Schlagwort-Archive: Geisteswissenschaften

smiley

Von der Einstellung

Von meiner Grundeinstellung her bin ich eigentlich immer ein gut gelaunter Mensch gewesen. Es gibt Tage, an denen ich ein bisschen mies drauf bin, aber meist freue ich mich beim Aufstehen, egal wie früh das ist, einfach darauf, eine Tasse Kaffee trinken zu können, und beim Schlafen gehen freue ich mich dann oft auf die nächste Tasse Kaffee am Morgen. Was mir Freude macht ist dabei nicht beschränkt auf den Kaffee allein. Auch ein Morgen ohne Kaffee muss nicht zwangsläufig meine Stimmung senken. Vielmehr sind es die vielen kleinen und etwas größeren Probleme, die mir der Tag in Form von wissenschaftlichen Problemchen bereithält, von denen ich hoffe, dass ich sie wenigstens in Teilen lösen kann.

Ich habe diese Freude eigentlich immer für meine Arbeit empfunden, auch wenn es nicht einfach war, diesem Karriereweg zu folgen. Als ich begann, Indogermanistik zu studieren, da verkündete der Lehrstuhlleiter, dass der Lehrstuhl mit seiner Pensionierung in einigen Jahren geschlossen werden würde. Dies gefährdete meinen Abschluss nicht, aber es war klar, dass das Studium eines Faches, welches die Universität nicht weiter fortführen möchte, vielleicht nicht die beste Idee ist, wenn man den Wunsch hegt, eine wissenschaftliche Karriere darauf zu begründen.

Gleich mit dem Beginn meines Studiums wurde mir also schon sehr deutlich vor Augen geführt, dass die Welt an den Erkenntnissen in diesem Bereich — mögen sie nun von mir oder anderen Menschen gemacht werden — im Moment zumindest nicht besonders viel Interesse zu haben schien. Dass kaum jemand verstehen konnte, was ich eigentlich erforschte, wenn ich zu den Sanskritkursen der Indologen ging, oder versuchte, bei den Gräzisten Inschriften uralter griechischer Dialekte zu übersetzen, machte die Situation für mich nicht unbedingt leichter. Ich sah mich viel zu oft dem Zwang ausgesetzt, zu rechtfertigen, warum ich mich für etwas so Abgehobenes und Unsinniges interessierte, wie die Geschichte von Sprachen. Hätte ich nicht nebenbei noch Sinologie studiert und in Shànghǎi Chinesisch gelernt — ein Fach, das damals einen relativen Boom erlebte, weil alle fasziniert waren von den schönen Schriftzeichen und der endlos wachsenden chinesischen Wirtschaft — dann wäre es mir wohl wirklich schlecht ergangen als Student eines Fachs, das als Berufsperspektive nur die wissenschaftliche Karriere anzubieten hat und dazu im Begriff ist, aus den Universitäten zu verschwinden.

Auch nach dem Studium wurde es zunächst nicht leichter für mich. Trotz einer Vielzahl von Bewerbungen, die ich versandte, schaffte ich es einfach nicht, eine Stelle zu finden, um meinen Doktor zu machen. So musste ich mich ein halbes Jahr mit Lektorenjobs in einer Übersetzungsagentur und Jonglierauftritten auf Weihnachstmärkten über Wasser halten, bis ich dann über reichlich Umwege eine Doktorstelle in Düsseldorf fand, die mein wissenschaftliches Leben entscheidend verändern sollte. Denn für diese Stelle wurde zum ersten Mal wirklich jemand gesucht, der nicht schon am selben Lehrstuhl studiert hatte. Zuvor hatte ich rasch bemerkt, dass viele Stellene einfach nur ausgeschrieben worden waren, um interne Kandidaten zu besetzen. Da war es am Ende ganz egal, wie viel Mühe man sich gab, oder wie gut man sich in die chinesische Dialektologie eingelesen hatte. In Düsseldorf war der interne Kandidate aber anderweitig eingestellt worden, weshalb die Stelle plötzlich wirklich frei war. Darüber hinaus suchte man eine Person, die sich mit Sprachgeschichte auskannte, und dabei vor allem wusste, wie man methodologisch vorgehen muss, um Sprachen zu vergleichen. Das war genau das Thema, mit dem ich mich in meiner Magisterarbeit auseinandergesetzt hatte (List 2008).

