Kontextuelle und globale Falsifikation wissenschaftlicher Modelle

2.1 Popper: Falsifikation als binäres Ideal

Popper ([1934] 1959) formuliert Falsifikation als methodologisches Gegenmodell zu Verifikation: Wissenschaftliche Theorien müssen so beschaffen sein, dass sie an möglichen Beobachtungen scheitern können. In der klassischen und häufig rezipierten Popper’schen Struktur erscheint Falsifikation dabei als idealtypisch binärer Test theoretischer Geltung. Diese Struktur setzt starke Bedingungen voraus: relativ globale Geltungsansprüche, eindeutige Theorie-Beobachtung-Zuordnungen und hinreichend klar isolierbare Prüfbedingungen. Gerade idealisierte, approximative und simulierte Modelle passen nur begrenzt zu dieser binären Struktur. Die Spannung zwischen Poppers Ideal und realer Modellpraxis ist in der Literatur vielfach beschrieben worden (Hacking 1983; Cartwright 1983), wurde jedoch selten in eine systematische Theorie kontextueller Falsifikation überführt.

2.2 Duhem-Quine: Unterbestimmtheit empirischer Tests

Die Duhem-Quine-Problematik zeigt, dass empirische Tests selten isolierte Theorien betreffen, sondern Bündel aus Modellannahmen, Hilfshypothesen, Messpraktiken und Hintergrundbedingungen. Der hier entwickelte Rahmen übernimmt diese Einsicht, rekonstruiert sie jedoch domänenrelativ: Entscheidend ist nicht nur, welche Annahme durch eine Abweichung betroffen ist, sondern ob daraus lokale Revision, Domänenbegrenzung oder globale Modellablösung folgt. Falsifikation erscheint damit nicht als unmittelbare logische Negation eines Einzelmodells, sondern als strukturierte Veränderung von Modellgeltung innerhalb bestimmter Prüf- und Anwendungsbedingungen.

2.3 Kuhn: Anomalien ohne Eliminierung

Kuhn (1962) zeigt, dass wissenschaftliche Paradigmen Anomalien überstehen. Er beschreibt jedoch keine fein strukturierte Theorie modellbezogener Falsifikation. Der Mangel besteht insbesondere darin, dass Kuhn nicht spezifiziert, wie sich Anomalien über Subdomänen verteilen und warum sie manche Modelle kaum beeinträchtigen, andere aber untergraben. Die Literatur betont zwar Kuhns historische und soziologische Perspektive, doch fehlt eine formal präzise Modelltheorie des Umgangs mit Subdomänen (vgl. Lakatos 1970; Weisberg 2013).

2.4 Lakatos: Forschungsprogramme

Lakatos (1970) erklärt Stabilität über einen „harten Kern“, ohne jedoch zu bestimmen, wann Modelle tatsächlich verschwinden. Zudem bleibt unklar, wie konkurrierende Programme im Detail gegeneinander abgewogen werden sollen, insbesondere wenn beide partiell, aber nicht global, falsifiziert sind. Gerade hier zeigt sich, dass Lakatos’ Programmstruktur kein formales Instrument zur Bewertung domänenspezifischer Approximate Truth bereitstellt.

2.5 Modelltheorie

Modelltheoretische Ansätze (Cartwright 1983; Weisberg 2013; Morgan und Morrison 1999) betonen die idealisierte und domänenspezifische Natur wissenschaftlicher Modelle, liefern aber keine Theorie, wie Falsifikation in solchen Strukturen wirkt oder wie Modelle systematisch gegeneinander abgewogen werden. Ergänzend zeigen Erklärungstheorien, dass explanatorische Kraft unterschiedlich rekonstruiert werden kann: etwa als Vereinheitlichung vieler Phänomene unter wenige Erklärungsmuster (Kitcher 1981, 1989) oder als kausal-interventionelle Aufschlusskraft über mögliche Veränderungen (Woodward 2003). Ähnliche Einsichten wurden auch in Debatten über Modellpluralismus, Idealisierung, Robustheit und Simulation entwickelt. Arbeiten zu pluralistischer Wissenschaftspraxis, zu isolierenden Modellierungsstrategien und zu simulationsbasiertem Wissen zeigen, dass wissenschaftliche Modelle häufig nicht als globale Abbilder, sondern als selektive, domänengebundene und zweckabhängige Strukturen fungieren. Der Eigenbeitrag des vorliegenden Papers besteht daher nicht darin, die Domänengebundenheit wissenschaftlicher Modelle erstmals zu behaupten, sondern darin, diese Einsicht mit einer zweistufigen Theorie kontextueller und globaler Falsifikation, einer rekonstruktiven Nutzenstruktur und dem epistemischen Ermöglichungsraum E(t) zu verbinden.

2.6 Approximate Truth

Niiniluoto (1987, 1998) und Oddie (1986) bieten graduelle Wahrheitskonzepte, erklären aber nicht, warum manche Modelle trotz Teilfalsifikationen weiterbestehen, während andere vollständig verschwinden. Besonders fehlt die Kopplung von Approximate Truth an Nutzungskontexte, Modellkosten und institutionelle Stabilisierung. Damit bleibt unklar, wie graduelle Wahrheitsgrade in realen Modellportfolios operativ wirken sollen.

2.7 Forschungslücke

Die einschlägige Forschung hat bereits zahlreiche Elemente bereitgestellt, die für eine Theorie moderner Modellbewertung zentral sind: die Unterbestimmtheit empirischer Tests, die Persistenz von Anomalien, die Stabilität von Forschungsprogrammen, die Domänengebundenheit wissenschaftlicher Modelle, graduelle Wahrheitsnähe, Modellpluralismus, Robustheitsanalysen und Verfahren statistischer Modellselektion. Was jedoch weitgehend fehlt, ist ein integrierter Rahmen, der diese Einsichten ausdrücklich auf die Unterscheidung zwischen kontextueller und globaler Falsifikation bezieht. Die Forschungslücke liegt daher nicht in der Behauptung, dass Modelle domänenspezifisch, idealisiert oder plural organisiert sind. Sie liegt in der systematischen Kopplung von domänenrelativer Modellgeltung, relativer epistemischer Konkurrenzfähigkeit, Modellkosten, verfügbaren Alternativen und dem epistemischen Ermöglichungsraum E(t). Ein solcher Rahmen muss zugleich erklären:

• wann Falsifikation global wirkt,
• wann sie kontextuell bleibt,
• wie Approximate Truth innerhalb spezifischer Domänen funktioniert,
• wie Modellkosten und explanatorische Kraft in Modellentscheidungen eingehen,
• wie verfügbare Alternativen die relative Konkurrenzfähigkeit eines Modells bestimmen,
• wie der epistemische Ermöglichungsraum E(t) die Menge realer Modellalternativen begrenzt und ermöglicht.

Der hier vorgeschlagene Rahmen setzt genau an dieser Lücke an. Er behandelt Falsifikation nicht als isoliertes logisches Ereignis, sondern als Veränderung der relativen Modellgeltung innerhalb einer Domäne. Dadurch werden Anomalien, Modellpersistenz, Approximate Truth, Modellkosten und verfügbare Alternativen nicht getrennt betrachtet, sondern als miteinander verbundene Dimensionen wissenschaftlicher Modellbewertung rekonstruiert. Dies ist insbesondere für datenintensive, simulationsbasierte Wissenschaften relevant, in denen kontextuelle Falsifikation und Modellportfolios zur Standardpraxis geworden sind.

