The Rise of Null Hypothesis Significance Testing (NHST): Institutional Massification and the Emergence of a Procedural Epistemology
Dieser Artikel erklärt den anhaltenden Dominanzanspruch der Nullhypothese-Signifikanztestung (NHST) in den angewandten Wissenschaften nicht als technische Lösung, sondern als eine soziale Technologie, die durch ihre mechanische Standardisierung und Entkontextualisierung die institutionellen Herausforderungen der massiven Nachkriegsexpansion wissenschaftlicher Netzwerke effektiv bewältigte.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das große Rätsel: Warum nutzen wir immer noch den „p-Wert"?
Stellen Sie sich vor, Sie sind in einer riesigen Fabrik, die wissenschaftliche Entdeckungen produziert. Jeder, der hier arbeitet – von Studenten bis zu Professoren – benutzt denselben Stempel: „p ≤ 0,05". Wenn dieser Stempel auf ein Ergebnis gedrückt wird, gilt es als „wahr" und „wichtig". Wenn nicht, wird es oft in den Papierkorb geworfen.
Das Problem ist: Viele Experten wissen seit Jahrzehnten, dass dieser Stempel eigentlich nicht funktioniert, wie er soll. Er wird oft falsch verstanden, ignoriert wichtige Details und führt zu Fehlern. Trotzdem nutzen ihn alle weiter. Warum?
Carol Tings Papier gibt eine überraschende Antwort: Es geht gar nicht um die Mathematik, sondern um die Masse.
Die Geschichte in drei Akten
1. Der Streit der Architekten (Die zwei Erfinder)
Stellen Sie sich zwei Architekten vor, die zwei völlig verschiedene Pläne für ein Haus entwerfen:
- Architekt A (Fisher): Er sagt: „Wir bauen ein Haus, das uns hilft, die Welt zu verstehen. Aber wir müssen vorsichtig sein und jedes Detail prüfen. Es gibt keine festen Regeln, nur gute Urteile."
- Architekt B (Neyman & Pearson): Er sagt: „Nein, wir brauchen eine Maschine! Wir bauen ein System, das automatisch entscheidet: Ja oder Nein. Es ist wie eine Fließband-Entscheidung, die über lange Zeit selten Fehler macht, aber im Einzelfall nichts über die Wahrheit sagt."
Beide hatten recht, aber ihre Pläne passten nicht zusammen. Sie waren wie Öl und Wasser.
2. Der große Boom (Der Krieg und der Baby-Boom)
Dann kam der Zweite Weltkrieg und danach die Nachkriegszeit. Die USA (und die Welt) wollten Wissenschaft massenhaft ausbauen.
- Plötzlich gab es Millionen von Studenten.
- Die Regierung warf Milliarden in die Forschung.
- Es gab eine riesige Nachfrage nach Wissenschaftlern, aber nicht genug echte Experten, die sie ausbilden konnten.
Stellen Sie sich vor, Sie müssten plötzlich 10.000 Köche ausbilden, um ein riesiges Festmahl zu kochen, aber Sie haben nur 10 Meisterköche. Was tun Sie? Sie können nicht jedem Köch beibringen, wie man ein komplexes Gericht von Grund auf neu erfindet. Sie brauchen Kochbücher.
3. Die Geburt des „Kochbuchs" (NHST)
Hier kommt der „p-Wert" ins Spiel. Die beiden Architekten-Pläne wurden zu einem Hybrid-Monster zusammengeschweißt, das wir heute NHST nennen.
- Man nahm den „Stempel" von Architekt A (der p-Wert).
- Man nahm die „Ja/Nein-Maschine" von Architekt B (die Entscheidung).
- Aber man warf alles weg, was schwer zu verstehen war: den Kontext, die Nuancen und die echten Urteile.
Das Ergebnis war ein Kochbuch für Wissenschaftler:
- Gib deine Daten in die Maschine.
- Drücke auf „Start".
- Wenn das Ergebnis unter 0,05 liegt: Stempel drauf: „Entdeckt!"
- Wenn nicht: Stempel drauf: „Nichts gefunden".
Warum hat sich das durchgesetzt? (Die „Black Box")
Warum nutzen wir dieses einfache, fehleranfällige Kochbuch, obwohl es eigentlich nicht perfekt ist?
Weil es skaliert.
Stellen Sie sich vor, Sie müssten in einer riesigen Fabrik tausende von Produkten prüfen.
- Die alte Methode (Experten-Urteil): Ein Meister prüft jedes Produkt einzeln, riecht daran, fühlt es, denkt nach. Das dauert ewig und ist teuer.
- Die neue Methode (NHST): Jeder Arbeiter drückt einen Knopf. Ein grünes Licht bedeutet „Gut", ein rotes „Schlecht".
Das NHST-System ist wie ein automatischer Türsteher. Es braucht keine Experten, um zu entscheiden, ob eine Studie „gut" ist. Es reicht, wenn die Maschine grünes Licht gibt. Das macht es perfekt für eine Welt, in der:
- Jeder Wissenschaftler machen will.
- Niemand Zeit hat, tief zu denken.
- Geldgeber und Zeitungen schnelle, klare Antworten brauchen.
Der p-Wert wurde zur Währung. Er ist wie eine Münze, die man in den Automaten wirft, um eine Entdeckung zu kaufen. Es ist egal, ob die Münze eigentlich wertlos ist – solange alle akzeptieren, dass sie funktioniert, kann man damit weitermachen.
Das Fazit: Ein Werkzeug für die Masse, nicht für die Wahrheit
Das Papier sagt: NHST ist kein Fehler in der Mathematik, sondern eine Lösung für ein soziales Problem.
Es ist ein Werkzeug, das entwickelt wurde, um die Massenproduktion von Wissenschaft zu ermöglichen. Es erlaubt es Universitäten, Tausende von Studenten auszubilden, ohne dass jeder ein Genie sein muss. Es erlaubt es Journalisten und Geldgebern, schnell zu entscheiden, was „wichtig" ist, ohne die komplizierte Mathematik dahinter zu verstehen.
Die „Fehler" des Systems (dass es den Kontext ignoriert und Urteile durch Regeln ersetzt) sind eigentlich Features, keine Bugs. Sie machen das System schnell, billig und überall einsetzbar.
Die Moral der Geschichte:
Solange wir Wissenschaft als eine riesige Fabrik betrachten, die schnell viele Ergebnisse liefern muss, werden wir bei diesem einfachen „Kochbuch" bleiben. Um es zu ändern, reicht es nicht, die Mathematik zu verbessern. Wir müssen die Fabrik selbst ändern – also die Art und Weise, wie wir Wissenschaft bewerten, finanzieren und lehren. Solange wir nach dem „grünen Licht" des Stempels suchen, werden wir immer wieder in die Falle tappen, dass wir die Münze für das Gold halten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.