Als ich die Stelle in Düsseldorf nach einigem Hin-und-Her am Ende dann doch mit großer Freude annahm und mich dort auch begeistert in meine Arbeit stürzte, änderte sich mein Leben als Forscher auf entscheidende Art. Nicht nur fühlte ich mich in meinen Fähigkeiten, die ich mitbrachte, endlich anerkannt, ich lernte auch, diese rasch auf eine ganz entscheidende Art weiter auszubauen: ich lernte, zu programmieren. Während meine ersten Versuche noch holprig waren und ich — zum Schock meines programmiererfahrenen Cousins — Codezeilen redundant mehrere tausende Male leicht verändert in dasselbe Skript schrieb, weil ich nicht wusste, wie man einen Loop schreibt, so merkte ich doch rasch, wie sehr mich die Welt der Bits und Bytes faszinierte. Bald schlief ich mit dicken Lehrbüchern zur Shellprogrammierung auf dem Bauch ein, die man heute — wenn überhaupt — wohl nur noch auf dem Tablet lesen würde. Ich las Einführungsbücher zur Datenbankprogrammierung, beschäftigte mich mit dem Terminal und begann vor allem meine Fähigkeiten in der Programmiersprache Python immer weiter auszubauen.

Meine erste wirkliche Publikation, die ich im Jahr 2010 veröffentlichte, beinhaltete schon die Grundlagen des Codes, der später in die LingPy-Bibliothek einfließen sollte, die zum Kernbeitrag meiner Dissertation wurde (List 2014) und inzwischen in Version 2.6.13 erschienen ist (List und Forkel 2024). Aber trotz des vermeintlichen Tempos, das ich beim Programmierenlernen vorlegte, sind meine Kenntnisse eigentlich immer noch gefühlt sehr rudimentär geblieben. Zumindest gibt es noch immer eine Menge Menschen, zu denen ich voller Ehrfurcht aufschaue, weil sie so viel mehr vom Programmieren verstehen als ich. Dieses Gefühl ist aber im Grunde ein sehr Schönes, denn es heißt, dass es für mich noch viel zu lernen gibt, und die faszinierende Reise in die Welt des Programmierens noch nicht am Ende angekommen ist. Es heißt auch, dass ich trotz meines wachsenden akademischen Alters immer noch Mentoren finden kann, die mir in meiner Arbeit helfen und denen ich vertrauen kann, dass sie mehr wissen als ich.

Das Programmieren lehrte mich, anders zu denken. Ich begann meine Studien anders zu strukturieren, ich orientierte mich mehr daran, auf die Lösung von Problemen in meiner Forschung abzuzielen, anstatt Probleme lediglich zu beschreiben oder zu zerreden. Ich habe — zumindest für meine eigene Arbeit — eine gewisse Abneigung gegenüber dem entwickelt, was man in der Linguistik zuweilen als “theoretische Arbeiten” bezeichnet. Wenn etwas nur scheinbar formal ist und theoretische Arbeiten die konkrete Umsetzung in Code nicht anstreben, sondern sich ihr zuweilen sogar sperren, dann erinnert es mich einfach viel zu sehr an die Besinnungsaufsätze, die wir in der Schule schreiben mussten. Auch denen, die bei mir studieren und eine Hausarbeit schreiben sollten, rate ich seitdem grundlegend, ein empirisches Thema zu wählen, in dessen Rahmen sie selbst etwas tun können, anstatt mir nur den langweiligen Forschungsstand zu einem Thema zusammenzutragen.

Was mich zusätzlich prägte in dieser Zeit, war, dass ich begann, Vertrauen in meine Forschung aufzubauen. Während meines Studiums hatte mich immer die Angst geplagt, es vielleicht nicht zu schaffen, mein Ziel, eine Doktorarbeit zu schreiben und Wissenschaftler zu werden, zu verwirklichen. In den Monaten der inoffiziellen Arbeitslosigkeit nach der Beendigung meines Studiums, die geprägt waren von Absagen auf gefühlt unzählige Bewerbungen, hatte ich die Hoffnung, Wissenschaftler werden und bleiben zu können, zwar nicht aufgegeben, ich war jedoch sehr ernüchtert von meinen eigenen Fähigkeiten und fühlte mich grundlegend nutzlos. Im Studium hatte ich zwar gelernt, Russisch und Chinesisch zu sprechen und die Aussprache des Altchinesischen zu rekonstruieren. Ich hatte es aber eben nicht geschafft, mich für einen normalen Job jenseits der Wissenschaft zu qualifizieren. Nicht mal ein wirklicher Übersetzer war ich, und als Straßenkünstler konnte man in Berlin kaum etwas verdienen. Durch das Programmieren hatte ich das Gefühl, endlich etwas zu lernen, was man vielleicht auch außerhalb der Wissenschaft würde nutzen können (auch wenn ich das gar nicht wollte).

