Live τώρα    
18°C Αθήνα
ΑΘΗΝΑ
Αίθριος καιρός
18 °C
14.5°C19.6°C
3 BF 59%
ΘΕΣΣΑΛΟΝΙΚΗ
Σποραδικές νεφώσεις
16 °C
13.5°C17.7°C
1 BF 73%
ΠΑΤΡΑ
Αίθριος καιρός
17 °C
14.3°C16.6°C
2 BF 63%
ΗΡΑΚΛΕΙΟ
Ελαφρές νεφώσεις
16 °C
14.8°C18.0°C
1 BF 58%
ΛΑΡΙΣΑ
Αίθριος καιρός
16 °C
16.3°C16.3°C
1 BF 65%
Τα εργαλεία της επιστημονικής μεθόδου
  • Μείωση μεγέθους γραμματοσειράς
  • Αύξηση μεγέθους γραμματοσειράς
Εκτύπωση

Τα εργαλεία της επιστημονικής μεθόδου

Όσοι παρακολουθούν τις εξελίξεις στις επιστήμες θα έχουν παρατηρήσει τους ποικίλους τρόπους που βελτιώνουμε τη γνώση μας για τα φυσικά συστήματα.

* Σχεδιάζουμε πειράματα, λιγότερο ή περισσότερο πολύπλοκα, για να αναπαράγουμε «ζωντανά» και σε ελεγχόμενες συνθήκες φυσικές, χημικές, βιολογικές κ.ά. διαδικασίες, με σκοπό να τις μελετήσουμε και να κατανοήσουμε τον τρόπο που αυτές εξελίσσονται στη φύση.

* Κατασκευάζουμε τεράστια τηλεσκόπια και ανιχνευτές στη Γη και στο Διάστημα για να παρατηρήσουμε τα φαινόμενα που συμβαίνουν μακριά από το οικείο περιβάλλον της Γης.

* Διατυπώνουμε θεωρίες που εξηγούν τις παρατηρούμενες μεταβολές και διερευνούμε τις μαθηματικές σχέσεις ανάμεσα στις κρίσιμες παραμέτρους των διαφόρων συστημάτων. Από πολλές τέτοιες μαθηματικές διερευνήσεις, υποθέσεις και λογικές συνεπαγωγές έχουν προκύψει νέες θεωρίες, οι οποίες στη συνέχεια φάνηκαν να υποστηρίζονται από νέα πειράματα και παρατηρήσεις.

Μπροστά σε πιο πολύπλοκα συστήματα, συχνά χρησιμοποιούμε αναγωγές σε απλούστερες κατασκευές και σχήματα, ώστε να αποκτήσουμε μια πρώτη εικόνα γι’ αυτά προτού εμβαθύνουμε σε περισσότερες λεπτομέρειες. Οι αναγωγές αυτές μας βοηθούν να προβλέψουμε την εξέλιξη φαινομένων με τα οποία δεν είμαστε πλήρως εξοικειωμένοι ή δεν έχουμε ακόμα αρκετά δεδομένα και να εφαρμόσουμε / δοκιμάσουμε την προϋπάρχουσα γνώση προτού την βελτιώσουμε ή αναθεωρήσουμε. Αυτές οι απλούστερες κατασκευές είναι τα μοντέλα.

Πριν εστιάσουμε στα επιστημονικά μοντέλα αξίζει να σημειωθεί ότι όλες αυτές οι πρακτικές που συνθέτουν την επιστημονική μέθοδο βρίσκονται σε μια συνεχή αλληλεπίδραση και οι ερευνητές τις συνδυάζουν στην πράξη, όχι απαραίτητα γραμμικά (π.χ. υπόθεση, παρατήρηση, πείραμα, συμπέρασμα), αλλά με τρόπους που καταδεικνύονται από τα φαινόμενα και τους πόρους μου έχουν στη διάθεσή τους, ώστε να κατανοήσουν όσο γίνεται καλύτερα τα φαινόμενα.

Επιστημονικά μοντέλα

Τα μοντέλα μπορεί να είναι απτά ή νοητά ανάλογα ιδεών, θεωριών και φαινομένων, όπως για παράδειγμα μια πραγματική τρισδιάστατη έλικα DNA φτιαγμένη από μπίλιες και βραχίονες ή το να φαντάζεται κάποιος το ηλεκτρικό ρεύμα σε ένα κύκλωμα ως ένα ρευστό σε σωλήνες. Από αυτά τα σχεδόν καθημερινά και προσιτά παραδείγματα αναδεικνύεται ο ρόλος των μοντέλων ως κατασκευών που διευκολύνουν τη σκέψη και την περαιτέρω επεξεργασία ενός πιο αφηρημένου ή μη προσιτού συστήματος.