2.8 Eigenbeitrag des Papers

Das vorliegende Paper leistet vier miteinander verbundene Beiträge zur Wissenschaftstheorie und Modellphilosophie. Es versteht sich als lokale wissenschaftstheoretische Spezialarchitektur innerhalb eines allgemeineren Verständnisses von Modellmanagement unter endlichen Bedingungen. Sein Ziel besteht nicht darin, eine unabhängige Metatheorie neben diesem Rahmen zu entwickeln, sondern die allgemeinen Begriffe von Modellgeltung, Domänenbindung, Kosten, Friktion und Revision für den Spezialfall wissenschaftlicher Falsifikation formal anschlussfähig zu machen.

1. Der Begriff des epistemischen Ermöglichungsraums E(t).
   E(t) wird als dynamische Struktur methodischer, technischer und institutioneller Bedingungen expliziert, die bestimmt, welche Modelle formulierbar, evaluierbar und stabilisierbar sind. Damit wird eine Dimension präzise modelliert, die in der klassischen Falsifikationstheorie Poppers nur implizit oder gar nicht berücksichtigt wird.
2. Die zweistufige Falsifikationsstruktur.
   Das Paper unterscheidet strikt zwischen kontextueller und globaler Falsifikation. Globale Falsifikation wird nicht mehr als binärer Wahrheitsbruch verstanden, sondern als Zustand, in dem ein Modell unter den Bedingungen von E(t) in keiner relevanten Domäne D epistemisch konkurrenzfähig bleibt. Diese Struktur rekonstruiert die Stabilität partiell falsifizierter Modelle systematisch.
3. Die integrierte Nutzenfunktion U(M, D, t).
   Mit der Nutzenfunktion

U(M, D, t) = α · AT(M, D, t) + β · EK(M, D, t) − γ · C(M, D, t)

wird ein Rahmen vorgeschlagen, der Approximate Truth, explanatorische Kraft und Modellkosten in einer einzigen Bewertungsstruktur zusammenführt und explizit an E(t) bindet. Die Funktion ist so formuliert, dass sie mit etablierten Gütemaßen und Selektionskriterien (Fit-Metriken, Informationskriterien, Komplexitätsmaßen) der einzelnen Disziplinen kompatibel gehalten werden kann.

4. Die Anwendung auf simulationsbasierte Modellportfolios.
   Am Beispiel von Klimamodellen wird gezeigt, wie Ensemble-Strukturen, Parametrisierungen und adaptive Gewichtungsverfahren innerhalb des vorgeschlagenen Rahmens als Fälle kontextueller Falsifikation und domänenspezifischer Modellrevision rekonstruiert werden können. Dadurch wird die Theorie unmittelbar an eine zentrale Klasse moderner, daten- und simulationsintensiver Modellpraktiken anschlussfähig, ohne zu behaupten, dass alle Klimamodelle selbst einem einheitlichen bayesianischen Aktualisierungsmechanismus folgen.

5.1 Begrenzung von Immunisierungswegen

Die theoretische Belastbarkeit der zweistufigen Falsifikationsstruktur hängt davon ab, dass drei systematisch verbundene Immunisierungswege ausgeschlossen werden. Erstens darf der Toleranzbereich ε nicht zu einer unbegrenzten Schutzklausel für geschwächte Modelle werden. Er bezeichnet nur jene Zone, innerhalb derer Konkurrenzfähigkeit nach den in einer Domäne anerkannten Fehler-, Unsicherheits- und Bewertungsstandards weiterhin plausibel bleibt. Zweitens darf die Relevanz einer Domäne nicht aus dem Verteidigungsinteresse des jeweils untersuchten Modells abgeleitet werden. Eine relevante Domäne muss durch bestehende wissenschaftliche Praxis, Zielgrößen, Prüfverfahren, Anwendungskontexte oder anerkannte Bewertungsordnungen unabhängig stabilisiert sein. Drittens darf Domänenzerlegung nicht als Ad-hoc-Rettung fungieren. Sie ist nur dann epistemisch legitim, wenn sie neue prüfbare Unterschiede sichtbar macht, Fehlerquellen diagnostisch trennt, Modellanwendungen präzisiert oder neue Erklärungs-, Prognose- oder Interventionsleistungen ermöglicht.

Diese drei Begrenzungen wirken zusammen. Eine Theorie kontextueller Falsifikation, die nur eine dieser Grenzen einzieht, bleibt offen für Immunisierung über die anderen: über ein zu weites ε, über künstlich erzeugte Restdomänen oder über bloß defensive Subdomänenbildung. Kontextuelle Falsifikation ist daher nur dann rational rekonstruierbar, wenn Toleranzbereiche, Domänenrelevanz und Domänenzerlegung jeweils durch externe disziplinäre Standards, bestehende Praxisformen und neue epistemische Anschlussleistungen begrenzt werden. So könnte etwa ein Modell, dessen Toleranzbereich ε disziplinär gut begrenzt ist, dennoch durch eine bloß defensive Subdomänenbildung erhalten werden, wenn diese nicht durch unabhängige Praxisstandards oder neue epistemische Anschlussleistungen gedeckt ist.

7.1 Robustheit durch Modellfamilien

Viele Modelle existieren nicht als Einzelstrukturen, sondern als ganze Modellfamilien. Falsifikation betrifft daher meist Varianten oder spezifische Parametrisierungen, nicht die gesamte Modellklasse. Modellfamilien besitzen strukturelle Redundanzen, die es erlauben, Fehler in einigen Teilmodellen zu kompensieren, ohne den Gesamtansatz aufzugeben. Dies erklärt, warum Falsifikation oft lediglich zu lokaler Revision, interner Regewichtung oder Einschränkung des Geltungsbereichs führt, nicht zu einer Eliminierung der gesamten Klasse. Diese Beobachtung ist konsistent mit der modelltheoretischen Literatur, in der Modellfamilien als strukturierte Räume möglicher Varianten beschrieben werden (Weisberg 2013). Die hier eingeführte Domänenstruktur präzisiert diesen Ansatz, indem sie zeigt, wie Stabilität und Variation innerhalb einer Modellklasse formal voneinander abhängig sind.

7.2 Nutzungskontexte

Modelle bleiben aus unterschiedlichen Gründen erhalten. Einige dieser Gründe begründen epistemische Konkurrenzfähigkeit innerhalb relevanter Domänen, andere erklären lediglich historische, didaktische oder institutionelle Persistenz.

Modelle können weiterhin wissenschaftlich relevant bleiben, weil sie:

• in bestimmten Domänen erklärkräftig oder prognostisch brauchbar sind,
• rechnerisch effizient bleiben,
• technisch zuverlässig implementierbar sind,
• als stabile Bausteine innerhalb größerer Modellarchitekturen fungieren.

Daneben können Modelle auch didaktisch, historisch oder illustrativ fortbestehen. Diese Formen der Restnutzung erklären ihre kulturelle oder institutionelle Persistenz, begründen aber für sich genommen keine relevante Domäne im Sinne globaler epistemischer Konkurrenzfähigkeit. Technische Standardisierung kann diese Persistenz zusätzlich stabilisieren, begründet aber für sich genommen noch keine epistemische Konkurrenzfähigkeit.

Kontextuelle Falsifikation korrigiert Domänen, eliminiert aber das Modell nicht. Die Persistenz von Modellen in D₁, trotz Falsifikationen in D₂, ergibt sich damit aus der Nutzenstruktur U(M, D₁, t) sowie aus der Stabilisierung institutioneller und technischer Kontexte im epistemischen Ermöglichungsraum E(t). Die Existenz stabiler Nutzungskontexte ist eine Funktion des epistemischen Ermöglichungsraums E(t): Institutionen, Datenformate, Softwarebibliotheken und Ausbildungsstrukturen sichern Modelle unabhängig von ihrer globalen Approximate Truth. Dadurch wird erklärbar, warum Modelle, deren Nutzenstruktur in einer Subdomäne D₂ geschwächt ist, in einer anderen Domäne D₁ weiterhin rational verwendet werden können. Dies entspricht der in vielen Wissenschaften beobachtbaren Praxis, Modelle als werkzeugartige Bausteine zu verwenden, deren Geltung kontextabhängig ist und nicht global beurteilt wird.

