Računalni model može točno predvidjeti ishod, a da njegov autor još ne razumije sve uzroke koji do njega dovode. Upravo tu razliku razmatraju trojica istraživača u eseju o znanosti: uspješno predviđanje može stvoriti osjećaj da je pojava potpuno objašnjena, iako važna pitanja ostaju otvorena.
Richard Shiffrin sa Sveučilišta Indiana, Stephen Stigler sa Sveučilišta u Chicagu i Frank Keil sa Sveučilišta Yale autori su rada Illusions of Understanding in the Sciences, objavljenog 30. travnja 2026. u časopisu Computational Brain & Behavior. Na njihove se argumente 2. studenoga osvrnuo Phys.org, prenoseći tekst Sveučilišta Indiana. Riječ je o raspravnom eseju, a ne o novom pokusu kojim bi se mjerilo koliko znanstvenici razumiju vlastite teorije.
Predvidjeti rezultat nije isto što i objasniti uzrok
Autori polaze od toga da razumijevanje nije jednostavna podjela na znanje i neznanje. Istraživač može znati dovoljno da osmisli koristan pokus, izradi tehnologiju ili precizno procijeni što će se dogoditi, a da pritom ne poznaje sve mehanizme promatrane pojave. Problem nastaje kada takvo djelomično znanje zamijeni za potpuno objašnjenje.
Zamislimo da podaci pokazuju kako učenici koji više uče postižu bolje rezultate na ispitu. Matematički model može dobro opisati tu povezanost i predviđati ocjene. Sam po sebi, međutim, ne otkriva koliki je doprinos dodatnog sata učenja, a koliki prethodnog znanja, motivacije ili uvjeta kod kuće. Za zaključivanje o uzroku potrebno je ispitati i ta moguća objašnjenja.
Sličan oprez vrijedi za složenije modele. Dobro slaganje izračuna i podataka važna je provjera, ali ne znači da je potvrđen svaki pretpostavljeni mehanizam. Za to su potrebni dodatni testovi kojima se mogu razlikovati suparnička objašnjenja istog rezultata.
Zašto su krenuli od linearne regresije
Shiffrin, Stigler i Keil velik dio eseja posvećuju linearnoj regresiji, postupku koji se često koristi za opis povezanosti među veličinama. Najjednostavnije rečeno, istraživač kroz skup točaka na grafikonu provlači pravac koji najbolje opisuje njihov odnos. Time može procijeniti, primjerice, kako se prinos usjeva mijenja s količinom kiše.
Postupak je toliko raširen da se lako smatra potpuno razumljivim. Autori, međutim, pokazuju koliko se različitih pitanja krije iza jednostavnog pravca: kako su prikupljeni podaci, koje su veličine izostavljene i što rezultat zapravo dopušta zaključiti. Spajanje različitih skupina podataka može čak dati drukčiji dojam o odnosu od onoga koji se vidi u svakoj skupini zasebno.
Njihova poanta nije da regresija ne vrijedi, nego da poznavanje postupka nije isto što i razumijevanje svih uvjeta njegove primjene. Precizan broj na kraju računa ne uklanja ograničenja podataka ni pretpostavke od kojih je račun krenuo.
Znati gdje se nešto događa još ne objašnjava kako
U eseju razlikuju više načina na koje možemo precijeniti vlastito razumijevanje. Jedan je uvjerenje da pojavu poznajemo mnogo detaljnije nego što je doista poznajemo. Drugi je pretpostavka da stručnjaci imaju potpuno objašnjenje, čak i kada sami nismo sigurni kako ono glasi.
Treći nastaje kada odgovorimo na srodno pitanje pa pomislimo da smo riješili ono početno. Poznavanje moždane regije važne za pamćenje, primjerice, još nije objašnjenje svih procesa kojima nastaje sjećanje. Kozmos je pisao o pokusima koji ciljanim djelovanjem na sinapse ispituju njihovu ulogu u pamćenju. Upravo takve intervencije mogu pomoći provjeriti uzročnu ulogu pojedinog procesa, umjesto da se istraživanje zaustavi na njegovoj povezanosti s ponašanjem.
Nepotpuno znanje ne znači da su svi zaključci jednako nesigurni
Autori izričito priznaju uspjehe znanosti. Djelomična objašnjenja omogućila su razvoj korisnih tehnologija i velik napredak u razumijevanju prirode. Ona se mogu nadograđivati i provjeravati, a da prethodno znanje zbog toga ne izgubi svaku vrijednost.
Ključna je razlika između onoga što podaci pouzdano pokazuju i šire priče kojom ih pokušavamo objasniti. Činjenica da model ima granice nije razlog da se dobro potvrđen nalaz odbaci. Razlog je da se jasno navede što je ispitano, pod kojim uvjetima i koja pitanja još traže odgovor.
Esej zato zagovara uspoređivanje različitih teorijskih pristupa, metoda i analiza. Za istraživače to znači stalno provjeravati koliko daleko njihovo objašnjenje doseže. Za čitatelja znanstvenih vijesti korisno je jedno konkretno pitanje: opisuje li novi rad povezanost, uspješno predviđa ishod ili pokusom ispituje što ga uzrokuje?