Στη σημερινή εποχή της σχεδόν πλήρους μαθηματικοποιημένης και ποσοτικοποιημένης επιστήμης τα μοντέλα βασίζονται σε μεγάλο βαθμό σε μαθηματικές εκφράσεις, οι οποίες με τη σειρά τους εκφράζουν (και «περιορίζονται» από) τις βασικές αρχές κάθε επιστήμης.

Τέτοια μοντέλα ποικίλουν σε πολυπλοκότητα. Μπορεί να είναι απλώς μια εξίσωση, ένα σύστημα από εξισώσεις ή ένα σύνολο από πολύπλοκες μαθηματικές εκφράσεις των οποίων την αναλυτική επίλυση δεν γνωρίζουμε, οι οποίες όμως διέπουν την εξέλιξη κάποιων σημαντικών μεγεθών. Τα μεγέθη αυτά χαρακτηρίζουν ένα σύστημα ή, συνηθέστερα, μια απλοποιημένη εκδοχή του και εμείς δίνουμε κάποιες αρχικές τιμές και συνθήκες ώστε να παρατηρήσουμε την μεταβολή αυτών των μεγεθών στον χώρο ή/και τον χρόνο.

Για τη δημιουργία τέτοιων μοντέλων χρησιμοποιούμε τις τεράστιες υπολογιστικές δυνατότητες των ηλεκτρονικών υπολογιστών καταστρώνοντας αριθμητικές προσομοιώσεις (simulations), οι οποίες αποτελούν, στην ουσία, πειράματα στο «in silico» περιβάλλον ενός υπολογιστή. Συχνά, μάλιστα, χρησιμοποιούμε τον όρο «πείραμα προσομοίωσης», ο οποίος αναδεικνύει και τις ομοιότητες μεταξύ ενός πειράματος και ενός μοντέλου. Και τα δυο αποτελούν μια απλουστευμένη εκδοχή της πραγματικότητας και μας επιτρέπουν (λιγότερο η περισσότερο) την επανάληψη με ελεγχόμενο τρόπο.

Ενώ το απτό μοντέλο μιας έλικας DNA επιτρέπει την κατανόηση μιας πιο αφηρημένης έννοιας ή αντικειμένου (π.χ. της χωρικής δομής ενός μορίου DNA) από κάποιον που δεν είναι μυημένος στην επιστημονική ορολογία και μέθοδο, δεν ισχύει το ίδιο για τις προσομοιώσεις. Αυτές παραμένουν εξαιρετικά πολύπλοκες και έως έναν βαθμό αφηρημένες, ενώ απαιτείται η περαιτέρω επεξεργασία τους ώστε να μπορεί η πληροφορία τους να κωδικοποιηθεί με τρόπο κατανοητό από το ευρύτερο κοινό.

Το τελευταίο στάδιο είναι απαραίτητο σε περίπτωση που τα αποτελέσματα μιας μελέτης που βασίζεται σε μοντέλα πρόκειται να χρησιμοποιηθούν για τη λήψη αποφάσεων και την χάραξη πολιτικών. Ας δούμε όμως μερικά παραδείγματα.

Οι Michael Levitt, Martin Karplus και Arieh Warshel, καθηγητές στο Stanford, στο Harvard και στο Πανεπιστήμιο της Νότιας Καλιφόρνιας αντιστοίχως, βραβεύτηκαν με το Νόμπελ Χημείας του 2013 για τα μοντέλα τους, που περιέγραφαν τις χημικές αντιδράσεις ανάμεσα σε πολύ μεγάλα μόρια.