8.1 Klimamodelle als Ensemble-Struktur

Klimamodelle sind keine Einzelmodelle, sondern komplexe Ensembles aus verschiedenen Modellvarianten und Szenarien (Oreskes et al. 1994):

Ensemble = {M₁, M₂, …, Mn}

Dieses Ensemble erlaubt die Kombination verschiedener physikalischer Annahmen, Parametrisierungen und Anfangsbedingungen.

Falsifikation betrifft daher selten das gesamte Ensemble, sondern spezifische Komponenten:

• Ozeanmodelle,
• atmosphärische Parametrisierung,
• Wolkenprozesse,
• biogeochemische Module.

Das Ensemble als Ganzes bleibt epistemisch stabil, selbst wenn einzelne Komponenten modifiziert oder ersetzt werden. Dies entspricht der etablierten Modellpraxis in der Klimawissenschaft, in der Ensembles ausdrücklich als epistemische Stabilitätsmechanismen fungieren (vgl. Oreskes et al. 1994; IPCC 2021). Die Domänenstruktur des Ensembles ist daher stabiler als die der Einzelmodelle.

8.2 Parametrisierung als epistemische Operation

Viele klimarelevante Prozesse können nicht aus grundlegenden physikalischen Gleichungen in voller Auflösung berechnet werden. Parametrisierungen dienen als epistemische Brücken zwischen physikalischer Theorie und numerischer Machbarkeit.

Falsifikation markiert typischerweise die Grenzen solcher Parametrisierungen. Dies führt zu lokalen Domänenanpassungen, in denen nicht notwendig das Gesamtmodell verworfen wird, sondern die Nutzenstruktur eines Teilmodells oder einer Parametrisierung innerhalb einer bestimmten Subdomäne sinkt:

U(M, D₂, t) ↓ → Rev(M, D₂) oder D(M)’ = D(M) \ D₂.

Parametrisierungen sind damit keine bloßen Näherungstechniken, sondern operationale Domänendefinitionen, deren Anpassung ein zentraler Mechanismus kontextueller Falsifikation ist. Der Gesamtansatz bleibt dabei erhalten, solange das Modell oder die Modellfamilie in anderen relevanten Domänen epistemisch konkurrenzfähig bleibt.

8.3 Bayesian Updating und adaptive Modellierung

In der Bewertung, Gewichtung und Kombination von Klimamodellen können bayesianische Verfahren eingesetzt werden, etwa im Kontext von Modellgewichtung, Ensemble-Auswertung oder probabilistischer Projektion:

Posterior ∝ Likelihood × Prior

Diese Formel dient hier nicht als Behauptung, dass Klimamodelle generell einem einheitlichen bayesianischen Aktualisierungsmechanismus folgen. Sie steht vielmehr idealtypisch für eine Klasse redistributiver Bewertungsverfahren, in denen empirische Abweichungen nicht notwendig zur Eliminierung eines Gesamtmodells führen, sondern die relative Gewichtung von Teilmodellen, Parametrisierungen oder Modellvarianten verändern können.

Eine schlechter prognostizierte Variable kann die Likelihood eines Teilmodells oder einer Parametrisierung reduzieren und damit seine domänenspezifische Approximate Truth AT(M, D₂, t) schwächen. Dies führt jedoch nicht notwendig zur Eliminierung des gesamten Ensembles. Vielmehr können alternative Parametrisierungen, Modellvarianten oder Submodelle innerhalb des Modellportfolios stärker gewichtet werden, wenn sie in der betreffenden Domäne höhere epistemische Konkurrenzfähigkeit erreichen.

Zugleich ist in der realen Klimamodellierung Vorsicht geboten. Die Philosophie der Klimamodellierung hat wiederholt gezeigt, dass Ensemble-Übereinstimmung nicht unmittelbar in epistemische Sicherheit übersetzt werden darf. Modellgewichtungen sind umstritten, weil Klimamodelle häufig nicht statistisch unabhängig sind, gemeinsame Modellgenealogien besitzen, ähnliche Parametrisierungen teilen oder korrelierte Fehlerstrukturen aufweisen. Robustheit über mehrere Modelle hinweg ist daher nur dann stark belastbar, wenn sie nicht bloß dieselben Hintergrundannahmen, Datenstrukturen oder Fehlerquellen reproduziert, sondern durch hinreichend unabhängige Evidenzlinien, Modellvergleiche oder Prozessverständnisse gestützt wird. Genau deshalb ist Klimamodellierung ein besonders geeigneter Fall für die hier entwickelte Theorie: Sie zeigt, dass Modellgeltung nicht allein über Fit oder Ensemble Agreement bestimmt werden kann, sondern nur durch das Zusammenspiel von Approximate Truth, explanatorischer Kraft, Unsicherheit, Modellkosten, verfügbaren Alternativen und E(t). Bayesian Updating wird hier daher nicht als universales Verfahren der Klimamodellbewertung eingeführt, sondern als formale Illustration dafür, wie Falsifikation innerhalb komplexer Modellportfolios redistributiv wirken kann. Für die hier entwickelte Theorie ist entscheidend, dass solche Verschiebungen als domänenspezifische Veränderung relativer Konkurrenzfähigkeit innerhalb eines Modellportfolios rekonstruiert werden können, unabhängig davon, ob die konkrete Disziplin bayesianische, frequentistische, heuristische oder ensemblebasierte Bewertungsverfahren verwendet.

8.4 Domänenstruktur

Die Funktionsbereiche von Klimamodellen lassen sich idealtypisch gliedern:

• D₁: globale Temperaturtrends,
• D₂: regionale Niederschlagsmuster,
• D₃: Extremereignisse,
• D₄: kurzfristige Klimavariabilität, etwa ENSO oder AMO.

Diese Domänen unterscheiden sich hinsichtlich Datenlage, räumlicher und zeitlicher Auflösung, Unsicherheitsbreite und prognostischer Stabilität. Globale Temperaturtrends gelten in vielen Bewertungszusammenhängen als robuster rekonstruierbar als regionale Niederschlagsmuster, Extremereignisse oder kurzfristige Variabilität. Daraus folgt jedoch keine einfache Hierarchie absoluter Modellgeltung. Vielmehr zeigt sich, dass die epistemische Tragfähigkeit von Klimamodellen domänen-, skalen- und szenarioabhängig bewertet werden muss. Gerade deshalb eignet sich die Klimamodellierung als Beispiel kontextueller Falsifikation: Abweichungen in einzelnen Subdomänen schwächen nicht notwendig die gesamte Modellfamilie, sondern führen häufig zu lokaler Revision, Regewichtung oder Domänenpräzisierung.

8.5 Miniaturisierte formale Illustration

Zur Verdeutlichung kann ein vereinfachtes Beispiel dienen. Aus Gründen der Übersichtlichkeit wird der Zeitindex t in dieser Miniatur weggelassen.

Seien zwei Modelle M und M* verfügbar, die in zwei Domänen D₁ und D₂ verglichen werden.

