens scheint das beschriebene Verfahren nicht der wissenschaftlichen Praxis zu entsprechen. Es ist ungewöhnlich, dass Wissenschaftler in die wiederholte De-Idealisierung eines vorhandenen Modells investieren. Sie wechseln vielmehr zu einem völlig anderen Modellierungsrahmen, sobald die durchzuführenden Anpassungen zu kompliziert werden (Hartmann 1998). Die verschiedenen Modelle des Atomkerns sind ein typisches Beispiel. Sobald erkannt wurde, dass Shell-Effekte wichtig sind, um verschiedene Phänomene zu verstehen,Das (kollektive) Flüssigkeitstropfenmodell wurde beiseite gelegt und das (Einzelpartikel-) Schalenmodell wurde entwickelt, um diese Ergebnisse zu berücksichtigen. Eine weitere Schwierigkeit bei der De-Idealisierung besteht darin, dass die meisten Idealisierungen nicht "kontrolliert" werden. Es ist zum Beispiel nicht klar, auf welche Weise man das MIT-Bag-Modell de-idealisieren könnte, um schließlich zur Quantenchromodynamik zu gelangen, der angeblich korrekten zugrunde liegenden Theorie.

Ein weiteres antirealistisches Argument, das "Argument für inkompatible Modelle", geht von der Beobachtung aus, dass Wissenschaftler häufig mehrere inkompatible Modelle ein und desselben Zielsystems erfolgreich für Vorhersagezwecke verwenden (Morrison 2000). Diese Modelle scheinen sich zu widersprechen, da sie demselben Zielsystem unterschiedliche Eigenschaften zuschreiben. In der Kernphysik untersucht das Flüssigkeitstropfenmodell beispielsweise die Analogie des Atomkerns mit einem (geladenen) Flüssigkeitstropfen, während das Schalenmodell die Kerneigenschaften anhand der Eigenschaften von Protonen und Neutronen beschreibt, den Bestandteilen eines Atomkerns. Diese Praxis scheint ein Problem für den wissenschaftlichen Realismus zu verursachen. Realisten sind normalerweise der Ansicht, dass ein enger Zusammenhang zwischen dem prädiktiven Erfolg einer Theorie und ihrer zumindest annähernd zutreffenden Wirkung besteht. Aber wenn mehrere Theorien desselben Systems vorhersagbar erfolgreich sind und wenn diese Theorien inkonsistent sind, können sie nicht alle wahr sein, nicht einmal annähernd.

Realisten können auf dieses Argument auf verschiedene Weise reagieren. Erstens können sie die Behauptung anfechten, dass die fraglichen Modelle tatsächlich vorhersagbar erfolgreich sind. Wenn die Modelle keine guten Prädiktoren sind, wird das Argument blockiert. Zweitens können sie eine Version des perspektivischen Realismus verteidigen (Giere 1999, Rueger 2005), nach der jedes Modell einen Aspekt des fraglichen Phänomens aufdeckt und zusammengenommen eine vollständige (oder umfassendere) Darstellung entsteht. Drittens können Realisten leugnen, dass es überhaupt ein Problem gibt, weil wissenschaftliche Modelle, die immer auf die eine oder andere Weise idealisiert und daher streng genommen falsch sind, nur das falsche Mittel sind, um auf Realismus hinzuweisen.

5.2 Modell und Reduktionismus

Das im letzten Abschnitt erwähnte Problem mit mehreren Modellen wirft die Frage auf, wie verschiedene Modelle zusammenhängen. Offensichtlich stehen mehrere Modelle für dasselbe Zielsystem im Allgemeinen nicht in einer deduktiven Beziehung, da sie sich häufig widersprechen. Angesichts der Tatsache, dass die meisten dieser Modelle für die Ausübung der Wissenschaft unverzichtbar zu sein scheinen, erscheint ein einfaches Bild der Organisation der Wissenschaft nach Nagels (1961) Reduktionsmodell oder dem Pyramidenbild von Oppenheim und Putnam (1958) nicht plausibel.

Einige haben ein Bild der Wissenschaft vorgeschlagen (Cartwright 1999, Hacking 1983), nach dem es keine systematischen Beziehungen zwischen verschiedenen Modellen gibt. Einige Modelle sind miteinander verbunden, weil sie dasselbe Zielsystem darstellen. Dies bedeutet jedoch nicht, dass sie weitere Beziehungen eingehen (deduktiv oder auf andere Weise). Wir sind mit einem Flickenteppich von Modellen konfrontiert, die alle in ihren spezifischen Anwendungsbereichen ceteris paribus enthalten (siehe auch die in Falkenburg und Muschik 1998 gesammelten Arbeiten).

