Opening Days 2026: „Gute Wissenschaft braucht Unsicherheit“

Professor Osman, wie viel Unsicherheit kann die Wissenschaft tolerieren?

Magda Osman: Sehr viel. Ohne Unsicherheit würden keine Fragen aufkommen. Der Begriff ist jedoch nicht so eindeutig, wie es zunächst scheint. Unsicherheit hat zwei Seiten: Sie kann auf mangelndem Wissen beruhen (epistemische Unsicherheit) oder sie spiegelt die der Welt innewohnende Unvorhersehbarkeit wider (aleatorische Unsicherheit). Außerdem werden oft „Gewissheit“ und „Unsicherheit“ verwechselt. Manchmal werden diese beiden Dinge gleichgesetzt, und darüber gibt es in der wissenschaftlichen Literatur eine lebhafte Debatte.

Bedeutet Unsicherheit automatisch Unwissenheit?

Nein. Wir können etwas wissen und dennoch ein gewisses Maß an Unsicherheit darüber haben. Die Wissenschaft versucht, Unsicherheit zu verringern, indem sie unseren Wissensstand erweitert und damit auch die Sicherheit, die wir in unseren Aussagen haben. Wir stellen Fragen, weil wir unser Wissen erweitern wollen. Aber wir stellen auch Fragen, wenn wir Annahmen überprüfen wollen.

Ist es umgekehrt nicht auch ein Risiko, wenn ich mir meiner wissenschaftlichen Ergebnisse zu sicher bin?

Dann sollten Sie sich erneut fragen: Habe ich die Ergebnisse tatsächlich ausreichend überprüft? Es lohnt sich, die eigenen Annahmen zu hinterfragen und das eigene Verständnis zu überprüfen. Gute Wissenschaft bedeutet auch, bereit zu sein, die eigenen Überzeugungen in Frage zu stellen, denn manchmal hält man zu sehr an ihnen fest – auf Kosten dessen, was die Beweislage aussagt.

Wie sieht es mit transdisziplinärer Forschung aus? Nimmt die Unsicherheit zu, wenn wissenschaftliche Erkenntnisse auf die reale Welt übertragen werden?

Ja, das ist oft der Fall. Ich möchte zum Beispiel verstehen, wie Menschen unter extremer Unsicherheit Entscheidungen treffen. Im Labor kann ich Situationen schaffen, in denen Menschen mit Unsicherheit konfrontiert werden. Dann kann ich streng kontrollierte Experimente durchführen und Theorien überprüfen. Diese Ergebnisse sind innerhalb der wissenschaftlichen Gemeinschaft von Interesse. Aber wie kommen sie Menschen außerhalb der Forschung zugute? Wenn ich diese verschiedenen Gruppen identifizieren kann, könnte ich beispielsweise ein Trainingsprogramm entwickeln, das Menschen hilft, besser mit Unsicherheit umzugehen. Aber dann muss ich erneut fragen: Funktioniert dieses Training tatsächlich? Wie sollte ich die Informationen präsentieren? Welche Methode ist wirksam? Und all diese Fragen bringen zusätzliche Komplexität und zusätzliche Unsicherheit mit sich. Im Labor kann man viele Faktoren kontrollieren. In der realen Welt wirken jedoch zahlreiche Faktoren aufeinander ein, was die Sache erschwert, sie für Forscher*innen aber auch interessanter macht.

Die Wissenschaft arbeitet mit Daten und Modellen. Wie zuverlässig sind diese wirklich?

Ein Teil des Problems liegt immer in der Messung. Wir müssen uns fragen: Ist unsere Messung zuverlässig? Sind unsere Messinstrumente valide? Das heißt: Messen sie tatsächlich das, was wir behaupten, dass sie messen? Das ist eine grundlegende Frage in allen Wissenschaften. Wir versuchen, Unsicherheiten durch den Einsatz verschiedener Methoden und das Sammeln zusätzlicher Belege zu verringern. Doch selbst dann müssen wir berücksichtigen, dass Ergebnisse durch Annahmen und Messprobleme beeinflusst werden können.

Was kann Messprobleme verursachen?

Wir stehen immer vor einem Problem, weil wir versuchen, etwas in der Realität zu messen. Als wissenschaftliche Gemeinschaft müssen wir uns darauf einigen, welche Messungen aussagekräftig sind und welche Methoden wir zur Gewinnung von Belegen einsetzen können. Und wir müssen unterscheiden können: Ist das, was wir gefunden haben, tatsächlich ein Phänomen, oder ist es nur zufällig passiert? Deshalb haben wir statistische Methoden. Konfidenzintervalle, p-Werte, Effektgrößen – all das ist letztlich Teil der Infrastruktur, mit der wir versuchen zu bestimmen, wie genau unsere Ergebnisse sind, die wir auf der Grundlage der von uns verwendeten Messungen gewinnen. Man kann also nicht einfach sagen: „Ich lasse die Daten für sich selbst sprechen.“ Das geht nicht, weil die Daten interpretiert werden müssen, und deshalb brauchen wir wirklich eine Theorie, um dies richtig zu tun.

Sie beziehen sich auf die Annahmen, die wir in unsere Forschung einbringen. Es gibt das Konzept des „motivierten Schlussfolgerns“ – die Praxis, Beweise so zu interpretieren, dass sie den eigenen Erwartungen entsprechen. Wie kann ein Forscher diese kognitive Falle vermeiden?