AT(M, D₁) = 0.9, EK(M, D₁) = 0.8
AT(M*, D₁) = 0.7, EK(M*, D₁) = 0.8

AT(M, D₂) = 0.4, EK(M, D₂) = 0.5
AT(M*, D₂) = 0.8, EK(M*, D₂) = 0.9

Für moderate Kosten C(M) ≈ C(M*) gilt:

• In D₁ bleibt M epistemisch optimal.
• In D₂ wird M* optimal.
• Global folgt daraus keine Eliminierung von M, solange M in D₁ epistemisch optimal oder konkurrenzfähig bleibt.

Dies veranschaulicht den Grundsatz:

Kontextuelle Falsifikation schwächt die Nutzenstruktur eines Modells in einer bestimmten Domäne D₂, ohne dass dadurch notwendig seine Geltung in D₁ oder seine Rolle innerhalb eines Modellportfolios zerstört wird. Diese Struktur ist charakteristisch für viele simulationsbasierte Wissenschaften, nicht nur für die Klimaforschung.

8.6 Konsequenzen für den epistemischen Status

Klimamodelle werden häufig nach dem Popper’schen Schema beurteilt:

„Eine fehlerhafte Vorhersage zeigt, dass das Modell falsch ist.“

Dies ist wissenschaftstheoretisch unzutreffend (Oreskes et al. 1994). Korrekt ist: Falsifikation wirkt domänenspezifisch und zeigt an, welche Subkomponenten weiterentwickelt werden müssen. Dies verdeutlicht, dass die Popper’sche Eliminationslogik für simulationsbasierte Modellarchitekturen unzureichend ist und durch eine domänenspezifische Nutzenstruktur ersetzt werden muss.

Die Fallstudie zu Klimamodellen dient als illustrative Anwendung einer modernen, daten- und simulationsintensiven Modellarchitektur. Sie zeigt exemplarisch, wie Ensemble-Strukturen, Parametrisierungen und adaptive Gewichtungen als Fälle kontextueller Falsifikation und domänenspezifischer Modellrevision rekonstruiert werden können. Die Struktur der Analyse ist grundsätzlich auf andere Modellarchitekturen übertragbar, etwa klassische physikalische Modelle, ökonomische Modelle, epidemiologische Modelle oder KI-Modellarchitekturen. Diese Übertragbarkeit ist jedoch als theoretische Anschlussfähigkeit zu verstehen, nicht als bereits abgeschlossene empirische Prüfung in allen genannten Bereichen.

10.1 Historische Gründe

Vor dem digitalen Zeitalter wurden viele wissenschaftliche Modelle analytisch formuliert, sodass Domänenstrukturen weniger sichtbar waren. Erst numerische Simulationen und großskalige Datenmodelle machten kontextuelle Falsifikation zu einem zentralen Bestandteil wissenschaftlicher Praxis.

10.2 Logische Gründe

Poppers Ansatz war primär als methodologisches Abgrenzungs- und Prüfprinzip formuliert. Für die Analyse moderner Modellpraxis erscheint jedoch die daraus häufig abgeleitete binäre Eliminationsstruktur zu grob. Moderne Modelle sind häufig approximativ, domänenspezifisch und dynamisch rekalibrierbar. Ein rein binäres Verständnis von Falsifikation ist hierfür ungeeignet, weil Approximate Truth über Domänen hinweg unterschiedlich ausfallen kann und empirische Abweichungen nicht notwendig das Modell als Ganzes betreffen. Dies zeigt, dass klassische logische Falsifikationsstrukturen die operative Komplexität moderner Modellpraktiken nur begrenzt erfassen, solange sie graduelle Approximation, Domänenbindung und Relevanzgewichtungen nicht explizit abbilden.

10.3 Institutionelle Gründe

Wissenschaftliche Praxis ist eingebettet in:

• Rechenkapazitäten,
• Datennormen,
• Peer-Review-Strukturen,
• Forschungsförderung,
• technologische Infrastrukturen.

Diese Faktoren formen den epistemischen Ermöglichungsraum E(t) und bestimmen damit, welche Modelle formulierbar und stabilisierbar sind. Poppers Ansatz modelliert diese Dimension nicht explizit. In der hier eingeführten Theorie ist E(t) dagegen explizit als strukturierende Kraft institutioneller und technischer Rahmenbedingungen modelliert und bildet damit eine zentrale epistemische Variable.

11.1 Dynamik des epistemischen Ermöglichungsraums

Der epistemische Ermöglichungsraum E(t) verändert sich mit technischer, methodischer und institutioneller Entwicklung. Er ist dabei nicht nur ein Ermöglichungsraum, sondern zugleich ein Begrenzungsraum: Er bestimmt, welche Modelle formulierbar, prüfbar, vergleichbar und stabilisierbar sind, begrenzt aber ebenso, welche Alternativen überhaupt sichtbar, anschlussfähig oder institutionell akzeptabel werden. Ein Modell kann zu einem Zeitpunkt epistemisch optimal sein und zu einem späteren Zeitpunkt nicht mehr, ohne dass sich seine interne Struktur verändert hat. Entscheidend ist, dass sich E(t) selbst verändert: neue Daten, Methoden, Rechenkapazitäten oder Standards verschieben die Menge verfügbarer Alternativen und damit die relative Modellgeltung. Zugleich wirken erfolgreiche Modelle auf E(t) zurück, indem sie Datenformate, Recheninfrastrukturen, institutionelle Standards und Forschungspraktiken etablieren. Damit entsteht eine wechselseitige Dynamik: E(t) ermöglicht und begrenzt Modellwahl, während stabilisierte Modelle den künftigen Ermöglichungsraum selbst mitprägen.

Wesentliche Einflussfaktoren sind:

1. Datenwachstum und verbesserte Messsysteme,
2. neue mathematische Methoden,
3. steigende Rechenleistung,
4. institutionelle Normierungsprozesse,
5. Entwicklung wissenschaftlicher Diskurse.

Diese Faktoren können als Veränderungsoperatoren ΔE(t) aufgefasst werden, die den epistemischen Ermöglichungsraum systematisch erweitern oder einschränken.

E(t) strukturiert:

• die Menge der real verfügbaren Modelle,
• die Struktur ihrer Domänen,
• ihre Kosten C(M, D, t),
• die verfügbaren Alternativen M*.

Damit ist der epistemische Ermöglichungsraum der zentrale Rahmenparameter der Modellwahl. In wissenschaftshistorischer Perspektive erklärt der Begriff E(t), warum Modellwechsel oft durch technologische und institutionelle Neuerungen ausgelöst werden, die erst neue Modellalternativen formalisierbar machen.

11.2 Struktur des epistemischen Ermöglichungsraums E(t)

Für eine präzisere Analyse lässt sich der epistemische Ermöglichungsraum E(t) in drei funktionale Teilkomponenten gliedern, die zusammen bestimmen, welche Modelle formulierbar und stabilisierbar sind.

1. Eₘ(t): methodisch-mathematische Bedingungen.
   Dazu gehören verfügbare mathematische Verfahren, statistische Methoden, Modellierungsansätze und algorithmische Techniken. Sie bestimmen, welche Modelltypen überhaupt formuliert werden können und welche Approximationen zulässig sind.
2. Eₜ(t): technische und datenbezogene Bedingungen.
   Hierzu zählen Rechenleistung, Datenqualität, Softwareinfrastrukturen, numerische Tools und Simulationstechnologien. Diese Faktoren legen fest, welche Modelle praktisch implementierbar sind und mit welcher Auflösung, Stabilität oder Komplexität die Modellierung durchgeführt werden kann.
3. Eᵢ(t): institutionelle und organisatorische Bedingungen.
   Diese Dimension umfasst wissenschaftliche Normen, Peer-Review-Verfahren, Förderlogiken, Ausbildungsstrukturen und etablierte Forschungspraktiken. Sie prägen, welche Modelle langfristig stabilisiert werden, welche Standards sich durchsetzen und welche Alternativen als wissenschaftlich akzeptabel gelten.