Als Doktorand in Düsseldorf fiel mir allmählich auf, dass ich nicht der einzige Linguist war, der sich zeitweise nutzlos fühlte. Es zeigte sich, dass fast alle, die zu dem Zeitpunkt an ihren Doktorarbeiten arbeiteten, eine relativ große Skepsis gegenüber der eigenen Disziplin hatten. Die Frage, warum man bestimmte linguistische und philosophische Probleme untersuchen sollte, verfolgte viele von uns. Sie schwebte über uns im Raum und zeigte sich immer dann, wenn mal wieder jemand beim Eintippen von Daten oder beim Lesen von Artikeln neidisch auf die Bauarbeiter oder Gärtner vor dem Fenster schaute und frustriert und manchmal auch feierlich und sehnsuchtsvoll anmerkte, dass die am Ende des Tages ja viel glücklicher sein müssten, da sie sehen könnten, was sie geschafft haben.

Da unser Projekt aber interdisziplinär ausgerichtet war und ich im Team mit Biologen arbeitete, die uns helfen sollten, Computermethoden aus der Bioinformatik auf die Linguistik anzuwenden, lernte ich gleichzeitig eine ganz andere Seite der Wissenschaft kennen. Während die Linguisten mit ihren Theorien haderten, schienen mir die Biologen eigentlich immer fröhlich zu sein. Obwohl sie sich mit Fragen beschäftigten, deren Potenzial, Konsequenzen für die Welt zu haben, sicher genauso gering war, wie das Potenzial der Fragen der Sprachwissenschaftler, schien sie das eigentlich nie wirklich zu jucken. Sie zweifelten nicht an sich. Sie programmierten fröhlich vor sich hin, lachten über ihren Code, grillten den ganzen Sommer auf dem Balkon ihres Instituts und tranken dabei Bier, und freuten sich, wenn jemand einen Artikel in einer großen Zeitschrift landen konnte.

Ich weiß nicht woran es lag, dass die Biologen immer so fröhlich waren, aber als ich nach meiner ersten Post-Doc-Stelle ein Stipendium in Paris antrat, wo ich in zwei “Labs” arbeitete, einem linguistischen und einem biologischen, da war es nicht groß anders. Wenn jemand eine ernste Miene machte, über die Arbeit stöhnte und unzufrieden herumlief, dann war es mit großer Wahrscheinlichkeit eine Linguistin oder ein Linguist. Wenn jemand fröhlich pfeifend im viel zu engen Büro vor seinem Computer saß und die Kolleginnen und Kollegen zur Seite mit nerdigen Witzen ablenkte, dann war es mit großer Wahrscheinlichkeit eine Biologin oder ein Biologe.

Heute denke ich, dass der Unterschied zwischen Biologen und Linguisten (oder allgemeiner vielleicht sogar der Unterschied zwischen Natur- und Geisteswissenschaftlern) im Selbstverständnis der Disziplinen liegt. In den Naturwissenschaften zweifelt man selten daran, dass das, was man tut, sinnvoll ist. Man scheint auf die Kumulativität von Wissen zu vertrauen. Wer eine Amöbe erforscht, rettet damit keine Elefanten, aber das Wissen trägt dazu bei, unser Wissen um Lebewesen zu steigern und kann indirekt oder direkt nicht nur zu neuen Erkenntnissen, sondern auch zu neuen Innovationen führen. In den Geisteswissenschaften, die ja oft weniger Forschungsgelder einwerben, weniger prominent publizieren, und auch von der Geselleschaft weniger wohlwollend beobachtet werden, scheinen die Zweifel am eigenen Tun dagegen besonders ausgeprägt zu sein. Man zweifelt an sich selbst, man zweifelt am Tun der anderen, und man hadert darüber hinaus mit der Ungerechtigkeit des deutschen Wissenschaftssystems, welches sich bharrlich weigert, die geisteswissenschaftlichen Zweifler und Nörgler angemessen zu fördern.

Dank meiner Begegnungen in Düsseldorf ist mir dieser Weg der Zweifel am eigenen Tun weitestgehend erspart geblieben. Ich habe mich von der guten Laune, die die Biologen verbreiteten, einfach mittreiben lassen und schon im ersten Jahr meiner Doktorarbeit mit mir persönlich vereinbart, dass ich mir fortan meine Forschung von niemandem mehr kaputtmachen lasse, ganz besonders nicht von mir selbst.

In meinem Werdegang hat mir das unwahrscheinlich geholfen. Da ich auch nach meiner Doktorarbeit mit meinem komischen Forschungsprofil, das Bioinformatik, Sprachtypologie und historische Linguistik vereinte, kaum an normale linguistische Institute vermittelt werden konnte, musste ich die Gelder selbst einwerben, um mich zu finanzieren. Dies gelang mir dann zunächst über ein Forschungsstipendium der DFG in den Jahren 2015 und 2016, dem sich ein ERC Starting Grant anschloss, der es mir erlaubte, von 2017 bis 2022 meine eigene Nachwuchsgruppe zu leiten (List 2017). Dem Schloss sich ein Forschungsgrant der Max-Planck-Gesellschaft von 2022 bis 2024 an, und schließlich ein ERC Consolidator Grant, an dem ich seit 2023 forsche (List 2023).