Einige argumentieren, dass dieses Bild zumindest teilweise falsch ist, weil es verschiedene interessante Beziehungen gibt, die zwischen verschiedenen Modellen oder Theorien bestehen. Diese Beziehungen reichen von kontrollierten Approximationen über singuläre Grenzrelationen (Batterman 2004) bis zu strukturellen Beziehungen (Gähde 1997) und eher lockeren Beziehungen, die als Geschichten bezeichnet werden (Hartmann 1999; siehe auch Bokulich 2003). Diese Vorschläge wurden auf der Grundlage von Fallstudien gemacht (zum Beispiel von sogenannten effektiven Quantenfeldtheorien, siehe Hartmann 2001), und es bleibt abzuwarten, ob eine allgemeinere Darstellung dieser Beziehungen gegeben werden kann und ob eine tiefere Rechtfertigung dafür vorliegt Sie können beispielsweise mit einem Bayes'schen Rahmen versehen werden (erste Schritte zu einem Bayes'schen Verständnis der Reduktion finden sich bei Dizadji-Bahmani et al. 2011).

5.3 Modelle und Naturgesetze

Es ist weit verbreitet, dass die Wissenschaft darauf abzielt, Naturgesetze zu entdecken. Die Philosophen wiederum standen vor der Herausforderung, die Naturgesetze zu erläutern. Nach den beiden derzeit vorherrschenden Berichten, dem besten Systemansatz und dem universellen Ansatz, werden Naturgesetze als universell verstanden, was bedeutet, dass sie für alles gelten, was es auf der Welt gibt. Diese Übernahme von Gesetzen scheint nicht mit einer Ansicht übereinzustimmen, die Modelle im Zentrum der wissenschaftlichen Theoretisierung sieht. Welche Rolle spielen allgemeine Gesetze in der Wissenschaft, wenn es Modelle sind, die darstellen, was in der Welt geschieht und wie Modelle und Gesetze zusammenhängen?

Eine mögliche Antwort ist zu argumentieren, dass Naturgesetze Entitäten und Prozesse eher in einem Modell als in der Welt regieren. Grundgesetze zu diesem Ansatz geben keine Fakten über die Welt an, sondern gelten für Entitäten und Prozesse im Modell. Verschiedene Varianten dieser Ansicht wurden von Cartwright (1983, 1999), Giere (1999) und van Fraassen (1989) vertreten. Überraschenderweise scheinen Realisten über Gesetze nicht auf diese Herausforderung reagiert zu haben, und daher bleibt die Frage offen, ob (und wenn ja wie) ein realistisches Verständnis von Gesetzen und ein modellbasierter Ansatz für die Wissenschaft vereinbar gemacht werden können.

5.4 Modelle und wissenschaftliche Erklärung

Naturgesetze spielen in vielen Erklärungsberichten eine wichtige Rolle, insbesondere im deduktiv-nomologischen Modell und im Vereinigungsansatz. Leider erben diese Berichte die Probleme, die die Beziehung zwischen Modellen und Gesetzen betreffen. Dies lässt uns zwei Möglichkeiten. Entweder kann man argumentieren, dass in Erklärungen auf Gesetze verzichtet werden kann, eine Idee, die sowohl in van Fraassens (1980) pragmatischer Erklärungstheorie als auch in Ansätzen zur kausalen Erklärung wie Woodwards (2003) verwendet wird. Nach letzterem sind Modelle Werkzeuge, um die kausalen Zusammenhänge zwischen bestimmten Tatsachen oder Prozessen herauszufinden, und es sind diese Zusammenhänge, die die erklärende Arbeit leisten. Oder man kann die Erklärungslast auf Modelle verlagern. Ein positiver Vorschlag in dieser Richtung ist Cartwrights sogenannter "Simulacrum-Erklärungsbericht".was darauf hindeutet, dass wir ein Phänomen erklären, indem wir ein Modell konstruieren, das das Phänomen in den Grundrahmen einer großen Theorie einfügt (1983, Kap. 8). Aus diesem Grund ist das Modell selbst die Erklärung, die wir suchen. Dies passt gut zu grundlegenden wissenschaftlichen Intuitionen, lässt uns jedoch die Frage offen, welcher Begriff der Erklärung am Werk ist (siehe auch Elgin und Sober 2002). Bokulich (2008, 2009) verfolgt eine ähnliche Argumentation und sieht die Erklärungskraft von Modellen in engem Zusammenhang mit ihrer fiktiven Natur. Dies passt gut zu grundlegenden wissenschaftlichen Intuitionen, lässt uns jedoch die Frage offen, welcher Begriff der Erklärung am Werk ist (siehe auch Elgin und Sober 2002). Bokulich (2008, 2009) verfolgt eine ähnliche Argumentation und sieht die Erklärungskraft von Modellen in engem Zusammenhang mit ihrer fiktiven Natur. Dies passt gut zu grundlegenden wissenschaftlichen Intuitionen, lässt uns jedoch die Frage offen, welcher Begriff der Erklärung am Werk ist (siehe auch Elgin und Sober 2002). Bokulich (2008, 2009) verfolgt eine ähnliche Argumentation und sieht die Erklärungskraft von Modellen in engem Zusammenhang mit ihrer fiktiven Natur.