Παρότι γνωρίζουμε ότι η κβαντομηχανική μπορεί να περιγράψει τη συμπεριφορά των μορίων και των δομικών τους στοιχείων όταν αυτά συμμετέχουν σε χημικές αντιδράσεις, η πλήρης περιγραφή όλων των μικροσκοπικών σωματιδίων που συμμετέχουν σε αυτές είναι πρακτικά αδύνατη. Προκειμένου να απλουστεύσουν το πρόβλημα, οι τρεις καθηγητές κατασκεύασαν μοντέλα τα οποία εστίαζαν στη λεπτομερή περιγραφή της συμπεριφοράς μόνο των σημαντικών τμημάτων των μεγάλων μορίων. Αντιθέτως τα υπόλοιπα τμήματα αντιμετωπίστηκαν σαν απλές μπάλες συνδεδεμένες με ελατήρια, με απλή μηχανική συμπεριφορά. Γνωρίζουμε ότι αυτά τα άτομα των μορίων δεν είναι «μπάλες», αλλά ο σκοπός αυτής της προσέγγισης ήταν να απλοποιηθεί το πρόβλημα, όχι όμως στον βαθμό που θα παρέλειπε τις σημαντικές λεπτομέρειες. Αυτή η ισορροπία είναι μια από τις προκλήσεις της κατάστρωσης μοντέλων.

Άλλη μια διάσημη προσπάθεια που στηρίχτηκε σε μαθηματικά μοντέλα είναι η απεικόνιση του περιβάλλοντος μιας μελανής οπής. Το 1979 ο Γάλλος αστροφυσικός Jean - Pierre Luminet δημοσίευσε την πρώτη εικόνα του περιβάλλοντος μιας μελανής οπής, όπως υπολογίστηκε από μαθηματικές εξισώσεις. Οι πρώτες πραγματικές εικόνες που συντέθηκαν από τις παρατηρήσεις του Τηλεσκοπίου Ορίζοντα Γεγονότων (Event Horizon Telescope, EHT) επιβεβαίωσαν την προσπάθεια του Luminet. Ακόμα όμως και η φωτογραφία αυτή βασίστηκε σε μοντέλα τα οποία χρησιμοποιήθηκαν σαν πρότυπα, ώστε να καθαριστούν και να συνδυαστούν με αποτελεσματικό τρόπο οι παρατηρήσεις της συστοιχίας των ραδιοτηλεσκοπίων του EHT.

Η χρήση προσομοιώσεων στην αστροφυσική είναι σχεδόν εξίσου εκτεταμένη όσο και οι παρατηρήσεις. Τα φυσικά φαινόμενα που εκτυλίσσονται σε όλα σχεδόν τα αστροφυσικά περιβάλλοντα είναι εξαιρετικά πολύπλοκα και μέσω των παρατηρήσεων μπορούμε να δούμε περιορισμένες πτυχές τους.

Γνωρίζοντας τις βασικές αρχές που διέπουν τις αλληλεπιδράσεις του πλάσματος που αποτελεί όλα τα αστροφυσικά αντικείμενα μπορούμε να αναπαράγουμε τα φαινόμενα που εμφανίζονται στο εσωτερικό και τις ατμόσφαιρες των αστεριών, τους γαλαξίες κ.λπ. Η ανάπτυξη των υπολογιστών μας έχει δώσει τη δυνατότητα να αυξάνουμε συνεχώς τη λεπτομέρεια και την πολυπλοκότητα αυτών των μοντέλων ενσωματώνοντας συνεχώς περισσότερες και πιο ρεαλιστικές υποθέσεις στους υπολογισμούς.

Τα μοντέλα μπορεί να αποτελούν απλουστευμένες εκδοχές των πραγματικών φαινομένων, ωστόσο η αντιπαραβολή των προσομοιώσεων αυτών με τις πραγματικές παρατηρήσεις μας δίνουν τη δυνατότητα να κατανοήσουμε ακόμη περισσότερο το Σύμπαν, ακόμη και αν δεν γνωρίζουμε όλες τις λεπτομέρειες που διέπουν τους φυσικούς μηχανισμούς.

Παρομοίως η κλιματολογία και η μετεωρολογία βασίζονται σε μεγάλο βαθμό σε μοντέλα, ώστε να παρέχουν ακριβείς προγνώσεις για το εξαιρετικά πολύπλοκο φυσικό σύστημα της γήινης ατμόσφαιρας.

Το πλεονέκτημα στη μελέτη της ατμόσφαιρας είναι ότι συγκεντρώνουμε συνεχώς μετρήσεις των σημαντικών παραμέτρων σε πραγματικό χρόνο για περίπου έναν αιώνα. Με αυτές και με τη βοήθεια βασικών φυσικών αρχών κατασκευάζουμε μοντέλα προσπαθώντας να προβλέψουμε τις μελλοντικές τιμές των παραμέτρων όπως η θερμοκρασία, η πίεση, η υγρασία κ.λπ., ενώ κάθε νέα μέτρηση έρχεται να βελτιώσει τα μοντέλα αυτά.