Dies mag den Anschein erwecken, als wäre ich vom Erfolg verwöhnt worden. Meine Erfolgsrate beim Einwerben von Projekten liegt aber wohl nicht höher als 20%. Ich habe also pro gefördertem Projekt im Schnitt mindestens fünf Projekte beantragt, zuweilen sogar mehr, immer zu unterschiedlichen Themen. Dass ich nie in den Genuss der berüchtigten Kettenverträge kam, die einen an derselben Universität verharren lassen, mit Verträgen, die selten länger als 12 Monate dauern, war am Ende vielleicht sogar ein Vorteil. Wenn man mit dem Rücken zur Wand steht, und nicht einmal auf die nächste Verlängerung des Vertrages um einige Monate hoffen kann, dann setzt man eben alles daran, sich aus eigener Kraft oben zu halten und lernt, sich auf so gut wie niemanden wirklich zu verlassen.

Dass ich mich einmal mit meiner Forschung um die kompetitivsten Fördermittel des Europäischen Forschungsrats würde erfolgreich bewerben können, hätte ich direkt nach dem Abschluss meines Magisterstudiums wohl kaum geglaubt. Ich bin sicher, dass es am Ende die Stimmung bei den Biologen war, die mir half, meine wissenschaftliche Karriere auf meine ganz individuelle Weise zu verfolgen. Ich hatte einfach gelernt, zu vertrauen, dass das, was ich tue, ein grundlegendes Potenzial hat, das ich nicht ständig selbst anzweifeln müsste. Ohne diese positive Grundeinstellung hätte ich mit meinem Außenseiterstatus und meinem ungewöhnlichen Forschungsprofil wohl nie in der Wissenschaft bleiben können. Sie trägt mich heute noch immer.

Literatur

List, Johann-Mattis and Forkel, Robert (2023): LingPy. A Python library for quantitative tasks in historical linguistics [Software Library, Version 2.6.13]. Passau: MCL Chair at the University of Passau. https://pypi.org/project/lingpy

List, Johann-Mattis (2008): Rekonstruktion der Aussprache des Mittel- und Altchinesischen. Vergleich der Rekonstruktionsmethoden der indogermanischen und der chinesischen Sprachwissenschaft [Reconstruction of the pronunciation of Middle and Old Chinese. Comparison of reconstruction methods in Indo-European and Chinese linguistics]. Magister thesis. Freie Universität Berlin: Berlin. https://hal-hprints.archives-ouvertes.fr/hprints-00742552/file/list-2008-magisterarbeit.pdf

List, Johann-Mattis (2014): Sequence comparison in historical linguistics. Düsseldorf:Düsseldorf University Press. https://sequencecomparison.github.io

List, Johann-Mattis (2017): Computer-Assisted Language Comparison. Reconciling computational and classical approaches in historical linguistics [Research Project, 2017–2022]. Leipzig:Max Planck Institute for Evolutionary Anthropology. https://cordis.europa.eu/project/rcn/206320_en.html

List, Johann-Mattis (2023): Productive Signs. A Computer-Assisted Analysis of Evolutionary, Typological, and Cognitive Dimensions of Word Families. Passau:Chair of Multilingual Computational Linguistics. https://cordis.europa.eu/project/id/101044282/de

 

Zwei und Vierzig

Ich war vor Kurzem eingeladen, auf einer jährlich stattfindenden Linguistikkonferenz in Posen, dem Poznań Linguistic Meeting, an einer Podiumsdiskussion zum Thema “What can linguistics contribute to artificial intelligence” teilzunehmen. Während ich keine Antwort auf die Frage, was die Linguistik denn spezifisch zur Forschung zur künstlichen Intelligenz beitragen könnte, geben kann, hat mich das Spannungsfeld, in dem sich die Sprachforschung als Mittlerin zwischen modernen Computermethoden, maschinellem Lernen, und spektakulärer Forschung zur künstlichen Intelligenz auf der einen Seite und den klassischen philologischen und künstlerisch ausgerichteten Disziplinen auf der anderen Seite befindet, schon immer sehr interessiert. So stand auch die gesamte Konferenz mit ihrem Leitmotiv in diesem Spannungsfeld, wie man besonders auch an den vielfältigen Vorträgen sehen konnte, die immer wieder zur Frage zurückkehrten, was die Linguistik in Zeiten sprechender und selbstfahrender polyglotter Autos eigentlich noch zu sagen habe. Antworten waren vielfältig. Die einen beharrten trotzig auf dem Vorrang der “reinen Sprachforschung”, die primär in der Feldforschung und der Auseinandersetzung mit bisher unerforschten Sprachen bestehe, und als einzige erlauben würde, Maschinen Sprache wirklich beizubringen. Die anderen spannen wild anmutende, aber vielleicht gar nicht so unrealistische, Visionen einer Zukunft, in der Suchmaschinen nicht nur auf Schlagworte reagieren, sondern Sätze in “natürlicher Sprache” aufnehmen und dann versuchen, individuell zu beantworten.