Wenn ich ein Experiment durchführe – zum Beispiel, um eine Entscheidungsstrategie zu testen, die dabei helfen soll, eine effektive Wahl zu treffen – und feststelle, dass sie im Vergleich zur Kontrollgruppe nicht wirksam war, dann muss ich das akzeptieren. Kein Ergebnis ist auch ein Ergebnis. Selbst wenn ich zuvor angenommen hatte, dass die Entscheidungsstrategie funktionieren würde, oder andere zuvor festgestellt hatten, dass sie funktioniert hatte. Ich kann nicht sagen: „Ich weiß, dass meine Annahme richtig ist, also muss das Ergebnis falsch sein.“ Ich muss akzeptieren, was die Daten zeigen, und gleichzeitig die Gründe dafür untersuchen, warum es nicht funktioniert hat, indem ich auf die Theorie zurückgreife sowie die von uns verwendeten Messinstrumente und die statistischen Methoden selbst unter die Lupe nehme.

Künstliche Intelligenz wiegt uns derzeit in falscher Sicherheit. Welchen Rat können Sie jungen Menschen im Umgang mit generativer KI geben?

Seid skeptisch! Versteht, wie Antworten generiert werden. Diese Systeme sind derzeit nicht darauf ausgelegt, einfach den wissenschaftlichen Prozess zu durchlaufen und neues Wissen zu entdecken. Sie sind darauf ausgelegt, vorhandenes Wissen zu verarbeiten und daraus Antworten zu generieren. Was sie jedoch leisten können, ist, uns dazu anzuregen, bessere und präzisere Fragen zu stellen, was sowohl unsere Fähigkeiten als auch die Antworten verbessert, die uns die KI liefert. Das ist derzeit der Stand der Dinge, aber dies wird sich in Zukunft wahrscheinlich ändern. KI-Systeme werden immer besser darin werden, selbst Fragen zu generieren und durch Experimente Datensätze zu entwickeln, mit denen sich wissenschaftliche Hypothesen überprüfen lassen. In der Wissenschaft haben wir Methoden zur Überprüfung von Wissen entwickelt: Experimente, Replikationen, statistische Verfahren, Peer-Review und kritische Diskussion innerhalb der wissenschaftlichen Gemeinschaft. Wir müssen die Tatsache akzeptieren, dass KI mit uns zusammenarbeiten kann, und das bedeutet, dass wir die grundlegenden Praktiken der wissenschaftlichen Gemeinschaft überdenken müssen.

Möchten Sie KI an Universitäten verbieten?

Nein, im Gegenteil – ich habe tatsächlich ein Problem damit, wie die Wissenschaft oft mit KI umgeht. Wir müssen uns fragen: Wie bereiten wir Studierende darauf vor, verantwortungsvoll mit diesen Technologien umzugehen, wenn sie die Universität verlassen und in die reale Welt eintreten? Ich denke, hier gibt es immer noch großen Widerstand, weil viele akademische Einrichtungen KI einfach ignorieren wollen und schlecht darauf vorbereitet sind, mit den tiefgreifenden Veränderungen umzugehen, die KI mit sich bringt. Nicht zuletzt, weil Studien zeigen, dass KI bei der Lehre von Studierenden genauso gut, wenn nicht sogar besser ist als manche Wissenschaftler*innen. Genau wie in der Forschung müssen wir auch in der Lehre die Fähigkeiten der KI und die Bedürfnisse der Studierenden verstehen, um sie auf die Berufswelt vorzubereiten, in die sie eintreten werden. Ich würde sagen, dass wir vor allem in Lehre und Forschung verstehen müssen, wie man Menschen darin schult, KI kritisch und effektiv zu nutzen – und das gilt sowohl für die Wissenschaftler als auch für die Studierenden.

Wird KI die akademische Welt erheblich verändern?

Ja, das wird sie. Und genau deshalb müssen wir darüber sprechen, wie wir damit umgehen sollen. Sie kann Dinge tun, die wir nicht können, und sie kann Dinge besser tun als wir; daher müssen wir herausfinden, wie sie unsere Fähigkeiten ergänzt, und gleichzeitig sicherstellen, dass KI so gestaltet wird, dass sie mit unseren Werten und Interessen im Einklang steht.

Wenn es nur einen Ratschlag gäbe, den Sie unseren neuen Masterstudierenden und Doktoranden geben würden, welcher wäre das?

Bleiben Sie kritisch und entscheiden Sie, was Sie bereit sind, in Frage zu stellen. Das ist die treibende Kraft hinter den Fragen, die ich stelle, und hinter dem, was ich in meiner Forschung tue. Ein großer Teil wissenschaftlicher Arbeit sollte darin bestehen, kritisch zu bleiben. Wenn jemand eine bestimmte Behauptung aufstellt und plötzlich alle anderen diese Behauptung als gegeben hinnehmen – nun, wenn das passiert, werde ich sofort skeptisch. Es erfordert viel Aufwand, grundlegende Wahrheiten zu etablieren, und um diesen Punkt zu erreichen, haben wir die Verantwortung, starke Behauptungen zu hinterfragen, die mit solcher Überzeugung vorgebracht werden, dass sie jegliche Kritik praktisch ersticken. Genau hier müssen wir die Methoden, die Theorie und die Belege betrachten, um zu beurteilen, wie sicher wir uns bezüglich der aufgestellten Behauptungen sein können.

Vielen Dank für das Gespräch!

Prof. Dr. Magda Osman ist Psychologin und Professorin für Entscheidungsforschung an der University of Leeds sowie Research Fellow an der University of Cambridge. Ihre Forschung konzentriert sich auf Entscheidungsfindung unter Unsicherheit, Risiko, menschliches Handeln und Verhaltensänderung, und sie untersucht die Anwendung psychologischer Erkenntnisse auf die Gestaltung öffentlicher Politik.