6. Fazit

Modelle spielen eine wichtige Rolle in der Wissenschaft. Trotz der Tatsache, dass sie bei Philosophen großes Interesse geweckt haben, bleiben erhebliche Lücken in unserem Verständnis darüber, was Modelle sind und wie sie funktionieren.

Literaturverzeichnis

• Achinstein, Peter (1968), Konzepte der Wissenschaft. Eine philosophische Analyse. Baltimore: Johns Hopkins Press.
• Ackerlof, George A (1970), „Der Markt für Zitronen: Qualitätsunsicherheit und der Marktmechanismus“, Quarterly Journal of Economics 84: 488–500.
• Ankeny, Rachel (2009), „Modellorganismen als Fiktionen“, In Mauricio Suárez (Hrsg.): Fiktionen in der Wissenschaft, Philosophische Essays über Modellierung und Idealisierung, London: Routledge, 194–204.
• Apostel, Leo (1961), „Auf dem Weg zur formalen Untersuchung von Modellen in den nicht formalen Wissenschaften“, Freudenthal 1961, 1–37.
• Bailer-Jones, Daniela M. (1999), „Verfolgung der Entwicklung von Modellen in der Wissenschaftstheorie“, in Magnani, Nersessian und Thagard 1999, 23–40.
• ––– (2003) „Wenn wissenschaftliche Modelle repräsentieren“, International Studies in the Philosophy of Science 17: 59–74.
• ––– und Bailer-Jones CAL (2002), „Modellierung von Daten: Analogien in neuronalen Netzen, simuliertes Annealing und genetische Algorithmen“, in Magnani und Nersessian 2002: 147–165.
• Barbrousse, Anouk und Pascal Ludwig (2009), „Fiktionen und Modelle“, In Mauricio Suárez (Hrsg.): Fiktionen in der Wissenschaft, Philosophische Essays über Modellierung und Idealisierung, London: Routledge, 56–75.
• ––– Sara Franceschelli, Cyrille Imbert (2009), „Computersimulationen als Experimente“, Synthese, 169 (3): 557–574.
• Batterman, Robert (2004), "Intertheory Relations in Physics", Stanford Encyclopedia of Philosophy (Ausgabe Frühjahr 2004), Edward N. Zalta (Hrsg.), URL = https://plato.stanford.edu/archives/spr2004/ Einträge / Physik-Wechselbeziehung /.
• Bell, John und Moshé Machover (1977), Ein Kurs in Mathematischer Logik, Amsterdam: Nordholland.
• Schwarz, Max (1962), Modelle und Metaphern. Studium der Sprache und Philosophie. Ithaka, New York: Cornell University Press.
• Bogen, James und James Woodward (1988), „Saving the Phenomena“, Philosophical Review 97: 303–352.
• Bokulich, Alisa (2003), „Horizontale Modelle: Vom Bäcker zur Katze“, Philosophy of Science 70: 609–627.
• ––– (2008), Überprüfung der quantenklassischen Beziehung: Jenseits von Reduktionismus und Pluralismus, Cambridge: Cambridge University Press.
• ––– (2009), „Erklärende Fiktionen“, In: Mauricio Suárez (Hrsg.): Fiktionen in der Wissenschaft. Philosophische Aufsätze zur Modellierung und Idealisierung London: Routledge, 91–109.
• Braithwaite, Richard (1953), Wissenschaftliche Erklärung. Cambridge: Cambridge University Press.
• Brewer, WF und CA Chinn (1994), "Antworten von Wissenschaftlern auf anomale Daten: Evidenz aus Psychologie, Geschichte und Wissenschaftstheorie", in: Proceedings of the 1994 Biennial Meeting der Philosophy of Science Association, Band 1: Symposien und Invited Papers, 304–313.
• Brown, James (1991), Das Labor des Geistes: Gedankenexperimente in den Naturwissenschaften. London: Routledge.
• Brzezinski, Jerzy und Leszek Nowak (Hrsg.) (1992), Idealization III: Approximation and Truth. Amsterdam: Rodopi.
• Callender, Craig und Jonathan Cohen (2006), "Es gibt kein besonderes Problem bei der wissenschaftlichen Repräsentation", Theoria, erscheint.
• Campbell, Norman (1920), Physik: Die Elemente. Cambridge: Cambridge University Press. Nachdruck als Grundlagen der Wissenschaft. New York: Dover, 1957.
• Carnap, Rudolf (1938), „Grundlagen der Logik und Mathematik“, in Otto Neurath, Charles Morris und Rudolf Carnap (Hrsg.), International Encyclopaedia of Unified Science. Vol. 1. Chicago: University of Chicago Press, 139–213.
• Cartwright, Nancy (1983), Wie die Gesetze der Physik liegen. Oxford: Oxford University Press.
• ––– (1989), Naturkapazitäten und ihre Messung. Oxford: Oxford University Press.
