Hauptnavigation

Proseminar: Informationsgewinn durch Experimente

Veranstalter
Prof. Dr. Dr. Wolfgang Rhode
Prof. Dr. Katharina Morik

Aktuelles

Die Vorbesprechung zu diesem Proseminar fand statt am Mittwoch, dem 22. Juli 2009 um 14.00 Uhr in Raum 324, GB V.

Inhalt

Wissenschaft soll Wissen schaffen. Was unterscheidet Wissenschaft von Nicht-Wissenschaft? Was macht normales wissenschaftliches Arbeiten aus? Was passiert bei so genannten wissenschaftlichen Revolutionen? Ein prominentes Beispiel für eine solche Revolution auf dem Feld der Physik ist der Übergang vom geozentrischen Weltbild der Antike und des Mittelalters hin zu der Annahme, dass in Wahrheit die Erde um die Sonne kreist. Neben diesen grundlegenden Problemen beschäftigt sich die Wissenschaftsphilosophie auch mit den angewandten Methoden der Naturwissenschaften. Wie viele theoretische Überlegungen muss etwa in den Aufbau eines Experiments investiert werden und ist das gemessene Ergebnis dann noch objektiv oder abhängig von der Ausgangstheorie? Sind Messergebnisse "Beweise" für Theorien? Diese Gedankengänge führen schließlich dazu, dass die Möglichkeiten der Erkenntnis an sich auf dem Prüfstand stehen: Gibt es eine objektive Realität und ist der Mensch dazu befähigt diese zu erkennen?

In der Physik lassen sich Elementarteilchen nicht einfach sensorisch oder durch den Einsatz simpler Messapparate nachweisen. Komplexe Versuchsaufbauten, die sich oft auf nicht weniger umfassende Rechenmodelle stützen, sind nötig bei der Erforschung der kleinsten Teile der Materie. Das bietet Wissenschaftstheoretikern die Möglichkeit zu untersuchen, welche Theorie- und Modellbildungsprozesse in die experimentelle Praxis einfließen.

In der Künstlichen Intelligenz wurde zunächst die Tätigkeit des Wissenserwerbs bei einzelnen Individuen untersucht und durch Programme modelliert, bevor die Wissenschaft als Society of Minds betrachtet und Systeme zur Unterstützung der Zusammenarbeit entwickelt wurden. Das relativ junge Gebiet des Data Mining betrachtet nun Daten als Gegebenes und entwickelt Algorithmen, die auf diesen Daten Experimente durchführen, die zu neuen und interessanten Informationen führen sollen. Die Experimente werden dabei von den Datenanalysten mit Hilfe von Werkzeugen entworfen. Das Teilgebiet des Active Learning bestimmt eine möglichst minimale Menge von Anfragen an die Datensammlung, mit denen eine Hypothese verifiziert oder falsifiziert werden könnte.

Folien

  • Informationsgewinn durch Experimente (als PPT/PDF)
  • Kim Quermann: Bacon, Descartes, Locke, Berkeley, Hume (als PDF)
  • Fabian Pawlowski, Hendrik Borghorst, Simon Theler: Roger Penrose (als PDF)
  • Ella Albrecht: Kuhn (als PDF)
  • Viktor Marinov, Tilo Schulz: Das klassische Experiment (als PPTX/PDF)
  • Niels Lategahn: Ökologie des Geistes (als PDF)
  • Christoph Nöllenheidt: Data Mining als Experiment (als PDF)
  • Annemarie Fischer, Jos Kusiek: Raffinierter Falsifikationismus (als ZIP)

Literatur

Literaturhinweise folgen noch.