Ich selbst hatte in meinem vor der Diskussion gehaltenen Vortrag argumentiert, dass wir nicht das maschinelle Lernen verbessern müssen, sondern eher an das maschinelle Trainieren, oder — vielleicht genauer — das Trainieren von Maschinen denken sollten. Denn in meinem Forschungsfeld ist es in vielen Fragen zwar Gang und Gäbe, Lösungen anzubieten und zu testen, die mit Hilfe moderner Forschung zum maschinellen Lernen und zur künstlichen Intelligenz zustande kommen, dabei wird jedoch oft ein relativ naiver Ansatz verfolgt, der mit der praktischen Forschung im Bereich des computergestützten Sprachvergleichs kaum was zu tun hat. Mal sind Ansätze von normalen Menschen nicht durchführbar, weil sehr komplexe Workflows verwendet werden, die enorme Rechenresourcen benötigen und nur begrenzt von anderen Menschen repliziert werden können, mal sind Lösungen so spezifisch, dass sie lediglich auf einem Datensatz funktionieren, und somit kaum auf ähnliche Probleme übertragen werden können.

Meine Idee war es, zu betonen, dass wir mehr darüber nachdenken sollten, wie wir wirklich Gutes aus den ganzen neuen Ansätzen herausholen, anstatt uns zu fragen, wie wir die Forschung zur künstlichen Intelligenz noch mehr verbessern. Dazu brauchen wir auf der einen Seite mehr Forscherinnen und Forscher, die nicht nur in den geisteswissenschaftlichen Aspekten des historischen Sprachvergleichs ausgebildet sind, sondern auch in Bezug auf Programmierung, Algorithmen und quantitative Ansätze. Gleichtzeitig sollten Menschen, die Computerlinguistik betreiben, besser in Bezug auf die konkreten Problemen im historischen Sprachvergleich geschult werden. Meiner Erfahrung nach stößt diese Position, welche versucht, beide Lager — das Lager der klassischen Linguistinnen und Linguisten und das Lager der Computerlinguistikbetreibenden — in die Pflicht zu nehmen, entweder beiden Lagern auf, oder sie gefällt beiden Lagern.

So war es auch in dieser Podiumsdiskussion. Neben nicht vollständig verständlicher Kritik an konkreten Forschungsergebnissen, die auf unserem Repositorium standardisierter lexikalischer Daten beruhen (List et al. 2022), und vor allem die Unvollständigkeit dieser Daten betonen, an der wir unsererseits nie gezweifelt haben, gab es — zumindest schien mir das so — recht viel Zuspruch in Bezug auf die Idee, dass wir den Umgang mit Systemen des maschinellen Lernens in der Linguistik verbessern müssen.

Als es um die Schlussbetrachtung ging, war schon sehr viel von vielen Seiten gesagt worden, und ich sah mich selbst ein bisschen unter dem Druck, nicht zu lange zu reden und mich nicht zu sehr zu wiederholen. Ein Punkt, den die Diskussion für mich noch mal deutlich gemacht hatte, war, dass es wichtig ist zu, unterscheiden zwischen wissenschaftlichen und wirtschaftlichen Interessen. Zu oft wird nicht zwischen beiden unterschieden, was dann im Nachhinein zu Verstimmungen in beiden Lagern führen kann. Denn wenn eine wirtschaftlich, an praktischer Anwendung orientierte Person eine Methode zur automatischen Entdeckung von Lehnwörtern erstellt, oder eine Person, die primär an wissenschaftlichen Fragestellungen interessiert ist, so unterscheiden sich die Ansätze zumeist sehr stark. Während die wirtschaftlich denkende Person primär am Funktionieren der Methode interessiert ist, interessiert sich die wissenschaftlich denkende Person, wie das Funktionieren sich auszeichnet, also warum beispielsweise eine Methode besser funktioniert als eine andere, und was das mit Sprache im Allgemeinen und mit Prozessen der Entlehnung und des Sprachkontakts im Besonderen zu tun haben mag.

