🔬 natuurkunde

A Theory of Partial Truth for Scientific Statements

Dit artikel stelt een beperkt formeel kader voor het kwantificeren van de gedeeltelijke feitelijke waarheid van wetenschappelijke beweringen door de genormaliseerde discrepanties van hun componenten tegenover empirisch bewijs te evalueren, waardoor de beoordeling van modellen mogelijk wordt die zowel accurate als inaccurate elementen bevatten zonder feitelijke adequaatheid te verwarren met vertrouwen of convergentie naar de volledige waarheid.

Oorspronkelijke auteur: Gustavo E. Romero

Gepubliceerd 2026-11-06✓ Author reviewed ⓘ

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteur: Gustavo E. Romero

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De wetenschap vertrouwt vaak op beschrijvingen die niet perfect waar zijn, maar die wel uitstekend werken. Denk aan een kaart die kleine zijstraten weglaat om de hoofdwegen duidelijk weer te geven; het is technisch gezien onnauwkeurig omdat het details weglaat, maar het is ongelooflijk nuttig voor navigatie. In de natuurkunde en astronomie gebruiken wetenschappers soortgelijke "kaarten" van de werkelijkheid. Ze beschrijven sterren als punten, oppervlakken als perfect glad, of populaties als oneindige aantallen. Deze beschrijvingen zijn strikt genomen onwaar omdat de echte wereld rommeliger is, maar ze vangen het essentiële gedrag van systemen met voldoende nauwkeurigheid om voorspellingen te doen en vooruitgang te boeken. Lange tijd was de standaardmanier om deze wetenschappelijke uitspraken te beoordelen een simpele "ja of nee"-vraag: is de uitspraak waar of is hij onwaar? Deze binaire benadering verbergt echter de nuance van hoe wetenschap werkelijk werkt. Het behandelt een model dat 90% accuraat is hetzelfde als een model dat 10% accuraat is, simpelweg omdat geen van beide perfect is. Het faalt om uit te leggen hoe een theorie toch tot echte ontdekkingen kan leiden terwijl deze onwaar is.

Een nieuw artikel van Gustavo E. Romero, een onderzoeker aan het Argentijnse Instituut voor Radioastronomie, stelt een manier voor om de "partiële waarheid" van wetenschappelijke uitspraken te meten. In plaats van te vragen of een bewering simpelweg juist of onjuist is, biedt het artikel een methode om te schatten hoe goed een bewering aansluit bij de feiten, zelfs als deze fouten bevat. De kern van het idee is dat wetenschappelijke vooruitgang niet gaat over het vinden van één enkele, perfecte beschrijving van het universum, maar over het bouwen van representaties die steeds adequater worden voor de specifieke problemen die we proberen op te lossen. Deze benadering stelt wetenschappers in staat om op een precieze, numerieke manier te zeggen dat een uitspraak "grotendeels juist" is, waarbij onderscheid wordt gemaakt tussen een kleine, onschadelijke fout en een groot gebrek, zonder deze meting te verwarren met de waarschijnlijkheid dat de uitspraak waar is.

Het artikel begint met het verduidelijken van wat er precies wordt gemeten. Het maakt onderscheid tussen de fysieke uitspraak zelf – de woorden die op een pagina staan geschreven of hardop worden uitgesproken – en de propositie, wat de werkelijke betekenis of claim is die wordt gemaakt. Het doel is om de feitelijke adequaatheid van die betekenis te evalueren tegenover een verzameling bewijsmateriaal. Dit bewijsmateriaal bestaat uit gecontroleerde observaties en experimenten, zoals metingen van de helderheid van een ster of de weerstand van een elektrische draad. De auteur betoogt dat we de vraag "hoe zeker zijn we van deze data?" moeten scheiden van de vraag "hoe goed komt deze claim overeen met de data?". Een claim kan zeer dicht bij de gemeten feiten liggen, zelfs als de meting zelf enige onzekerheid kent, en het nieuwe kader is ontworpen om die nabijheid te vangen.

Om dit te doen, introduceert het artikel een systeem voor het toekennen van een score tussen nul en één aan elke wetenschappelijke claim. Een score van één vertegenwoordigt de maximale mogelijke adequaatheid gegeven de huidige bewijslast, terwijl nul een volledige mismatch betekent. Voor claims die getallen bevatten, zoals "de massa van deze ster is 100 keer de massa van de zon", wordt de score berekend door naar het verschil te kijken tussen het geclaimde getal en het getal dat door observatie wordt ondersteund. Als het geclaimde getal zeer dicht bij het geobserveerde getal ligt, is de score hoog. Als het ver weg is, daalt de score. Het artikel specificeert dat dit verschil wordt gemeten relatief aan een schaal die passend is voor het probleem, waardoor wordt gewaarborgd dat een kleine fout in een groot getal eerlijk wordt behandeld vergeleken met een kleine fout in een klein getal.

