From Epistemic Justification to Methodological Decision: The Epistemicization of Hypotheses and the Status of H₀–H₁ in Scientific Research

Wetenschap wordt vaak voorgesteld als een rechte lijn die leidt van een vraag naar een enkele, onbetwistbare waarheid. In het laboratorium stelt een onderzoeker een idee voor, verzamelt gegevens en hoopt dat dit idee juist blijkt te zijn. Al meer dan een eeuw debatteren filosofen over de vraag hoe we ooit zeker kunnen weten of onze wetenschappelijke ideeën werkelijk waar zijn, waarbij ze zich concentreren op concepten zoals verificatie — controleren of iets overeenkomt met de werkelijkheid — en falsificatie — proberen te bewijzen dat iets onjuist is. Deze debatten hebben gevormd hoe we over kennis denken, maar ze hebben een gat achtergelaten wat betreft het werkelijke, dagelijkse werk van wetenschappers. Onderzoekers in velden variërend van psychologie tot landbouw zijn druk bezig met het nemen van beslissingen op basis van gegevens die nooit perfect duidelijk zijn. Ze worden geconfronteerd met onzekerheid, kleine steekproeven en willekeurige ruis, en ze hebben een manier nodig om vooruit te komen zonder te wachten op absolute zekerheid. Hier komen de instrumenten van statistische besluitvorming kijken, specifiek een systeem dat in de twintigste eeuw werd ontwikkeld, dat wetenschappers in staat stelt te handelen zelfs wanneer zij niet 100% zeker zijn van het antwoord.

Een nieuw artikel door Bülent Bayat, een onderzoeker aan de Nuh Naci Yazgan Universiteit, onderzoekt een diepe verwarring die is gegroeid tussen deze twee werelden: de filosofische zoektocht naar waarheid en de praktische noodzaak om beslissingen te nemen. Het artikel betoogt dat wetenschappers en tekstboeken een fundamentele fout hebben gemaakt door statistische instrumenten te behandelen alsof het filosofische bewijzen waren. Decennialang hebben onderzoekers een standaardmethode gebruikt om hun ideeën te testen, waarbij ze hun voorspellingen vaak bestempelden als "hypothesen" en ze vervolgens als "bewezen" of "gefalsifieerd" verklaarden op basis van een statistische toets. Bayat suggereert dat dit een categoriefout is. Het statistische systeem in kwestie, bekend als de Neyman–Pearson besluitvormingstheorie, was nooit ontworpen om ons te vertellen wat waar is in het universum. In plaats daarvan werd het gebouwd om groepen wetenschappers te helpen bij het maken van consistente, rationele keuzes over wat ze hierna moeten doen wanneer zij geconfronteerd worden met onzekerheid.

De kern van het probleem ligt in de manier waarop we spreken over de twee belangrijkste spelers in dit statistische spel. In de standaardbenadering stelt een onderzoeker een "nulhypothese" op, wat in essentie een standaardveronderstelling is dat er niets interessants aan de hand is, en een "alternatieve hypothese", wat het eigen idee van de onderzoeker is dat er wel iets aan de hand is. Wanneer de gegevens binnenkomen, besluit de onderzoeker de standaardveronderstelling te verwerpen ten gunste van het eigen idee. Bayat wijst erop dat deze twee ideeën in het oorspronkelijke ontwerp van dit systeem niet bedoeld waren als concurrerende claims over de werkelijkheid. Ze waren niet bedoeld als symmetrische tegenpolen waarbij de één waar en de ander onwaar is. In plaats daarvan waren ze ontworpen als twee verschillende paden voor een besluitvormingsproces. Het doel was niet om de waarheid te vinden, maar om de controle te houden over het risico op het maken van een fout. Het systeem stelt wetenschappers in staat om te zeggen: "Als we aannemen dat er niets aan de hand is, is de kans dat we zulke extreme gegevens zien zeer klein, dus zullen we ervoor kiezen te handelen alsof er wel iets aan de hand is." Dit is een regel voor gedrag, geen verklaring van een feit.

Ondanks dit duidelijke ontwerp, is de manier waarop de methode wordt onderwezen en gebruikt ver afgedreven van de oorspronkelijke intentie. Tekstboeken en onderzoeksartikelen beschrijven de verwerping van de standaardveronderstelling vaak als "bewijs" dat het idee van de onderzoeker waar is. Ze spreken over het "accepteren" van een hypothese alsof deze door het universum is geverifieerd. Bayat herleidt deze verwarring tot een lange geschiedenis van filosofische debatten die zwaar gericht waren op hoe kennis gerechtvaardigd kan worden. Omdat filosofen zoveel tijd besteedden aan het debatteren over verificatie en falsificatie, begonnen wetenschappers te veronderstellen dat hun statistische toetsen de praktische toepassing waren van die filosofische theorieën. Ze begonnen de statistische output te behandelen als een direct oordeel over de waarheid van hun theorieën. Het artikel stelt dat dit een misverstand is. De statistische toets vertelt je niet of je theorie waar is; het vertelt je alleen of de gegevens die je hebt verzameld ongewoon genoeg zijn om een vooraf overeengekomen regel te activeren voor het wijzigen van je koers van handelen.