Entlang der wirtschaftlich-wissenschaftlichen Achse finden wir eine neue Spaltung in Lager vor, nicht nur in der vergleichenden Sprachforschung, sondern in der Forschung zur künstlichen Intelligenz im Allgemeinen. Auf der einen Seite haben wir die Ingenieurinnen und Ingenieure, die sich freuen, wenn sie menschliche Leistungen mit Maschinen modellieren können, auf der anderen Seite haben wir Wissenschaftlerinnen und Wissenschaftler, die verstehen wollen, wodurch sich menschliche Leistungen und maschinelle Leistungen auszeichnen. Diesen Zwiespalt zwischen anwendungsorientierter Forschung und Grundlagenforschung spüre ich als jemand, der primär an Grundlagen forschen will, meist noch mehr als den Zwiespalt zwischen qualitativer und quantitativer Forschung, da meine Arbeiten zum computergestützten Sprachvergleich häufig von anwendungsorientierten Forscherinnen und Forschern evaluiert und harsch kritisiert werden.

Während ich noch überlegte, wie ich diesen Punkt in zwei Sätzen als Fazit meiner Diskussion unterbringen sollte, fiel mir plötzlich Douglas Adams’ 42 ein (Adams 1979). 42 ist die berühmte Antwort aus dem Roman Per Anhalter durch die Galaxis, die von einem Supercomputer innerhalb von 7,5 Millionen Jahren errechnet wurde, der nach der Antwort auf die Frage aller Fragen gefragt worden war. Da die Frage aller Fragen jedoch selbst viel zu schwammig gestellt worden war, konnte niemand etwas mit der Antwort anfangen, und man erwog deshalb, einen weiteren Supercomputer zu bauen, der die Frage auf die Antwort finden sollte.

In Bezug auf das Spannungsfeld von Anwendung und Erkenntnis, könnte man sagen, dass die anwendungsorientierte Forschung sich mit der 42 zufrieden geben würde, während die wissenschaftsorientierte Forschung auf der Suche nach der Frage beharren würde. Damit waren meine Schlusspunkte für die Diskussion gefunden, und ich schraffierte eine große 4 und eine große 2 in mein Notizbuch und hielt es in die Höhe, während ich zu meinem Fazit ansetzte.

Erst später wurde mir klar, dass dieser Vergleich mit Douglas Adams’ 42 vielleicht doch weit weniger treffend war, als ich ursprünglich gedacht hatte. Denn eigentlich geht es der anwendungsbezogenen Forschung ja eben nicht darum, die Antwort auf eine Frage zu kennen, sondern darum, eine Möglichkeit zu haben, rasch sehr viele Lösungen für Probleme zu finden, ohne Anspruch auf das Wissen um die Lösungswege zu erheben. Wenn man also einen Supercomputer hätte, der alle Fragen beantwortet, dann würde die Wissenschaft fordern, dass der Computer bitte auch die Lösungswege ausspuckt.

Ich habe jedoch beschlossen, mir die schiefe Analogie zu verzeihen. Mein Hauptanliegen war es ja, auf die Trennung zwischen Anwendungs- und Erkenntnisinteresse hinzuweisen. Hierfür hatte mir die 42 von Douglas Adams eine schöne Eselsbrücke geliefert, wodurch ich mein Schlussstatement tatsächlich kurzhalten konnte. Wenn ich noch mal in eine ähnliche Situation kommen sollte, würde ich allerdings versuchen, eine andere Analogie zu finden.

Literatur

Adams, Douglas (1979): The hitch hiker’s guide to the galaxy. Pan Books: London.

List, Johann-Mattis and Forkel, Robert and Greenhill, Simon J. and Rzymski, Christoph and Englisch, Johannes and Gray, Russell D. (2022): Lexibank, A public repository of standardized wordlists with computed phonological and lexical features. Scientific Data 9.316. 1-31.

Was Wissen schafft, wird festgestellt: Gedanken zur offenen Forschung

Schon viele Krisen haben die wissenschaftliche Forschung im Laufe ihrer Geschichte ergriffen. Mussten frühe Forscherpersönlichkeiten sich noch gegen religiöse Doktrinen durchsetzen, so haben seit Mitte der neunziger Jahre des letzten Jahrtausends insbesondere die Geisteswissenschaften darunter zu leiden, ihre gesellschaftliche Relevanz legitimieren zu müssen. Während dieser Trend sich in den letzten Jahren auch auf andere Wissenschaftsbereiche weiter ausgedehnt hat, kämpfen vor allem die Psychologie und Medizin seit längerer Zeit mit der Replikationskrise, welche nicht nur die bisherige Forschungspraxis, sondern auch viele bisher als gesichert geglaubte Ergebnisse in Frage stellt.