Η περίπτωση της επιστήμης του κλίματος είναι χαρακτηριστικό παράδειγμα πεδίου έρευνας με άμεσο αντίκτυπο στην καθημερινότητα όλων, αλλά και στη χάραξη πολιτικών και στη λήψη αποφάσεων. Άλλοι τέτοιοι τομείς είναι η οικονομία και η επιδημιολογία, η οποία βρίσκεται στο προσκήνιο λόγω της πανδημίας της Covd-19, που οφείλεται στον νέο κορωνοϊό SARS - Cov-2. Σε αυτές τις περιπτώσεις, η ερμηνεία των μοντέλων και η επίγνωση των δυνατοτήτων και περιορισμών τους αφορούν όχι μόνο τους επιστήμονες αλλά και τους πολίτες.

Δυνατότητες και περιορισμοί των μοντέλων

Μέσα από τα παραδείγματα που παρουσιάστηκαν μπορεί κάποιος να εντοπίσει τόσο τις δυνατότητες που προσφέρει η χρήση επιστημονικών μοντέλων όσο και τους περιορισμούς τους. Η χρήση μοντέλων ενισχύει την αναλυτική ικανότητα των επιστημόνων, καθώς αναπαράγουν απλοποιημένες εκδοχές των υπό μελέτη φαινομένων και «ρίχνουν φως» στις πτυχές που πιστεύουν ότι μπορούν να βοηθήσουν στην καλύτερη κατανόησή τους.

Έχουμε, μάλιστα, πολλές φορές τη δυνατότητα να το κάνουμε αυτό όσο συχνά θέλουμε, χωρίς να χρειάζεται να επαναλάβουμε κάποιο πείραμα ή παρατήρηση.

Ακόμη σημαντικότερο, με τη βοήθεια μοντέλων μπορούμε να μελετήσουμε φαινόμενα που δεν εμφανίζονται αρκετά συχνά, όπως μεγάλες καταστροφές και επιδημίες, ενώ η γνώση που αποκτούμε μας βοηθά να αντιμετωπίσουμε τέτοια γεγονότα στο μέλλον.

Μπροστά σε άγνωστα φαινόμενα ή καταστάσεις χρησιμοποιούμε την ήδη υπάρχουσα γνώση δανειζόμενοι την εμπειρία από άλλες περιπτώσεις και (μαθηματικές) αναλογίες με άλλα φαινόμενα, ώστε να καταστρώσουμε τα μοντέλα που θα μας επιτρέψουν να προβλέψουμε την πιθανή έκβαση ενός φαινομένου και να επιλέξουμε την πιο αποτελεσματική τακτική. Είναι προφανές ότι σε αυτές τις περιπτώσεις τα δεδομένα αναθεωρούνται συνεχώς, ενώ το ίδιο συμβαίνει και με τα μοντέλα.

Ωστόσο θα πρέπει να τονιστεί ότι ένα μοντέλο δεν αποτελεί πρόβλεψη της έκβασης ενός φαινομένου, αλλά προβολή πιθανών μελλοντικών σεναρίων. Το πόσο ρεαλιστικά θα είναι αυτά τα σενάρια εξαρτάται από τη δυνατότητά μας να εντοπίσουμε εκείνες τις «σημαντικές» αρχικές υποθέσεις και παραμέτρους στις οποίες θα βασιστεί το μοντέλο μας. Με αυτόν τον τρόπο θα μπορέσουμε να εντοπίσουμε ποιοι είναι οι σημαντικοί παράγοντες που μπορούν να ερμηνεύσουν τα πραγματικά δεδομένα.

Εάν είχαμε τη δυνατότητα, νοητική και υπολογιστική, να συμπεριλάβουμε όλες τις λεπτομέρειες, έως τη μικρότερη δυνατή, φτιάχνοντας ένα εξαιρετικά πολύπλοκο μοντέλο το οποίο να εξηγεί όλα τα δεδομένα, τότε η πληροφορία που θα μας έδινε αυτό το μοντέλο ως προς τους σημαντικούς παράγοντες ενός φαινομένου θα ήταν μηδαμινή.