E(t) ergibt sich aus dem Zusammenspiel dieser drei Dimensionen. Die Verfügbarkeit und Stabilisierung eines Modells ist damit nicht allein Ergebnis seiner Approximate Truth, explanatorischen Kraft oder Kosten, sondern auch der methodischen, technischen und institutionellen Rahmenbedingungen, die seine Formulierung, Implementierung und Weiterentwicklung ermöglichen oder begrenzen. Zugleich bestimmt E(t), welche Alternativmodelle überhaupt als relevante Vergleichsmodelle auftreten können. Damit beeinflusst E(t) nicht nur die absolute Bewertung eines Modells, sondern auch seine relative epistemische Konkurrenzfähigkeit gegenüber verfügbaren Alternativen.

12.1 Struktur der Nutzenfunktion

Die Wahl zwischen zwei Modellen M und M* lässt sich durch eine zeit- und domänenspezifische Nutzenfunktion rekonstruieren:

U(M, D, t) = α · AT(M, D, t) + β · EK(M, D, t) − γ · C(M, D, t).

Diese Funktion beschreibt nicht den absoluten Wert eines Modells, sondern rekonstruiert seine domänenspezifische epistemische Geltung unter endlichen Bedingungen. Sie ist keine Messformel erster Ordnung und kein algorithmisches Entscheidungsverfahren. Ihre Aufgabe besteht darin, vorhandene disziplinäre Bewertungspraktiken in einer gemeinsamen Vergleichsstruktur sichtbar zu machen. In diesem Sinn fungiert sie als rekonstruktive Bewertungsgrammatik zweiter Ordnung: Sie ordnet die Kriterien, nach denen Modelle in einer Domäne faktisch bewertet werden, ersetzt diese Kriterien aber nicht durch eine universelle Berechnungsformel.

Entscheidend ist daher nicht allein der isolierte Nutzenwert eines Modells, sondern seine Differenz zu verfügbaren Alternativen innerhalb derselben relevanten Domäne. Diese Differenz kann als Vergleichsstruktur formuliert werden:

ΔU(M*, M, D, t) = U(M*, D, t) − U(M, D, t).

ΔU ist keine eigenständige zusätzliche Theorie, sondern eine rekonstruktive Vergleichsstruktur. Sie macht sichtbar, ob eine Alternative innerhalb einer Domäne nur geringfügig besser, deutlich überlegen oder epistemisch dominant wird. Damit verbindet ΔU die Nutzenfunktion mit der Frage, wann kontextuelle Falsifikation zu Revision, Domänenbegrenzung oder globaler Modellablösung führt.

Eine globale Bewertung kann durch eine aggregierte Funktion U(M) erfolgen, die die domänenspezifischen Werte U(M, D, t) über relevante Domänen hinweg gewichtet. Diese Aggregation bleibt jedoch sekundär gegenüber der domänenspezifischen Bewertung, weil Modellgeltung in diesem Rahmen primär innerhalb bestimmter Domänen bestimmt wird.

Dabei gilt:

• AT(M, D, t): domänenspezifische Approximate Truth, also der Grad stabilisierter Passung zwischen Modellstruktur und relevanten empirischen, strukturellen oder interventionell prüfbaren Vergleichsmerkmalen innerhalb einer Domäne.
• EK(M, D, t): explanatorische Kraft des Modells in Domäne D, also seine Fähigkeit, Phänomene zu erklären, Zusammenhänge sichtbar zu machen, kausale oder gegenfaktische Einsichten zu ermöglichen und eine Domäne theoretisch zu strukturieren.
• C(M, D, t): Modellkosten, etwa Datenbedarf, Rechenaufwand, Interpretierbarkeit, institutionelle Infrastruktur, Implementierungsaufwand, Unsicherheit, Fehleranfälligkeit und Abhängigkeit von stabilisierenden Hintergrundbedingungen.
• α, β, γ: Gewichtungsfaktoren, die nicht als beliebige Setzungen einzelner Akteure zu verstehen sind, sondern als rekonstruierbare Gewichtungen disziplinärer Bewertungsordnungen innerhalb des epistemischen Ermöglichungsraums, insbesondere seiner methodischen und institutionellen Dimensionen Eₘ(t) und Eᵢ(t).

Unterschiedliche Wissenschaften gewichten Approximate Truth, explanatorische Kraft und Modellkosten verschieden, etwa je nachdem, ob Prognosegenauigkeit, mechanistische Erklärung, rechnerische Effizienz, institutionelle Standardisierung oder praktische Anwendbarkeit im Vordergrund stehen. Die Parameter α, β und γ machen diese Bewertungsordnungen explizit, ohne sie frei zu erfinden.

Ein einfaches Beispiel macht diese Rekonstruktionslogik sichtbar. In einer prognoseorientierten Klimadomäne kann α besonders stark gewichtet werden, weil empirische Passung, Vorhersagestabilität und Unsicherheitskontrolle zentrale Bewertungsgrößen sind. In einer theoretisch-strukturellen Domäne kann β stärker ins Gewicht fallen, wenn es vor allem darum geht, Phänomene zu vereinheitlichen, kausale Abhängigkeiten sichtbar zu machen oder einen bisher ungeordneten Phänomenbereich theoretisch zu erschließen. In technischen Echtzeit- oder Anwendungskontexten kann γ besonders relevant werden, weil Rechenkosten, Datenbedarf, Robustheit, Implementierbarkeit und institutionelle Anschlussfähigkeit die tatsächliche Modellwahl stark begrenzen. α, β und γ sind daher keine frei erfundenen Parameter, sondern verdichten die in einer Domäne bereits wirksamen Zielgrößen, Prüfverfahren und Bewertungspraktiken zu einer expliziten Vergleichsstruktur.

Die Nutzenstruktur ist mit bestehenden Verfahren der Modellselektion kompatibel, ohne auf diese reduzierbar zu sein. Informationskriterien wie AIC und BIC operationalisieren in begrenzter Weise Abwägungen zwischen empirischer Passung und Modellkomplexität; Bayes-Faktoren und Bayesian Model Averaging bilden probabilistische Varianten von Modellvergleich und Modellgewichtung ab. Auch Severe Testing und Robustheitsanalysen leisten spezifische Formen wissenschaftlicher Modellbewertung, indem sie die Strenge von Prüfungen oder die Stabilität von Ergebnissen über Modellvarianten hinweg untersuchen. Die Mehrleistung der hier vorgeschlagenen Nutzenstruktur liegt nicht darin, solche Verfahren zu ersetzen. U(M, D, t) rekonstruiert vielmehr die breitere Entscheidungslage, in der diese Verfahren wissenschaftlich wirksam werden: Welche Domäne wird bewertet? Welche Alternativen sind im epistemischen Ermöglichungsraum E(t) tatsächlich verfügbar? Welche Modellkosten sind relevant? Welche explanatorische Leistung zählt innerhalb der betreffenden Domäne? Und wann führt lokale Unterlegenheit nur zu kontextueller Falsifikation, wann aber zu globaler Modellablösung? Die Nutzenfunktion ist daher kein Konkurrenzverfahren zur Modellselektion, sondern ein Rahmen zur Rekonstruktion der epistemischen Einbettung solcher Verfahren.