• ––– (1999), The Dappled World. Eine Studie über die Grenzen der Wissenschaft. Cambridge: Cambridge University Press.
• ––– Towfic Shomar und Mauricio Suárez (1995), „The Tool-Box of Science“, in Herfel 1995, 137–150.
• Contessa, Gabrielle (2007) „Wissenschaftliche Repräsentation, Interpretation und Surrogative Reasoning“, Philosophy of Science 74 (1): 48–68.
• ––– (2010), „Wissenschaftliche Modelle und fiktive Objekte“, Synthese 172 (2), 215–229.
• Da Costa, Newton und Steven French (2000) „Modelle, Theorien und Strukturen: 30 Jahre später“, Philosophy of Science 67, Supplement, S116–127.
• ––– (2003), Wissenschaft und partielle Wahrheit: Ein einheitlicher Ansatz für Modelle und wissenschaftliches Denken. Oxford: Oxford University Press.
• Dizadji-Bahmani, Foad, Roman Frigg und Stephan Hartmann (2011) „Bestätigung und Reduktion: Ein Bayes'scher Bericht“, Synthese 179 (2): 321–38.
• Downes, Stephen (1992), „Die Bedeutung von Modellen beim Theoretisieren: Eine deflationäre semantische Sichtweise“. Proceedings of the Philosophy of Science Association, Band 1, herausgegeben von David Hull et al., 142–153. East Lansing: Verein für Philosophie der Wissenschaften.
• Elgin, Catherine (2010), „Telling Instances“, In: Roman Frigg und Matthew Hunter (Hrsg.): Jenseits von Mimesis und Nominalismus: Repräsentation in Kunst und Wissenschaft Berlin und Ney York: Springer, 1–17.
• Elgin, Mehmet und Elliott Sober (2002), „Cartwright on Explanation and Idealization“, Erkenntnis 57: 441–50.
• Falkenburg, Brigitte und Wolfgang Muschik (Hrsg.) (1998), Modelle, Theorien und Uneinigkeit in der Physik, Philosophia Naturali s 35.
• Fine, Arthur (1993), „Fictionalism“, Midwest Studies in Philosophy 18: 1–18.
• Forster, Malcolm und Elliott Sober (1994), „Wie man erkennt, wann einfache, einheitlichere oder weniger Ad-hoc-Theorien genauere Vorhersagen liefern“, British Journal for the Philosophy of Science 45: 1–35.
• Freudenthal, Hans (Hrsg.) (1961), Das Konzept und die Rolle des Modells in Mathematik sowie Natur- und Sozialwissenschaften. Dordrecht: Reidel.
• Frigg, Roman (2006), „Wissenschaftliche Repräsentation und die semantische Sicht auf Theorien“, Theoria 55: 37–53.
• ––– und Julian Reiss (2009), „Die Philosophie der Simulation: Heiße neue Themen oder der gleiche alte Eintopf?“, Synthese 169 (3): 593–613.
• ––– (2010a), „Fiction in Science“, In: John Woods (Hrsg.): Fiktionen und Modelle: New Essays, München: Philosophia Verlag, 247–287
• ––– (2010b), „Models and Fiction“, Synthese, 172 (2): 251–268
• ––– (2010c), „Fiktion und wissenschaftliche Repräsentation“, In: Roman Frigg und Metthew Hunter (Hrsg.): Jenseits von Mimesis und Nominalismus: Repräsentation in Kunst und Wissenschaft, Berlin und Ney York: Springer, 97–138.
• ––– Seamus Bradley, Reason L. Machete und Leonard A. Smith (2012), „Probabilistische Prognose: Warum Modellunvollkommenheit eine Giftpille ist“, erscheint in Hanne Anderson, Dennis Dieks, Gregory Wheeler, Wenceslao Gonzalez und Thomas Uebel (Hrsg.)): Neue Herausforderungen an die Wissenschaftstheorie, Berlin und New York: Springer.
• Gähde, Ulrich (1997), „Anomalien und die Revision von Theorie-Netzen. Anmerkungen zum Fortschritt des Perihels von Merkur “in Marisa Dalla Chiara et al. (Hrsg.), Strukturen und Normen in der Wissenschaft. Dordrecht: Kluwer.
• Galison, Peter (1997) Bild und Logik. Eine materielle Kultur der Mikrophysik. Chicago: Chicago: University of Chicago Press.
• Gendler, Tamar (2000) Gedankenexperiment: Über die Kräfte und Grenzen imaginärer Fälle. New York und London: Garland.
• Gibbard, Allan und Hal Varian (1978), „Economic Models“, Journal of Philosophy 75: 664–677.
• Giere, Ronald (1988), Explaining Science: Ein kognitiver Ansatz. Chicago: University of Chicago Press.
• ––– (1999), Wissenschaft ohne Gesetze. Chicago: University of Chicago Press.
• ––– (2004), „Wie Modelle zur Darstellung der Realität verwendet werden“, Philosophy of Science 71, Supplement, S742–752.