Als Antwort auf die Replikationskrise, welche sich vor allem darin gezeigt hat, dass ein erschreckend großer Antweil von Studien, die in der Psychologie in den letzten Jahrzehnten veröffentlich wurden, Ergebnisse lieferte, die sich bei weiteren Studien nicht bestätigen ließen, wird häufig die offene Wissenschaft genannt. Diese Bewegung setzt sich für die freie Verfügbarkeit jedweder wissenschaftlicher Forschung ein, wobei sie sich auf sechs grundlegende Säulen der freien Verfügbarkeit stützt: die Verfügbarkeit pädagogischer Resourcen (Open Educational Resources), die Verfügbarkeit von Studien (Open Access), die Verfügbarkeit von Gutachten (Open Peer Review), die Verfügbarkeit der Methodologie (Open Methodology), sowie die Verfügbarkeit von Quellcode (Open Source) und Daten (Open Data).

Open Research wird nach wie vor relativ wenig in den Geisteswissenschaften diskutiert. Man redet über Open Access, vielleicht ärgert man sich über hohe Gebühren für Autoren und wünscht sich mehr Open-Access-Platin-Zeitschriften, die für Autoren- und Leserschaft kostenlos sind, aber Fragen zu offener Begutachtung, offenen Daten, offener Methodologie oder offenen pädagogischen Resourcen werden selten explizit diskutiert.

Ich denke jedoch, dass die Fragen der freien Verfügbarkeit von Forschung nicht nur für die Natur- und Lebenswissenschaften von großer Bedeutung sind, sondern für wissenschaftliche Praxis im Allgemeinen. Gerade jetzt, wo im Zuge der Pandemie wieder verstärkt darüber diskutiert wird, was Wissenschaft eigentlich ist, oder sein soll, und worin genau die wissenschaftliche Methode besteht oder bestehen sollte, scheint es immer wichtiger zu werden, dass wir uns klar machen, was Wissenschaft insbesondere auch für uns als Geisteswissenschaftler bedeutet, und wie wir dafür sorgen können, dass unsere” Forschung frei zugänglich ist. Denn wenn es tatsächlich eine Vision von Wissenschaft gibt, die Grundlage für jede Forschung sein sollte, dann ist es meiner Meinung nach die offene Forschung, welche für alle Wissenschaftsfelder gleich gelten sollte.

Ein guter Ausgangspunkt für eine Darlegung dessen, was offene Forschung ausmachen sollte, ist die Frage von Daten-FAIRness, wie sie erstmals von Wilkinson et al. (2016) genauer dargelegt wurde. Die Grundidee von FAIRen Daten ist dabei, dass Daten, die in der Forschung verwendet werden, findable (auffindbar), accessible (zugänglich), interoperable (integrierbar) und reproducible (reproduzierbar) sein sollten. Was Wilkinson et al. fordern, sollte aber nicht nur für Daten gelten, sondern auch für Quellcode, für Forschungsartikel, und entsprechend auch für Lehrresourcen, Methoden, und in gewissem Maße auch für Gutachten, also für alle sechs Säulen der offenen Wissenschaft.

Während die Idee von FAIRness von Forschung jedoch in den Natur- und Lebenswissenschaften relativ eindeutig überprüft werden kann, stellen uns die Geisteswissenschaften mal wieder vor Probleme, wobei dies weniger die Auffindbarkeit und die physische Zugänglichkeit von geisteswissenschaftlichen Werken betrifft, als vielmehr deren Integrierbarkeit und Reproduzierbarkeit. Mann kann sich fragen, ob es überhaupt möglich ist, in den Geisteswissenschaften etwas zu reproduzieren, oder ob dies ernsthaft Sinn machen würde.

Es scheint daher wichtig sein, klarer zu definieren, was offene Forschung in der Geisteswissenschaft bedeutet. Wenn wir uns die vier Grundpunkte der FAIRness von Wilkinson et al. anschauen, so ist es zunächst wichtig, diese Punkte weiter zu differenzieren. Während die Auffindbarkeit (findability) unproblematisch ist, sollte man Zugänglichkeit (accessibility) weiter unterteilen in freie Verfügbarkeit und inhaltliche Nachvollziehbarkeit. Dass Artikel idealerweise in digitaler Form frei verfügbar sein sollten, ist in diesem Zusammenhang trivial. Dass Forschung allerdings inhaltlich bemüht sein sollte, nachvollziehbar zu sein, ist eine Maxime, die leider sehr oft vergessen wird.