Viele Terme der Nutzenfunktion können in realen Wissenschaften durch empirische Proxy-Metriken oder etablierte quantifizierende Verfahren angenähert werden, etwa durch Fit-Metriken, Informationskriterien, Komplexitätsmaße, Likelihood-Strukturen, Prognosefehler oder Sensitivitätsanalysen. Diese Verfahren operationalisieren jeweils bestimmte Teilaspekte von AT(M, D, t), EK(M, D, t) oder C(M, D, t) innerhalb einer konkreten Disziplin. Die Nutzenfunktion ist daher als idealtypischer Rekonstruktionsrahmen zu verstehen: Sie macht sichtbar, wie verschiedene Bewertungsdimensionen zusammenwirken, ohne zu behaupten, dass epistemische Geltung vollständig oder kontextfrei berechenbar wäre.

Die lineare Form der Funktion dient als heuristische Minimalform. Sie ist bewusst einfach gehalten, um die Grundstruktur der Abwägung sichtbar zu machen. In konkreten Anwendungen können jedoch nichtlineare, schwellenbasierte oder produktförmige Bewertungsformen angemessener sein. Dies gilt etwa dann, wenn explanatorische Kraft erst ab einem Mindestmaß an Approximate Truth epistemisch relevant wird, wenn Modellkosten ab bestimmten Schwellen dominieren oder wenn hohe Unsicherheit den Nutzen eines Modells nicht nur graduell, sondern strukturell begrenzt. Die lineare Darstellung ist daher nicht als Behauptung zu verstehen, dass wissenschaftliche Rationalität tatsächlich additiv berechenbar wäre, sondern als anschlussfähige Ausgangsform einer rekonstruktiven Modellbewertung.

Kontextuelle Falsifikation kann AT(M, D₂, t) senken, EK(M, D₂, t) schwächen oder C(M, D₂, t) erhöhen, wodurch U(M, D₂, t) sinkt, ohne notwendig U(M, D₁, t) zu beeinträchtigen. In prozessualer Perspektive erscheint diese Veränderung als Verdichtung epistemischer Friktion: Die bisherige Modellstabilisierung erzeugt steigende Belastung, sinkende Erklärungskraft, wachsende Kosten oder zunehmende Abhängigkeit von Hilfsannahmen, ohne dass daraus automatisch globale Eliminierung folgt. Diese Friktion wird entscheidungsrelevant, wenn sie sich gegenüber verfügbaren Alternativen in ΔU als stabile relative Unterlegenheit zeigt. Falsifikation wirkt daher nicht automatisch global, sondern verändert zunächst die domänenspezifische Nutzenstruktur eines Modells.

Diese Struktur erklärt zudem, warum Modellfamilien robust bleiben können. Wenn U(M₁, D₂, t) sinkt, können andere Modelle M₂ oder M₃ derselben Familie weiterhin höhere Werte in dieser Domäne aufweisen. Falsifikation wird so zu einem Mechanismus der internen Reallokation epistemischer Gewichte, nicht zu einer einfachen Eliminationslogik im Popper’schen Sinn.

12.2 Skalierung und empirische Verankerung der Nutzenfunktion

Damit die vorgeschlagene Nutzenfunktion U(M, D, t) nicht bloß theoretisch bleibt, kann sie in vielen wissenschaftlichen Kontexten durch etablierte Bewertungsverfahren angenähert werden. Die Kalibrierung erfolgt relativ: Innerhalb einer Domäne D werden Modelle nicht an einem absoluten Maßstab gemessen, sondern im Verhältnis zu verfügbaren Alternativen und zu den in dieser Domäne anerkannten Gütekriterien verglichen.

Solche Gütekriterien können je nach Disziplin Fit-Metriken, Fehlerraten, Likelihood-Strukturen, Informationskriterien, Prognosequalität, Sensitivitätsanalysen, Komplexitätsmaße oder Interpretierbarkeitsanforderungen umfassen. Sie operationalisieren jedoch jeweils nur bestimmte Teilaspekte von AT(M, D, t), EK(M, D, t) oder C(M, D, t). Die Nutzenfunktion bildet daher keine kontextfreie Messung epistemischer Geltung, sondern eine strukturierte Rekonstruktion disziplinärer Bewertungspraktiken.

Die empirische Verankerung liegt somit nicht darin, eine einheitliche Skala für alle Wissenschaften vorzugeben, sondern darin, vorhandene Bewertungsverfahren innerhalb einer Domäne systematisch aufeinander zu beziehen. Dadurch kann sichtbar werden, ob ein Modell stabilisiert, revidiert, domänenspezifisch eingeschränkt oder durch Alternativen ersetzt wird. Die Theorie besitzt insofern eine deskriptive und schwach normative Dimension: Sie beschreibt reale Bewertungspraktiken und macht zugleich explizit, unter welchen Bedingungen Modellentscheidungen rational nachvollziehbar sind.

12.3 Diagnoseprotokoll kontextueller und globaler Falsifikation

Aus der vorgeschlagenen Theorie ergibt sich ein Diagnoseprotokoll für wissenschaftliche Modellbewertung. Es dient nicht als mechanisches Entscheidungsverfahren, sondern als strukturierte Anwendungsschablone, mit der die impliziten Bewertungsdimensionen wissenschaftlicher Modellwahl explizit gemacht werden können. Das Protokoll soll klären, ob ein Modell stabil bleibt, lokal revidiert, auf bestimmte Domänen begrenzt, innerhalb einer Modellfamilie neu gewichtet oder global abgelöst wird.

