Hva er en vitenskapelig modell?

I vanlig språkbruk er en modell noe du bygger, leker med, ser på og forholder deg til noe større og mer komplisert. Eller kanskje det er en person som har som jobb å vise frem et produkt eller en idé. Begge er nyttige på hver sin måte: et modellfly har noen av de viktige egenskapene til et fly i full størrelse, men det er mye enklere (og billigere) å ha med seg rundt. Langs forskjellige linjer hjelper en klesmodell deg med å se hvordan noe passer, ser ut, beveger seg og tjener til å vise frem kjøpbare produkter til et publikum. De forskjellige brukene av ordet kan virke som en modell er mange ting, men i hjertet er en modell bare en forenkling eller eksempel på noe annet og er vanligvis ment å gjøre det "noe annet" lettere å forstå.

Vitenskapelige modeller har komme i rampelyset i løpet av de siste årene, spesielt på hot-knapp-problemer som Klima forandringer, orkaner eller COVID. Det er fortsatt et mysterium rundt dem, delvis fordi folk flest ikke er i stand til å forstå hvordan de fungerer, hvorfor vi bruker dem, eller nøyaktig hva som går med til å lage og bruke dem. Hvis modeller er ment å forenkle verden, hvorfor er de så ikke enkle?

Det korte svaret er at modeller er en bro mellom tingene vi ønsker å forstå og vår evne til å forstå dem. De lar oss ta enormt kompliserte ting og dele dem opp i forskjellige parametere eller fasetter som vi kan manipulere og leke med for å finne ut hvordan den kompliserte tingen fungerer. Spesielt når vi jobber med systemer som er sammenkoblet og vanskelig å redusere til uavhengige, konstituerende deler, lar modellene oss i det minste ta en titt på en del om gangen.

Modeller kan være like enkle som en virkelig god metafor. For eksempel menneskelig hukommelse har til tider blitt "modellert" som en båndopptaker, et T-banekart, en voliere (Platon), en veske, et dataprogram, en muskel og til og med en kumage. Hver metafor fanger noen vesentlige egenskaper ved tingen den søker å belyse (minne), å la forskjellene ligge til side slik at tanken kan underholdes lenge nok til å gi noe nytt innsikt. Ingen metafor fanger virkelig hele menneskets hukommelse, men de fungerer godt nok til å hjelpe oss å lære noe om hvordan sinnet kan fungere.

Blir kompleks

Problemet er at denne typen metaformodeller bare kommer oss så langt. For å begynne å virkelig forutsi ting, må vi begynne å gjøre matematikk. Så mye som mange av oss kanskje hater det, er matematikk langt på vei det beste verktøyet vi har for å utlede spådommer, og det lar oss kommunisere tydelig med hverandre og med noen av våre viktigste partnere i den vitenskapelige virksomheten – vår datamaskiner. Datamaskinen din utfører all sin modellering ved å bruke det binære språket 1-er og 0-er, noe som betyr at ethvert problem i den virkelige verden du vil ha hjelp med må abstraheres til et matematisk problem.

Uunngåelig betyr dette å gjøre noen forenklede antakelser eller ignorere noen egenskaper ved tingen du vil modellere. Akkurat som et modellfly ikke kan ha fullt fungerende jetfly eller flybesetning, må modellene våre av ting som hjernen eller været ignorere noen deler av det vi ønsker å forstå.

Det er her problemet kommer inn – å ignorere eller anta bort deler av tingen vi ønsker å forstå gjør en modell enklere, men det gjør den mindre trofast mot tingen du vil modellere. Å gjøre ugyldige antakelser eller forenklinger introduserer partiskhet inn i en modell. Jo enklere det blir, jo mer skjevhet er det, og jo dårligere er modellen til å forutsi oppførselen til det virkelige systemet den prøver å tilnærme. Som et resultat er en modell som er lett å forstå ofte unøyaktig. Forskere må bytte mellom enkelhet og skjevhet, eller å ha en modell som er så kompleks at det er umulig å jobbe med (eller kan forutsi hva som helst, til og med feil svar!).

Hvorfor modeller?

Når vi snakker med hverandre, kan vi bruke modeller som er utrolig komplekse og eliminerer mange av forutsetningene som ligger i modellen. Men når en forsker prøver å kommunisere noe – som hvorfor noen bør evakuere for en orkan, eller hvorfor de bør ha på seg en maske under COVID-utbrudd – det er vanskelig å oversette den komplekse modellen til noe som er enkelt nok for alle å forstå. Det er derfor det er så viktig å bygge tillit til vitenskapen – noen ganger kan vi ikke forklare alle detaljene for deg om hvorfor modellen forutsier noe (hvorfor trenger jeg å bruke mindre vann? Eller bli vaksinert?).

I en tid hvor tilliten til vitenskapen og vitenskapsmenn ser ut til å være i fare, er det viktig å tenke på denne balansen. Vitenskapen vår er mer avansert enn noen gang, men det kommer med utfordringen med å oversette mellom komplekse modeller (for forskere) og enkle modeller (for alle andre). Jo bedre vi kan komme opp med ulike modeller for å bygge bro mellom de vanskelige tingene vi prøver å forstå og menneskene som er investert i å forstå dem – eller i det minste, mennesker som vil bli påvirket av ting som været, eller hjernen deres eller sykdommer – jo sterkere vi vil være. Det plasserer modeller blant det viktigste vi kan utvikle. Og forhåpentligvis vil en dypere forståelse av dem gjøre vitenskapen lettere å støtte og kommunisere.

Etter hvert som grensene mellom ekte og falske visker ut, jager amerikanerne i økende grad ideen om autentisitet. Det første trinnet kan være å vurdere selverkjennelse, sannhet og andre byggesteiner på veien til personlig vekst.