• ––– (2009), „Warum wissenschaftliche Modelle nicht als Romane betrachtet werden sollten“, In: Mauricio Suárez (Hrsg.): Fiktionen in der Wissenschaft. Philosophische Aufsätze zur Modellierung und Idealisierung London: Routledge, 248–258.
• Godfrey-Smith, P. (2006), „Die Strategie der modellbasierten Wissenschaft“, Biology and Philosophy, 21: 725–740.
• ––– (2009), „Modelle und Fiktionen in der Wissenschaft“Philosophical Studies, 143: 101–116.
• Groenewold, HJ (1961), „Das Modell in der Physik“in Freudenthal 1961, 98–103.
• Hacking, Ian (1983), Repräsentieren und Eingreifen. Cambridge: Cambridge University Press.
• Harris, Todd (2003), „Datenmodelle und die Erfassung und Manipulation von Daten“, Philosophy of Science 70: 1508–1517.
• Hartmann, Stephan (1995), „Modelle als Werkzeug für die Theoriekonstruktion: Einige Strategien der vorläufigen Physik“, in Herfel et al. 1995, 49–67.
• ––– (1996), „Die Welt als Prozess. Simulationen in den Natur- und Sozialwissenschaften “, in Hegselmann et al. 1996, 77–100.
• ––– (1998), „Idealisierung in der Quantenfeldtheorie“, in Shanks 1998, 99–122.
• ––– (1999), „Modelle und Geschichten in der Hadronenphysik“, in Morgan und Morrison 1999, 326–346.
• ––– (2001), 'Effektive Feldtheorien, Reduktion und wissenschaftliche Erklärung', Studien zur Geschichte und Philosophie der modernen Physik 32, 267–304.
• Hegselmann, Rainer, Ulrich Müller und Klaus Troitzsch (Hrsg.) (1996), Modellierung und Simulation in den Sozialwissenschaften aus Sicht der Wissenschaftstheorie. Theorie- und Entscheidungsbibliothek. Dordrecht: Kluwer.
• Hellman, DH (Hrsg.) (1988), Analogical Reasoning. Kluwer: Dordrecht.
• Hempel, Carl G. (1965), Aspekte der wissenschaftlichen Erklärung und andere Aufsätze in der Wissenschaftstheorie. New York: Freie Presse.
• Herfel, William, Wladiyslaw Krajewski, Ilkka Niiniluoto und Ryszard Wojcicki (Hrsg.) (1995), Theorien und Modelle im wissenschaftlichen Prozess. (Posen-Studien in der Philosophie der Wissenschaften 44.) Amsterdam: Rodopi.
• Hesse, Mary (1963), Modelle und Analogien in der Wissenschaft. London: Sheed und Ward.
• ––– (1974), The Structure of Scientific Inference. London: Macmillan.
• Hodges, Wilfrid (1997), Eine kürzere Modelltheorie. Cambridge: Cambridge University Press.
• Holyoak, Keith und Paul Thagard (1995), Mental Leaps. Analogie im kreativen Denken. Cambridge, Mass.: Bradford.
• Horowitz, Tamara und Gerald Massey (Hrsg.) (1991), Gedankenexperimente in Wissenschaft und Philosophie. Lanham: Rowman und Littlefield.
• Hughes, RIG (1997), „Models and Representation“, Philosophy of Science 64: S325–336.
• Humphreys, Paul (2004), Erweiterung unserer selbst: Computerwissenschaft, Empirismus und wissenschaftliche Methode. Oxford: Oxford University Press.
• ––– (2009), „Die philosophische Neuheit von Computersimulationsmethoden“, Synthese 169: 615–626.
• Knuuttila, Taria (2009), „Repräsentation, Idealisierung und Fiktion in der Wirtschaft: Von der Frage der Annahmen zur Erkenntnistheorie der Modellierung“, In: Mauricio Suárez (Hrsg.): Fiktionen in der Wissenschaft. Philosophische Aufsätze zu Modellierung und Idealisierung, London: Routledge, 205–233.
• Kroes, Peter (1989), „Strukturelle Analogien zwischen physikalischen Systemen“, British Journal for the Philosophy of Science 40: 145–154.
• Laymon, Ronald (1982), „Wissenschaftlicher Realismus und der hierarchische kontrafaktische Weg von Daten zur Theorie“, Proceedings of the Biennial Meeting der Philosophy of Science Association, Band 1, 107–121.
• ––– (1985), „Idealisierungen und das Testen von Theorien durch Experimentieren“, in Peter Achinstein und Owen Hannaway (Hrsg.), Beobachtungsexperiment und Hypothese in der modernen Physik. Cambridge, Mass.: MIT Press, 147–173.
• ––– (1991), „Gedankenexperimente von Stevin, Mach und Gouy: Gedankenexperimente als ideale Grenzen und semantische Domänen“, in Horowitz und Massey 1991, 167–91.
• Leng, Mary (2010), Mathematik und Realität, Oxford.
• Leonelli, Sabina (2010), „Verpackungsdaten zur Wiederverwendung: Datenbanken in der Modellorganismusbiologie“, In: Howlett P, Morgan MS (Hrsg.): Wie gut reisen Fakten? Die Verbreitung zuverlässigen Wissens, Cambridge: Cambridge University Press.