1. Modell M bestimmen
   Zunächst ist zu klären, was genau bewertet wird: ein einzelnes Modell, eine Modellfamilie, eine Parametrisierung, ein Submodell oder eine bestimmte Anwendung eines Modells. Diese Unterscheidung ist entscheidend, weil Falsifikation häufig nicht das gesamte Modell betrifft, sondern nur eine Variante oder einen spezifischen Einsatzbereich.
2. Relevante Domäne D bestimmen
   Anschließend muss bestimmt werden, in welcher Domäne das Modell geprüft wird. Eine Domäne ist nicht bloß ein Thema oder Anwendungsfeld, sondern ein Bereich stabiler Geltungsbedingungen. Dazu gehören Zielgrößen, Datenlage, zulässige Idealisierungen, erwartete Genauigkeit, Prüfverfahren und praktische Anforderungen. Ohne Domänenbestimmung bleibt unklar, ob eine Abweichung ein lokales Problem oder ein globales Scheitern anzeigt.
3. Epistemischen Ermöglichungsraum E(t) rekonstruieren
   Im nächsten Schritt ist zu prüfen, welche methodischen, technischen und institutionellen Bedingungen zum Zeitpunkt t vorliegen. Dazu zählen verfügbare Daten, Messverfahren, Rechenkapazitäten, mathematische Methoden, Softwareinfrastrukturen, disziplinäre Standards und akzeptierte Bewertungspraktiken. E(t) bestimmt nicht nur, welche Modelle möglich sind, sondern auch, welche Alternativen überhaupt sichtbar, vergleichbar und stabilisierbar werden.
4. AT, EK und C getrennt erfassen
   Die Bewertung sollte Approximate Truth, explanatorische Kraft und Modellkosten zunächst getrennt rekonstruieren. AT betrifft die domänenspezifische Passung zwischen Modellstruktur und relevanten empirischen, strukturellen oder interventionell prüfbaren Vergleichsmerkmalen. EK betrifft demgegenüber die erklärende Leistung des Modells, also seine Fähigkeit, Zusammenhänge sichtbar zu machen, relevante Phänomene zu strukturieren und gegebenenfalls vereinheitlichende, kausale, gegenfaktische oder interventionelle Einsichten zu ermöglichen. C umfasst die epistemischen, technischen und institutionellen Kosten eines Modells, etwa Unsicherheit, Komplexität, Datenbedarf, Interpretierbarkeit, Rechenaufwand oder Infrastrukturabhängigkeit.
5. Alternativen M* bestimmen
   Falsifikation wird erst entscheidungsrelevant, wenn verfügbare Alternativen existieren. Deshalb ist zu klären, welche Alternativmodelle innerhalb derselben Domäne tatsächlich verfügbar, prüfbar, implementierbar und institutionell stabilisierbar sind. Die Bestimmung solcher Alternativen schließt an die Frage effizienter Suche unter endlichen Bedingungen an, da nicht alle logisch denkbaren Alternativen, sondern nur verfügbare, prüfbare und stabilisierbare Alternativen innerhalb von E(t) entscheidungsrelevant sind (Rapp 2026d). Ein Modell kann trotz Schwächen stabil bleiben, wenn keine Alternative innerhalb von E(t) eine höhere epistemische Konkurrenzfähigkeit erreicht.
6. Relative Differenz ΔU rekonstruieren
   Nun wird nicht nur gefragt, ob M Schwächen besitzt, sondern wie groß der Unterschied zu M* ist. ΔU zeigt, ob eine Alternative nur geringfügig besser, deutlich überlegen oder über maßgebliche Prüf- und Anwendungskontexte hinweg stabil epistemisch dominant wird. Kleine Unterschiede können innerhalb des Toleranzbereichs ε liegen; deutliche und stabile Unterschiede können dagegen Revision, Domänenbegrenzung oder Modellablösung begründen.
7. Diagnose stellen
   Aus den vorherigen Schritten ergibt sich die Diagnose. Bleibt M innerhalb D konkurrenzfähig, liegt Stabilisierung vor. Verliert M nur in einer Subdomäne D₂ an Leistung, liegt kontextuelle Falsifikation mit Revisionsbedarf vor. Bleibt M in D₁ tragfähig, aber nicht in D₂, folgt Domänenbegrenzung. Wird innerhalb einer Modellfamilie ein Teilmodell geschwächt und ein anderes gestärkt, liegt interne Regewichtung vor. Verliert M in allen relevanten Domänen stabil seine Konkurrenzfähigkeit gegenüber verfügbaren Alternativen, liegt globale Modellablösung vor. Bevor eine dieser Diagnosen abschließend gestellt wird, ist zu prüfen, ob ε innerhalb disziplinärer Toleranzstandards bleibt, ob die zugrunde gelegten Domänen unabhängig von der Modellverteidigung stabilisiert sind und ob etwaige Domänenzerlegungen progressive Anschlussleistungen erbringen. Erst wenn diese drei Begrenzungen eingehalten sind, ist die Diagnose rational rekonstruierbar.

Dieses Diagnoseprotokoll übersetzt die formale Struktur des Papers in eine Anwendungspraxis. Es behandelt Falsifikation nicht isoliert als Beobachtungswiderspruch, sondern als diagnostischen Prozess, in dem Modellgeltung, Domäne, verfügbare Alternativen, Kosten und Ermöglichungsbedingungen gemeinsam rekonstruiert werden. Damit wird die Theorie nicht zu einem algorithmischen Entscheidungsverfahren, aber zu einem operativen Rahmen, der reale Modellentscheidungen transparenter und vergleichbarer macht.

A.1 Newtonsche Mechanik: kontextuelle Falsifikation ohne globale Eliminierung

Die Newtonsche Mechanik ist ein paradigmatischer Fall kontextueller Falsifikation. Ihre Geltung wurde durch relativistische Physik und moderne Gravitationstheorie nicht einfach global aufgehoben, sondern domänenspezifisch begrenzt. Bei sehr hohen Geschwindigkeiten, starken Gravitationsfeldern oder sehr präzisen astronomischen Messungen verliert sie gegenüber relativistischen Modellen epistemische Konkurrenzfähigkeit. In diesen Domänen sinkt ihre Approximate Truth, weil ihre Modellstruktur relevante Systemmerkmale nicht mehr hinreichend genau erfasst.

Gleichzeitig bleibt die Newtonsche Mechanik in vielen technischen, alltäglichen und ingenieurwissenschaftlichen Domänen weiterhin epistemisch tragfähig. Für Brückenbau, Maschinenbau, viele technische Anwendungen und klassische Näherungsberechnungen der Himmelsmechanik besitzt sie hohe explanatorische Kraft, niedrige Modellkosten und ausreichende Vorhersagegenauigkeit. Ihre schul- und universitätsdidaktische Nutzung kommt hinzu, begründet aber nicht für sich allein ihre epistemische Konkurrenzfähigkeit. In der Sprache dieses Papers bedeutet dies: Die Newtonsche Mechanik ist in bestimmten Subdomänen falsifiziert oder revisionsbedürftig, bleibt aber in anderen relevanten Domänen konkurrenzfähig.

Der Fall zeigt, warum Falsifikation nicht mit globaler Eliminierung gleichgesetzt werden darf. Die relativistische Physik ersetzt die Newtonsche Mechanik nicht in jedem Anwendungskontext, sondern begrenzt ihren Geltungsbereich. Die resultierende Struktur ist daher keine einfache Widerlegung, sondern eine Domänenpräzisierung: Das Modell bleibt erhalten, aber seine Geltung wird eingeschränkt.

Anti-Immunisierungsprüfung: Die Erhaltung der Newtonschen Mechanik ist keine bloße Schutzstrategie. Ihre verbleibenden Domänen sind unabhängig durch wissenschaftliche und technische Praxis stabilisiert. Ihre Fehlergrenzen sind bekannt, ihre Kosten gering, ihre Anwendungsbedingungen klar bestimmbar. Die Domänenbegrenzung erzeugt daher epistemische Anschlussleistung, statt ein geschwächtes Modell künstlich zu retten.

A.2 Phlogiston-Theorie: globale Falsifikation mit historischer Restnutzung

Die Phlogiston-Theorie eignet sich als Beispiel globaler Falsifikation. Sie verlor im Übergang zur modernen Chemie nicht nur in einer eng begrenzten Subdomäne an Leistung, sondern wurde in den relevanten wissenschaftlichen Kontexten der Erklärung von Verbrennung, Oxidation und chemischen Reaktionen durch leistungsfähigere Alternativen verdrängt. Ihre Modellkosten stiegen, ihre erklärende Kraft nahm ab, und verfügbare Alternativen boten stabil bessere Anschlussmöglichkeiten.

Im vorgeschlagenen Rahmen bedeutet dies: Die Phlogiston-Theorie blieb nicht in einer relevanten wissenschaftlichen Domäne epistemisch konkurrenzfähig. Ihre heutige Nutzung ist historisch, didaktisch oder wissenschaftsgeschichtlich, aber nicht mehr Teil aktueller chemischer Modellbewertung. Sie kann weiterhin erklärt, gelehrt oder als Beispiel wissenschaftlichen Wandels verwendet werden, doch diese Restnutzung begründet keine fortbestehende epistemische Konkurrenzfähigkeit.

Der Fall macht die Unterscheidung zwischen historischer Persistenz und relevanter Domäne sichtbar. Ein Modell kann kulturell, didaktisch oder wissenschaftshistorisch präsent bleiben und dennoch global falsifiziert sein. Globale Falsifikation bedeutet daher nicht, dass ein Modell aus allen Diskursen verschwindet, sondern dass es in keiner aktuellen wissenschaftlichen Domäne mehr tragfähig gegenüber verfügbaren Alternativen bleibt.

Anti-Immunisierungsprüfung: Eine künstliche Restdomäne, etwa „Phlogiston als historische Denkfigur“, würde keine epistemische Konkurrenzfähigkeit begründen. Sie ist keine aktuelle chemische Anwendungsdomäne, sondern eine didaktische oder historische Verwendungsform. Genau dadurch wird sichtbar, warum relevante Domänen nicht aus bloßer Restnutzung abgeleitet werden dürfen.