Για παράδειγμα, στην περίπτωση της εξέλιξης μιας πανδημίας, ακούμε στην επικαιρότητα ότι ο παράγοντας που παίζει μεγαλύτερο ρόλο είναι ο ρυθμός μετάδοσης του ιού, ο R0. Ένας μεγάλος ρυθμός αναπαραγωγής σημαίνει ότι η επιδημία είναι δυσκολότερο να περιοριστεί, επομένως χρειάζονται μέτρα για να μειωθεί.

Για να προβλεφθεί η έκβαση μιας επιδημίας σε έναν πληθυσμό θα πρέπει να ληφθούν υπόψη και άλλοι παράγοντες, όπως η πιθανή ύπαρξη εμβολίου ή φαρμάκου, η πρόσβαση σε δομές παροχής υπηρεσιών υγείας, το ανοσοποιητικό σύστημα των ατόμων, οι ηλικίες, η κινητικότητα του πληθυσμού, το πόσο εύκολο είναι να μείνει κάποιος στο σπίτι ενώ έχει εκδηλώσει συμπτώματα κ.λπ.

Τα αντίστοιχα μοντέλα θα παραγάγουν πιθανές εκβάσεις και ενδεχομένως θα αναδείξουν τους καθοριστικούς παράγοντες. Στη συνέχεια επιλέγουμε τον τρόπο αντιμετώπισης βασισμένοι στα δεδομένα των μοντέλων, αλλά και των αναθεωρημένων πραγματικών δεδομένων.

Πόσο χρήσιμο θα ήταν άραγε ένα μοντέλο που απλώς θα προέβλεπε με απόλυτη επιτυχία την έκβαση του φαινομένου χωρίς να μας έχει βοηθήσει να εντοπίσουμε ποιοι είναι οι καθοριστικοί παράγοντες και επομένως χωρίς να μας έχει επιτρέψει να αποτρέψουμε μια πιθανή καταστροφή;

Σύμφωνα με τον μεγάλο Βρετανό επιστήμονα της στατιστικής George Box, «όλα τα μοντέλα είναι λάθος, απλώς κάποια από αυτά είναι χρήσιμα». Η προκλητική αυτή φράση χαρακτηρίζει πλήρως τα μοντέλα και τη χρησιμότητά τους. Ως απλουστευμένες ανακατασκευές της πραγματικότητας, τα μοντέλα δεν μπορεί να είναι σωστά.

Ωστόσο δεν είναι αυτός ο σκοπός τους. Στο πλαίσιο της επιστημονικής διερεύνησης προσπαθούμε να κατανοήσουμε καλύτερα τον κόσμο. Υπ’ αυτό το πρίσμα κατανόηση σημαίνει διάκριση των σημαντικών σχέσεων ανάμεσα σε παράγοντες και αποτελέσματα. Σε αυτό μπορούν να μας βοηθήσουν τα μοντέλα και όχι στην πρόβλεψη του μέλλοντος.

Η αδυναμία των μοντέλων να προβλέψουν με ακρίβεια το μέλλον βρίσκεται συχνά στο στόχαστρο σκεπτικιστών, συνωμοσιολόγων, αρνητών της κλιματικής αλλαγής, αντιεμβολιαστών κ.λπ., συχνά με σκοπό να βάλουν κατά της εγκυρότητας των επιστημών γενικότερα. Αυτή η στάση τροφοδοτείται σε μεγάλο βαθμό από την άγνοια (εκούσια ή μη) των δυνατοτήτων και των περιορισμών που έχουν τα μοντέλα.

Στο άλλο άκρο του φάσματος (αν υπάρχει τέτοιο) βρίσκεται η άνευ όρων αναγνώρισή τους ως δρόμου προς την αλήθεια. Ωστόσο η συλλήβδην απόρριψη τους ως ατελών είναι εξίσου παράλογη με την τυφλή αποδοχή τους.

Γιάννης Κοντογιάννης

Πηγές και περαιτέρω μελέτη:

Στηρίξτε την έγκυρη και μαχητική ενημέρωση. Στηρίξτε την Αυγή. Μπείτε στο syndromes.avgi.gr και αποκτήστε ηλεκτρονική συνδρομή στο 50% της τιμής.

ΣΧΕΤΙΚΑ ΑΡΘΡΑ

ΓΝΩΜΕΣ

ΠΕΡΙΣΣΟΤΕΡΑ

EDITORIAL

ΑΝΑΛΥΣΗ

SOCIAL