• Leonelli, Sabina und R. Ankeny (2012), „Überdenken von Organismen: Der epistemische Einfluss von Datenbanken auf die Biologie des Modellorganismus“, Studien zur Geschichte und Philosophie der biologischen und biomedizinischen Wissenschaften, 43, 29–36.
• Leplin, Jarrett (1980), „Die Rolle von Modellen in der Theoriekonstruktion“, in: T. Nickles (Hrsg.), Scientific Discovery, Logic and Rationality. Reidel: Dordrecht: 267–284.
• Lloyd, Elisabeth (1984), „Ein semantischer Ansatz zur Struktur der Populationsgenetik“, Philosophy of Science 51: 242–264.
• ––– (1994), Die Struktur und Bestätigung der Evolutionstheorie. Princeton: Princeton University Press.
• Magnani, Lorenzo und Nancy Nersessian (Hrsg.) (2002), Modellbasiertes Denken: Wissenschaft, Technologie, Werte. Dordrecht: Kluwer.
• ––– (2012), Wissenschaftliche Modelle sind keine Fiktionen: Modellbasierte Wissenschaft als epistemischer Krieg, in L. Magnani und P. Li (Hrsg.): Philosophie und Kognitionswissenschaft: West- und Ostwissenschaft, Heidelberg / Berlin: Springer.
• ––– und Paul Thagard (Hrsg.) (1999), Model-Based Reasoning In Scientific Discovery. Dordrecht: Kluwer.
• Mäki, Uskali (1994), "Isolation, Idealisierung und Wahrheit in der Wirtschaft", in Bert Hamminga und Neil B. De Marchi (Hrsg.), Idealisierung VI: Idealisierung in der Wirtschaft. Posen Studien in der Philosophie der Wissenschaften, Vol. 38: 147–168. Amsterdam: Rodopi.
• Mayo, Deborah (1996), Fehler und das Wachstum experimentellen Experiments. Chicago: University of Chicago Press.
• McMullin, Ernan (1968), "Was sagen uns physikalische Modelle?", In B. van Rootselaar und JF Staal (Hrsg.), Logic, Methodology and Science III. Amsterdam: Nordholland, 385–396.
• ––– (1985), „Galilean Idealization“, Studies in the History and Philosophy of Science 16: 247–73.
• Morgan, Mary (1999), „Learning from Models“, in Morgan and Morrison 1999, 347–88.
• ––– und Margaret Morrison (1999), Models as Mediators. Natur- und sozialwissenschaftliche Perspektiven. Cambridge: Cambridge University Press.
• ––– und Margaret Morrison (1999), „Modelle als Vermittlungsinstrumente“, In: Morgan und Morrison 1999, 10–37.
• ––– (2001) „Modelle, Geschichten und die Wirtschaftswelt“, Journal of Economic Methodology 8: 3, 361–84. Nachdruck in Fact and Fiction in Economics, herausgegeben von Uskali Mäki, 178–201. Cambridge: Cambridge University Press, 2002.
• ––– (2003) „Experimente ohne materielle Intervention: Modellexperimente, virtuelle Experimente und virtuelle Experimente“, In: H. Radder (Hrsg.): Die Philosophie des wissenschaftlichen Experimentierens, Pittsburgh: University of Pittsburgh Press, 217–235
• ––– und Boumans, Marcel J. (2004), „Durch Zweidimensionalität verborgene Geheimnisse: Die Wirtschaft als hydraulische Maschine“, In: S. de Chadarevian und N. Hopwood (Hrsg.): Modell: Die dritte Dimension von Wissenschaft, Stanford: Stanford University Press, 369–401.
• Morrison, Margaret (1998), „Modellierung der Natur: Zwischen Physik und physikalischer Welt“, Philosophia Naturalis 35: 65–85.
• ––– (1999) „Modelle als autonome Agenten“, in Morgan und Morrison 1999, 38–65.
• ––– (2000), Unifying Scientific Theories. Cambridge: Cambridge University Press.
• ––– (2009), „Fiktionen, Repräsentationen und Realität“, In: Mauricio Suárez (Hrsg.): Fiktionen in der Wissenschaft. Philosophische Essays zu Modellierung und Idealisierung, London: Routledge, 110–135.
• ––– (2009), „Modelle, Messung und Computersimulation: Das sich wandelnde Gesicht des Experimentierens“, Philosophical Studies, 143 (1): 33–57.
• Mundy, Brent (1986), „Über die allgemeine Theorie der sinnvollen Repräsentation“, Synthese 67: 391–437.
• Musgrave, Alan (1981), „Unwirkliche Annahmen in der Wirtschaftstheorie: The F-Twist Untwisted“, Kyklos 34: 377–387.
• Nagel, Ernest (1961), Die Struktur der Wissenschaft. Probleme in der Logik der wissenschaftlichen Erklärung. New York: Harcourt, Brace und World.