Een cruciaal onderdeel van de nieuwe methode is hoe deze omgaat met complexe uitspraken die bestaan uit verschillende kleinere claims. Stel je een wetenschappelijk model voor dat drie voorspellingen doet: één over temperatuur, één over druk en één over de vorm van een container. Als het model de temperatuur en de druk goed krijgt, maar de vorm fout heeft, zou een simpel "waar of onwaar"-systeem het hele model als onwaar labelen. Het nieuwe kader zorgt er echter voor dat het model een hoge score behoudt omdat de accurate delen nog steeds waarde toevoegen. Het artikel laat zien dat door de scores van de individuele delen te middelen, gewogen naar hoe belangrijk elk deel is voor de specifieke vraag die gesteld wordt, we een eerlijke beoordeling van het geheel kunnen krijgen. Bijvoorbeeld, als een model wordt getest op zijn vermogen om de elektrische weerstand te voorspellen, zijn claims over de kleur van de draad of de temperatuur van het laboratorium irrelevant. Het nieuwe systeem negeert deze irrelevante details, waardoor wordt voorkomen dat een model onterecht wordt gestraft omdat het onbelangrijke zaken goed of fout heeft.

De auteur demonstreert deze methode met concrete voorbeelden, inclusief een hypothetische beoordeling van elektrische weerstand en een praktische toepassing betreffende een massieve ster genaamd Zeta Puppis. In het voorbeeld van de ster hadden onderzoekers eerder de snelheid waarmee de ster massa verliest geschat op basis van röntgenwaarnemingen. Het artikel neemt een specifieke claim over deze snelheid en vergelijkt deze met de geobserveerde data. Hoewel de geclaimde snelheid iets anders was dan de geobserveerde snelheid, wijst de nieuwe methode een hoge score van ongeveer 0,86 toe, wat aangeeft dat het een zeer goede benadering van de werkelijkheid is. Deze score is geen gok over de waarschijnlijkheid dat de claim waar is; het is een directe maatstaf voor hoe goed de claim overeenkomt met het bewijs, rekening houdend met de bekende beperkingen van de metingen.

Het artikel behandelt ook potentiële valkuilen bij een dergelijke meting. Het waarschuwt dat de score sterk afhangt van hoe het probleem wordt gedefinieerd en welke delen van een model als belangrijk worden beschouwd. Als een wetenschapper de meetlat verandert of besluit dat een ander deel van het model kritischer is, kan de score veranderen. De auteur stelt zorgvuldig dat dit niet betekent dat de feiten zijn veranderd, maar dat de beoordelingscriteria zijn verschoven. De methode is ontworpen om transparant te zijn over deze keuzes, waarbij wetenschappers expliciet moeten vermelden wat ze meten en hoe ze de verschillende stukken bewijs wegen. Dit voorkomt dat de scores misleidend of willekeurig worden.

Uiteindelijk biedt het artikel een instrument voor een eerlijker en genuanceerderer beeld van wetenschappelijke vooruitgang. Het suggereert dat we moeten stoppen met het zien van wetenschap als een reis naar een enkele, perfecte waarheid die we uiteindelijk zullen bereiken. In plaats daarvan is wetenschap een proces van het verfijnen van onze beschrijvingen, waarbij we ze adequater maken voor de specifieke vragen die we moeten beantwoorden. Een theorie kan op een mathematisch precieze manier "gedeeltelijk waar" zijn, waardoor we precies kunnen zien waar zij slaagt en waar zij faalt. Deze benadering respecteert het feit dat wetenschappelijke modellen altijd benaderingen zijn, maar geeft ons ook een manier om te meten hoe goed die benaderingen zijn. Door onderscheid te maken tussen de nauwkeurigheid van een claim en de zekerheid die we ervan hebben, en door het belang van verschillende delen van een theorie te wegen, helpt het nieuwe kader ons te begrijpen hoe wetenschap vooruitgaat, zelfs wanneer zij nog niet perfect is.