Deze verwarring heeft geleid tot een geritualiseerde manier van wetenschap bedrijven die misleidend kan zijn. Onderzoekers schrijven vaak lange lijsten met genummerde hypothesen op, van H1 tot H14, waarbij ze elke een als een aparte claim behandelen die bewezen of weerlegd moet worden. Ze gebruiken taal als "de hypothese werd ondersteund" of "de nulhypothese werd gefalsifieerd", alsof de statistische toets een definitief oordeel over de werkelijkheid heeft geveld. Bayat legt uit dat deze taal gevaarlijk is omdat het het feit verbergt dat de toets eigenlijk slechts een instrument is voor risicobeheer. Wanneer een wetenschapper zegt dat hij een nulhypothese heeft "gefalsifieerd", zegt hij niet dat hij heeft bewezen dat de alternatieve hypothese waar is. Hij zegt simpelweg dat hij heeft besloten een specifiek pad te volgen omdat de gegevens onwaarschijnlijk waren onder de standaardveronderstelling, en dat hij bereid is een kleine, vooraf gedefinieerde kans te accepteren dat hij het mis zou kunnen hebben. Het systeem is ontworpen om goed te werken over vele, vele studies, waarbij het ervoor zorgt dat de groep wetenschappers als geheel weinig fouten maakt, en niet om te garanderen dat een individuele studie de absolute waarheid heeft gevonden.

Het artikel kijkt ook naar hoe deze verwarring invloed heeft op hoe we de rol van de onderzoeker begrijpen. In de filosofische visie is de wetenschapper een zoeker naar de waarheid, die probeert een beeld van de wereld op te bouwen dat zo accuraat mogelijk is. In de visie van de besluitvormingstheorie is de wetenschapper een beheerder van risico, die probeert een keuze te maken die het langetermijnfoutpercentage laag houdt. Dit zijn twee verschillende taken. Door deze te mengen, vragen we statistische instrumenten om een taak uit te voeren waar ze nooit voor gebouwd zijn. We vragen een beslisregel om ons te vertellen wat echt is, terwijl het alleen ontworpen is om ons te vertellen wanneer we moeten handelen. Dit leidt tot een situatie waarin we meer van onze gegevens eisen dan ze kunnen geven, en we eindigen met wetenschappelijke conclusies die zeker lijken, maar in werkelijkheid slechts het resultaat zijn van een mechanisch proces.

Bayats werk suggereert niet dat we moeten stoppen met het gebruik van deze statistische instrumenten. Integendeel, het artikel betoogt dat deze instrumenten essentieel zijn voor de moderne wetenschap omdat ze ons in staat stellen vooruit te komen ondanks onzekerheid. Het probleem is niet het instrument zelf, maar de manier waarop we de resultaten interpreteren. De oplossing die wordt voorgesteld, is om te stoppen met het proberen te dwingen van statistische beslissingen in de box van de filosofische waarheid. In plaats daarvan moeten we erkennen dat deze instrumenten tot een andere categorie behoren: ze zijn methoden voor het reguleren van hoe we handelen wanneer we het antwoord niet weten. Als we de vraag van "wat is waar" kunnen scheiden van de vraag van "wat moeten we nu doen", kunnen we deze instrumenten effectiever gebruiken. We kunnen stoppen met pretenderen dat een statistische toets een theorie heeft bewezen en beginnen begrijpen dat het ons simpelweg heeft geholpen een rationele keuze te maken onder moeilijke omstandigheden.

Het artikel concludeert dat de geschiedenis van de wetenschap een kloof heeft gecreëerd tussen de filosofen die zich zorgen maken over de betekenis van kennis en de statistici die zich zorgen maken over de mechanica van besluitvorming. Lange tijd hebben deze twee groepen langs elkaar heen gepraat, wat heeft geleid tot de huidige verwarring waarbij wetenschappers denken dat hun statistische toetsen filosofische bewijzen zijn. Bayat suggereert dat de weg vooruit niet is om de statistiek te proberen te repareren zodat deze filosofischer wordt, maar om een duidelijk onderscheid te maken tussen de twee niveaus. We moeten begrijpen dat de H0 en H1 structuur een methode is voor het organiseren van onze beslissingen, niet een kaart van de werkelijkheid. Door dit onderscheid te accepteren, kunnen wetenschappers hun instrumenten met meer eerlijkheid en helderheid gebruiken, waarbij ze erkennen dat ze beslissingen nemen op basis van risico en onzekerheid, in plaats van te claimen dat ze absolute waarheden hebben ontdekt. Deze verschuiving in perspectief verzwakt de wetenschap niet; het versterkt haar door onze methoden af te stemmen op hun werkelijke doel.