A.3 Klimamodelle: kontextuelle Falsifikation innerhalb von Modellfamilien

Klimamodelle zeigen, wie kontextuelle Falsifikation in komplexen Modellfamilien wirkt. Ein Klimamodell oder ein Ensemble von Klimamodellen kann in bestimmten Bereichen hohe Tragfähigkeit besitzen, etwa bei langfristigen globalen Temperaturtrends, während andere Subdomänen größere Unsicherheiten aufweisen, etwa regionale Niederschlagsmuster, Extremereignisse oder kurzfristige Klimavariabilität. Abweichungen in einer solchen Subdomäne falsifizieren nicht notwendig die gesamte Modellfamilie, sondern können einzelne Parametrisierungen, Teilmodelle oder Gewichtungen betreffen.

Im Rahmen dieses Papers heißt das: Falsifikation wirkt hier häufig redistributiv. Sie verschiebt epistemische Gewichte innerhalb eines Modellportfolios, schwächt bestimmte Komponenten und stärkt andere. Eine fehlerhafte regionale Prognose kann die Approximate Truth eines Teilmodells in einer spezifischen Domäne senken, ohne die gesamte Modellarchitektur global zu eliminieren. Die Folge ist dann lokale Revision, Regewichtung oder Domänenpräzisierung.

Dieser Fall zeigt besonders deutlich, warum moderne Modellpraxis nicht durch eine einfache Popper’sche Eliminationslogik erfasst werden kann. In simulationsbasierten Wissenschaften sind Modelle oft modular, parametrisiert und ensembleförmig organisiert. Falsifikation betrifft dann selten ein Gesamtmodell als einheitliche Struktur, sondern wirkt innerhalb eines gegliederten Modellraums.

Anti-Immunisierungsprüfung: Die Erhaltung eines Klimamodells oder Ensembles ist nur dann rational rekonstruierbar, wenn die verbleibenden Domänen unabhängig durch Daten, Prüfverfahren und Anwendungskontexte gestützt sind. Eine bloße Verschiebung problematischer Vorhersagen in immer kleinere Subdomänen wäre nicht ausreichend. Legitimität entsteht erst, wenn die Domänenpräzisierung diagnostisch, prognostisch oder erklärend neue Anschlussleistung erzeugt.

A.4 Ptolemäische Epizyklen: Grenzfall zwischen Anpassung und Ad-hoc-Stabilisierung

Ptolemäische Epizyklenmodelle eignen sich als Grenzfall, weil sie empirische Anpassungsfähigkeit und mögliche Ad-hoc-Stabilisierung zugleich sichtbar machen. Solche Modelle konnten beobachtete Planetenbewegungen über längere Zeit durch zusätzliche geometrische Konstruktionen beschreiben. In bestimmten historischen Ermöglichungsräumen waren sie daher nicht einfach irrational oder epistemisch leer. Ihre Stabilität beruhte auf mathematischer Anpassungsfähigkeit, institutioneller Einbettung und dem Fehlen konkurrierender, stabiler Alternativen mit höherer Gesamtleistung.

Mit der Entwicklung keplerischer und später newtonscher Modelle verschob sich jedoch der epistemische Ermöglichungsraum. Neue mathematische, empirische und theoretische Bedingungen machten Alternativen verfügbar, die nicht nur Beobachtungen reproduzierten, sondern auch eine tiefere strukturelle und dynamische Erklärung ermöglichten. Dadurch verlor die ptolemäische Modellklasse ihre relative Konkurrenzfähigkeit in relevanten astronomischen und physikalischen Domänen.

Dieser Fall zeigt die Bedeutung der Anti-Immunisierungslogik. Nicht jede Modellanpassung ist illegitim. Eine Anpassung ist epistemisch produktiv, wenn sie neue prüfbare Unterschiede sichtbar macht, Fehlerquellen trennt oder Erklärungskraft erhöht. Sie wird problematisch, wenn sie nur bekannte Gegenbefunde absorbiert, ohne neue Anschlussleistung zu erzeugen. Die Grenze zwischen legitimer Modellverfeinerung und Ad-hoc-Rettung liegt daher nicht in der bloßen Tatsache zusätzlicher Annahmen, sondern in deren epistemischer Produktivität.

Anti-Immunisierungsprüfung: Epizyklen werden dann problematisch, wenn zusätzliche Konstruktionen nur noch defensive Anpassungen leisten und keine neue explanatorische oder prognostische Struktur eröffnen. Ihre globale Ablösung ergibt sich nicht aus einer einzelnen Beobachtung, sondern aus stabiler relativer Unterlegenheit gegenüber Alternativen, die unter veränderten Bedingungen von E(t) verfügbar und tragfähiger wurden.

A.5 Vier-Säfte-Lehre: globale Ablösung trotz kultureller Persistenz

Die Vier-Säfte-Lehre ist ein Beispiel dafür, dass ein Modell kulturell fortbestehen kann, ohne wissenschaftlich konkurrenzfähig zu bleiben. Historisch bot sie eine umfassende Ordnung medizinischer Beobachtungen, Krankheitsdeutungen und therapeutischer Praktiken. Innerhalb ihres damaligen Ermöglichungsraums konnte sie stabilisierend wirken, weil alternative physiologische, mikrobiologische oder biochemische Modelle noch nicht in heutiger Form verfügbar waren.

Unter modernen Bedingungen hat die Vier-Säfte-Lehre jedoch keine epistemische Konkurrenzfähigkeit in medizinischer Diagnostik, Therapie oder Krankheitsmodellierung. Ihre erklärende und interventionelle Leistung wird durch moderne Medizin, Physiologie, Pathologie, Mikrobiologie und evidenzbasierte Verfahren ersetzt. Eine heutige Berufung auf die Vier-Säfte-Lehre kann historisch, kulturgeschichtlich oder alternativmedizinisch vorkommen, begründet aber keine relevante wissenschaftliche Domäne im Sinne dieses Papers.

Der Fall verdeutlicht erneut den Unterschied zwischen Persistenz und Geltung. Modelle verschwinden nicht notwendig aus Sprache, Kultur oder Geschichte, wenn sie wissenschaftlich falsifiziert sind. Globale Falsifikation bedeutet vielmehr, dass ein Modell in den relevanten wissenschaftlichen Praxiszusammenhängen keine tragfähige Konkurrenzfähigkeit mehr besitzt.

Anti-Immunisierungsprüfung: Die Vier-Säfte-Lehre kann nicht dadurch epistemisch gerettet werden, dass man ihre heutige historische oder metaphorische Verwendung als relevante medizinische Domäne ausgibt. Eine solche Restdomäne wäre nicht unabhängig durch aktuelle medizinische Prüfverfahren, therapeutische Erfolge oder wissenschaftliche Bewertungsordnungen stabilisiert.

A.6 Übersicht der Beispiele

Die Beispiele zeigen, dass die zweistufige Falsifikationsstruktur nicht bloß eine formale Unterscheidung ist. Sie erlaubt es, verschiedene Fälle wissenschaftlicher Modellbewertung differenziert zu rekonstruieren: Modelle können lokal scheitern und dennoch rational erhalten bleiben; sie können historisch fortbestehen und dennoch global falsifiziert sein; sie können durch legitime Domänenpräzisierung verbessert oder durch bloße Ad-hoc-Zerlegung künstlich stabilisiert werden. Entscheidend ist jeweils, ob die verbleibende Modellgeltung durch relevante Domänen, disziplinäre Bewertungsstandards und neue epistemische Anschlussleistungen getragen wird.