Technische Samenvatting: Een Theorie van Partiële Waarheid voor Wetenschappelijke Beweringen

Probleemstelling
Wetenschappelijke praktijk steunt frequent op representaties—modellen, theorieën en beweringen—die empirisch succesvol zijn ondanks het feit dat ze strikt genomen onwaar zijn vanwege idealisaties, benaderingen of specifieke fouten. Klassieke bivalente logica, die een enkele waarheidswaarde (waar of onwaar) toekent aan een propositie, faalt in het onderscheiden van representaties die "meer" of "minder" feitelijk adequaat zijn. Het kan de heterogene structuur van complexe wetenschappelijke claims niet verklaren, waarbij precieze voorspellingen kunnen coëxisteren met onjuiste aannames. Bestaande benaderingen, zoals probabilistische bevestiging (Bayesianisme), fuzzy logica en theorieën van verisimilitude (waarheidsgelijkenis), behandelen gerelateerde kwesties maar confunderen feitelijke adequatheid met waarschijnlijkheid, vaagheid of de afstand tot een volledige waarheid. Dit artikel adresseert de specifieke vraag of feitelijke adequatheid gerepresenteerd kan worden in gradaties zonder te verwarren met vertrouwen, waarschijnlijkheid of subjectieve overtuiging, terwijl de formele inconsistenties die in eerdere axiomatische pogingen werden gevonden, worden vermeden.

Methodologie
Het artikel ontwikkelt een beperkt formeel kader voor het schatten van partiële feitelijke waarheid ( $V_E$ ) op basis van de volgende structurele componenten:

Waarheidsdragers en Domein: De theorie maakt onderscheid tussen beweringen (fysieke gebeurtenissen) en proposities (equivalentieklassen van even betekenisvolle beweringen). De waarderingsfunctie $V_E$ is alleen van toepassing op een domein $D_E$ van betekenisvolle feitelijke proposities die onderhevig zijn aan empirische beoordeling ten opzichte van een corpus aan bewijs $E$ .
Kwantitatieve Waardering: Voor kwantitatieve proposities die een waarde $\mu$ $μ$ beweren tegenover een empirische schatting $e \pm \delta$ $e \pm δ$ , introduceert het kader een genormaliseerde relatieve discrepantie ( $\beta_E$ $β_{E}$ ).
- $\beta_E(p) = \min\left(1, \frac{|\mu - e|}{s_E(M)}\right)$ , waarbij $s_E(M)$ een passende karakteristieke schaal voor het probleem is.
- De feitelijke adequatheid wordt lineair gedefinieerd: $V_E(p) = 1 - \beta_E(p)$ . Dit brengt perfecte overeenstemming in kaart als 1 en discrepanties die de karakteristieke schaal overschrijden als 0.
Aggregatie en Compositie:
- Elementaire Basis: Complexe proposities worden gedecomposeerd in een vaste basis van onderscheidende, onafhankelijke en gezamenlijk consistente elementaire componenten ( $S(P)$ ).
- Logische Equivalentie: Om het "parentheses-probleem" (waarbij recursieve binaire middeling verschillende waarden oplevert voor logisch equivalente expressies) op te lossen, evalueert het kader de verzameling van elementaire componenten in plaats van recursieve binaire operatoren toe te passen.
- Relevantie-weging: Een relevantiefunctie $Rel_F(p)$ wijst gewichten toe aan componenten op basis van hun belang voor een specifiek wetenschappelijk probleem $F$ .
- Gewogen Gemiddelde: De contextuele waardering wordt berekend als een gewogen rekenkundig gemiddelde:
  $V_{E,F}(P) = \frac{\sum r_i V_E(p_i)}{\sum r_i}$
  waarbij $r_i$ de relevantie is van component $i$ . Componenten met een nul-relevantie veranderen de waardering niet, terwijl componenten met een positieve relevantie compensatie mogelijk maken (een accurate component kan een inaccurate component compenseren).
Axiomatische Structuur: De theorie wordt beheerst door vier axioma's: Begrenzing ( $0 \le V \le 1$ ), Normalisatie (1 voor maximale adequatheid, 0 voor minimale), Compositie (arithmetisch of gewogen gemiddelde over elementaire componenten) en Kwantitatieve Waardering (lineair complement van genormaliseerde discrepantie).