• Norton, John (1991), „Gedankenexperimente in Einsteins Werk“, in Horowitz und Massey 1991, 129–148.
• Nowak, Leszek (1979), Die Struktur der Idealisierung: Auf dem Weg zu einer systematischen Interpretation der marxistischen Wissenschaftsidee. Reidel: Dordrecht.
• Oppenheim, Paul und Hilary Putnam (1958), „Einheit der Wissenschaft als Arbeitshypothese“, in Herbert Feigl, Grover Maxwell und Michael Scriven (Hrsg.), Minnesota Studies in the Philosophy of Science. Minneapolis: University of Minnesota Press, 3–36. Nachdruck in The Philosophy of Science, herausgegeben von Richard Boyd et al., Kap. 22. Cambridge, Mass.: MIT Press, 1991.
• Parker, WS (2008), „Franklin, Holmes und die Erkenntnistheorie der Computersimulation“, International Studies in the Philosophy of Science 22 (2): 165–183.
• ––– (2009), „Ist Materie wirklich wichtig? Computersimulationen, Experimente und Materialität “, Synthese 169: 483–496
• Peirce, Charles Sanders (1931–1958), Gesammelte Papiere von Charles Sanders Peirce. Vol 3. Herausgegeben von Charles Hartshorne, Paul Weiss und Arthur Burks. Harvard University Press, Cambridge, Mass.
• Pincock, Christopher (2012) Mathematik und wissenschaftliche Vertretung, Oxford, Kap. 12.
• Psillos, Stathis (1995), "Das kognitive Zusammenspiel von Theorien und Modellen: Der Fall der Physik des 19. Jahrhunderts", in Herfel et al. 1995, 105–133.
• Quine, Willard Van Orman (1953), "Über das, was es gibt", aus logischer Sicht. Cambridge, Mass.: Harvard University Press.
• Redhead, Michael (1980), „Models in Physics“, Britisches Journal für Wissenschaftstheorie 31: 145–163.
• Reiss, Julian (2003), „Kausale Folgerung in der Zusammenfassung oder sieben Mythen über Gedankenexperimente“, in Causality: Metaphysics and Methods Research Project. Technischer Bericht 03/02. LSE.
• ––– (2006), „Beyond Capacities“, in Luc Bovens und Stephan Hartmann (Hrsg.), Nancy Cartwrights Wissenschaftstheorie. London: Routledge.
• Rohrlich, Fritz (1991) "Computersimulationen in den physikalischen Wissenschaften", in Proceedings of the Philosophy of Science Association, Vol. 2, herausgegeben von Arthur Fine et al., 507–518. East Lansing: Die Vereinigung der Philosophie der Wissenschaften.
• Rueger, Alexander (2005), "Perspectival Models and Theory Unification", Britisches Journal für Wissenschaftstheorie 56.
• Schnell, Rainer (1990), „Computersimulation und Theoriebildung in den Sozialwissenschaften“, Kölner Zeitschrift für Soziologie und Sozialpsychologie 1, 109–128.
• Schaffner, Kenneth F. (1969, „Das Watson-Crick-Modell und der Reduktionismus“, British Journal for the Philosophy of Science, 20 (4): 325–348.
• Shanks, Niall (Hrsg.). (1998), Idealisierung in der zeitgenössischen Physik. Amsterdam: Rodopi.
• Sismondo, Sergio und Snait Gissis (Hrsg.) (1999), Modellierung und Simulation. Sonderausgabe der Wissenschaft im Kontext 12.
• Skyrms, Brian (1996), Evolution des Gesellschaftsvertrags. Cambridge: Cambridge University Press.
• Sorensen, Roy (1992), Gedankenexperimente. New York: Oxford University Press.
• Spector, Marshall (1965), „Models and Theories“, Britisches Journal für Wissenschaftstheorie 16: 121–142.
• Staley, Kent W. (2004), Der Beweis für den Top-Quark: Objektivität und Verzerrung in kollaborativen Experimenten. Cambridge: Cambridge University Press.
• Suárez, Mauricio (2003), „Wissenschaftliche Repräsentation: Gegen Ähnlichkeit und Isomorphismus.“Internationale Studien in der Wissenschaftstheorie 17: 225–244.
• ––– (2004), „Eine inferentielle Konzeption wissenschaftlicher Repräsentation“, Philosophy of Science 71, Supplement, S767–779.
• ––– und Albert Solé (2006), „Über die Analogie zwischen kognitiver Repräsentation und Wahrheit“, Theoria 55, 27–36.
• ––– (2009), „Wissenschaftliche Fiktionen als Inferenzregeln“In: Mauricio Suárez (Hrsg.): Fiktionen in der Wissenschaft. Philosophische Aufsätze zu Modellierung und Idealisierung, Routledge: London, 158–178.
• Suppe, Friedrich. (1989), Die semantische Sicht auf Theorien und wissenschaftlichen Realismus. Urbana und Chicago: University of Illinois Press.