Belangrijkste Bijdragen

Oplossing van de Parentheses-paradox: Door recursieve binaire middeling te verlaten ten gunste van aggregatie over een vaste verzameling elementaire componenten, zorgt het kader ervoor dat logisch equivalente expressies (bijv. $(p \land q) \land r$ versus $p \land (q \land r)$ ) identieke waarderingen ontvangen, mits de elementaire basis constant blijft.
Onderscheid tussen Waarheid en Relevantie: Het kader scheidt de feitelijke adequatheid van een claim expliciet van de relevantie ervan voor een specifiek probleem. Dit voorkomt dat irrelevante maar accurate claims de adequatheidsscore van een representatie met betrekking tot een specifieke wetenschappelijke vraag kunstmatig verhogen.
Scheiding van Adequatheid en Waarschijnlijkheid: De waardering $V_E$ wordt strikt geïnterpreteerd als een schatting van de representatieve adequatheid ten opzichte van bewijs, verschillend van de waarschijnlijkheid dat een propositie waar is of de mate van vertrouwen daarin.
Afhandeling van Meetonzekerheid: Het kader maakt onderscheid tussen discrepantie (de mismatch tussen bewering en bewijs) en meetonzekerheid (de onzekerheid van het bewijs zelf). De waardering is relatief aan het bewijs, maar het doel is de bewijs-onafhankelijke adequatheid ten opzichte van de feiten.

Resultaten

Formele Eigenschappen: De afgeleide eigenschappen omvatten behoud van grenzen (de geaggregeerde waarde ligt tussen de minimum- en maximumwaarden van de componenten), groeperingsinvariantie (resultaten zijn onafhankelijk van hoe componenten gegroepeerd worden, mits de totale gewichten behouden blijven) en monotoniciteit.
Compensatie versus Drempelwaarden: Het rekenkundig gemiddelde staat compensatie toe; een hoge adequatheid in één component kan een lage adequatheid in een andere component compenseren. Het artikel merkt op dat dit verschilt van een "minimum"-regel, die zou vereisen dat alle componenten aan een drempelwaarde voldoen.
Gevoeligheidsanalyse: Uitgewerkte voorbeelden (elektrische weerstand en astrofysische massa-verliesratio's) laten zien dat geaggregeerde scores gevoelig zijn voor:
- De keuze van de normalisatieschaal (bijv. relatief aan grootte versus werkbereik).
- De toewijzing van relevantiegewichten.
- De granulariteit van de elementaire basis (bijv. een ongelijkheid behandelen als een enkele claim versus twee grenzen).
Astrofysische Toepassing: Het kader wordt toegepast op een gepubliceerde observatie van de massa-verliesratio van de ster $\zeta$ Puppis. Een propositie die een ratio van $4.0 \times 10^{-6} M_\odot \text{yr}^{-1}$ beweert, wordt geëvalueerd tegenover een empirische schatting van $3.5 \times 10^{-6} M_\odot \text{yr}^{-1}$ , wat een partiële waarheidswaarde van $\approx 0.857$ oplevert, wat illustreert hoe een niet-nul discrepantie nog steeds substantiële feitelijke adequatheid kan ondersteunen.

Betekenis en Claims
Het artikel claimt een beperkte herformulering van theorieën van partiële waarheid te bieden, in plaats van een nieuwe wiskundige theorie van middeling. De primaire betekenis ligt in het bieden van een instrument voor conditionele vergelijkingen van de feitelijke adequatheid van wetenschappelijke modellen en theorieën.

Het biedt geen unieke methode voor het kiezen van schalen of gewichten, noch biedt het een numerieke calculus voor willekeurige formules (negatie en disjunctie zijn niet recursief gedefinieerd).
Het verheldert dat wetenschappelijke vooruitgang niet gezien hoeft te worden als convergentie naar een volledige, finale waarheid. In plaats daarvan kan vooruitgang worden begrepen als de constructie van representaties die steeds adequater worden in de aspecten die het meest relevant zijn voor de problemen die de wetenschap probeert op te lossen.
Het kader onderscheidt "partiële feitelijke waarheid" (gegradueerde adequatheid onder expliciete criteria) van Elgin's concept van "genoeg waar zijn" (epistemische waarde van idealisaties), met een strikte focus op de kwantitatieve beoordeling van empirische claims.

De auteur benadrukt dat de waardering een schatting is van adequatheid ten opzichte van beschikbaar bewijs en methodologische rechtvaardigingen; het garandeert geen correspondentie met de realiteit, noch vervangt het de noodzaak voor rigoureus empirisch testen en de identificatie van systematische fouten.

Technische Samenvatting: Een Theorie van Partiële Waarheid voor Wetenschappelijke Beweringen

Meer zoals dit