• Suppes, Patrick. (1960), „Ein Vergleich der Bedeutung und Verwendung von Modellen in der Mathematik und den empirischen Wissenschaften“, Synthèse 12: 287–301. Nachdruck in Freudenthal (1961), 163–177, und in Patrick Suppes: Studien zur Methodik und zu den Grundlagen der Wissenschaft. Ausgewählte Arbeiten von 1951 bis 1969. Dordrecht: Reidel 1969, 10–23.
• ––– (1962), „Models of Data“, in Ernest Nagel, Patrick Suppes und Alfred Tarski (Hrsg.), Logik, Methodik und Wissenschaftstheorie: Proceedings of the 1960 International Congress. Stanford: Stanford University Press, 252–261. Nachdruck in Patrick Suppes: Studien zur Methodik und zu den Grundlagen der Wissenschaft. Ausgewählte Arbeiten von 1951 bis 1969. Dordrecht: Reidel 1969, 24–35.
• ––– (2002), Darstellung und Invarianz wissenschaftlicher Strukturen. Stanford: CSLI-Veröffentlichungen.
• Swoyer, Chris (1991), „Strukturelle Repräsentation und Surrogative Reasoning“, Synthese 87: 449–508.
• Teller, Paul (2001), „Twilight of the Perfect Model“, Erkenntnis 55, 393–415.
• ––– (2004), „Wie wir die Welt verkörpern“, Philosophy of Science 71: 425–447.
• ––– (2009), „Fiktionen, Fiktionalisierung und Wahrheit in der Wissenschaft“, In: Mauricio Suárez (Hrsg.): Fiktionen in der Wissenschaft. Philosophische Aufsätze zu Modellierung und Idealisierung, London: Routledge, 235–247.
• Thomson-Jones, Martin (2010), „Fehlende Systeme und die Nennwertpraxis“, Synthese 172 (2): 283–299.
• Toon, A. (2010), „Modelle als Make-Believe“, In: Frigg, R und Hunter, M. (Hrsg.): Jenseits von Mimesis und Konvention: Repräsentation in Kunst und Wissenschaft, Boston Studies in the Philosophy of Science: Springer, 71–96.
• ––– (2010), „Die Ontologie der theoretischen Modellierung: Modelle als Make-Believe“, Synthese 172: 301–315.
• ––– (2011), „Spiel mit Molekülen“, Studien zur Geschichte und Wissenschaftstheorie 42: 580–589.
• ––– (2012), Modelle als Make-Believe: Imagination, Fiktion und wissenschaftliche Repräsentation, Palgrave Macmillan.
• Vaihinger, Hans (1911), Die Philosophie des 'Als ob'. Deutsches Original. Englische Übersetzung: London: Kegan Paul 1924.
• van Fraassen, Bas C. (1980), Das wissenschaftliche Bild. Oxford: Oxford University Press.
• ––– (1989), Gesetze und Symmetrie. Oxford: Oxford University Press.
• ––– (2004), „Wissenschaft als Repräsentation: Missachtung der Kriterien“, Philosophy of Science 71, Supplement, S794–804.
• ––– (2008), Wissenschaftliche Darstellung: Paradoxe der Perspektive, Oxford: Oxford University Press.
• Weisberg, M. (2012), Simulation und Ähnlichkeit: Verwenden von Modellen zum Verstehen der Welt, erscheint von Oxford University Press, Kap. 4.
• Wimsatt, William. (1987), "Falsche Modelle als Mittel zu wahreren Theorien", in N. Nitecki und A. Hoffman (Hrsg.), Neutrale Modelle in der Biologie. Oxford: Oxford University Press, 23–55.
• Winsberg, Eric (2001), „Simulationen, Modelle und Theorien: Komplexe physikalische Systeme und ihre Darstellungen“, Philosophy of Science 68 (Proceedings): 442–454.
• ––– (2003), „Simulierte Experimente: Methodik für eine virtuelle Welt“, Philosophy of Science 70: 105–125.
• ––– (2009), „Eine Funktion für Fiktionen: Erweiterung des Umfangs der Wissenschaft“, In: Mauricio Suárez (Hrsg.): Fiktionen in der Wissenschaft. Philosophische Aufsätze zu Modellierung und Idealisierung, London: Routledge, 197–191.
• ––– (2010, Wissenschaft im Zeitalter der Computersimulation, Chicago: Chicago University Press.
• Woodward, James (2003), Dinge geschehen lassen: Eine Theorie der kausalen Erklärung. New York: Oxford University Press.

Akademische Werkzeuge

	Wie man diesen Eintrag zitiert.
	Vorschau der PDF-Version dieses Eintrags bei den Freunden der SEP-Gesellschaft.
	Schlagen Sie dieses Eintragsthema im Indiana Philosophy Ontology Project (InPhO) nach.
	Erweiterte Bibliographie für diesen Eintrag bei PhilPapers mit Links zu seiner Datenbank.

Andere Internetquellen

[Bitte kontaktieren Sie den Autor mit Vorschlägen.]