Dabei denke ich nicht nur an den typisch deutschen Sprachstil, der Schachtelsätze mit eigenwilligen Metaphern so verschränkt, dass man das Werk, das man vor sich hat, am liebsten an die Wand schmeißen würde. Ich denke auch an eine übertriebene Verwendung von Abkürzungen, welche suggeriert, die Arbeit behandle Standardwissen, das jedem Menschen bekannt sein müsse. Noch schlimmer sind in diesem Zusammenhang die Fälle, in denen der Name einer Person anstelle ihrer konkreten Theorie genannt wird, ohne dies mit Literaturangaben zu untermauern. Wenn ich lese, dass jemand irgendetwas ganz “im Sinne Bourdieus” sieht, dann möchte ich wissen, auf welches Werk Bourdieus sich das bezieht und was der dort gesagt hat, denn in den wenigsten Fällen hat eine Person nur eine Theorie aufgestellt, und in noch weniger Fällen kann man davon ausgehen, dass die Theorie wissenschaftlich so kanonisch geworden ist, dass man sie unzitiert erwähnen kann. Geisteswissenschaftler tun sich immer schwer mit der Kanonisierung ihrer Forschungsbereiche, und sie tun gut daran, Kanonisierung skeptisch zu betrachten. Umso komischer finde ich es, wenn Forschungsunterfelder entstehen, in denen sich Menschen nur noch Abkürzungen und Personennamen an den Kopf werfen und so tun, als seien diese so eindeutig wie das kleine Einmaleins.

Auch die Frage nach der Integrierbarkeit von Forschung ist wichtig für geisteswissenschaftliche Arbeiten. Natürlich sollte Forschung frei sein, und man sollte die Freiheit haben, das zu erforschen, wonach einem der Sinn steht, aber es ist auch klar, dass Forschung dann am besten legitimiert werden kann (und die Geisteswissenschaften stehen unter einem permanenten Legitimierungsdruck), wenn man zeigen kann, dass die Forschung, die man betreibt, in andere Forschungsarbeiten integrierbar ist, am besten sogar interdisziplinär, über das Ursprungsfach hinaus. Leider findet man nur zu häufig die gegenteilige Situation vor: Forschung in den Geisteswissenschaften ist so spezifisch orientiert, dass sie eigentlich nur die Person interessiert, die sie betreibt, und sich nicht mal mit anderen Arbeiten im gleichen Fachgebiet integrieren lässt.

Reproduzierbarkeit, schließlich, mag in Bezug auf die Geisteswissenschaften generell als skeptisch angesehen werden, jedoch nur, wenn man an die strenge Idee der Reproduzierbarkeit bestimmter Experimente oder Studien denkt. Denn Reproduzierbarkeit kann man im Sinne einer allgemeinen offenen Forschung weiter unterteilen in Überprüfbarkeit und Wiederholbarkeit, wobei die Überprüfbarkeit zum wichtigsten Aspekt von freier Forschung in den Geisteswissenschaften gehört. Als Paradebeispiel für Überprüfbarkeit in den Geisteswissenschaften ist vor allem das Zitieren zu nennen. Zitieren dient ja einerseits, die Quellen des Wissens, welches man zusammengetregen hat, transparent aufzulisten, während es andererseits auch unabdingbar für die Überprüfung von Analysen ist.

Um die Überprüfbarkeit zu gewährleisten, muss die Sekundärliteratur in ihrer Vollständigkeit aufgelistet werden. Die gängige Praxis, ein Einführungswerk zu lesen, aus diesem Literatur herauszupicken, und diese Literatur dann zu zitieren, als hätte man die Artikel selbst nach längerem Suchen gefunden, verstößt zum Beispiel direkt gegen das Prinzip der Überprüfbarkeit, weil diejenigen, die eine derartige Arbeit lesen, nicht vollständig nachvollziehen können, wie die Arbeit zustandegekommen ist. Offene Forschung fordert im Idealfall absolute Transparenz in Bezug auf die Quellen unseres Wissens. Leider ist diese Transparenz in der wissenschaftlichen Praxis selten zu erreichen. Wer wird schon angeben, welche Suchmaschinenanfragen getätigt wurden, um zu schauen, ob Wikipedia einige erste Anhaltspunkte liefert? Wie oft verweigern Journals aufgrund ihrer teilweise idiotischen Zitierrichtlinien Zitaten die Angaben der Seitenzahlen beizufügen? Was würde passieren, wenn man neben jedes Werk, das man zitiert, schreibt, ob man dieses zum Zeitpunkt des Schreibens komplett vorliegen hatte, oder ob die Einsicht beschränkt war, zum Beispiel, weil man sich nur kurz die erlaubten Seiten bei Google-Books angeschaut hat?

Nur wenn wir die Überprüfbarkeit gewährleisten, oder zumindest anstreben, ist es möglich, qualitative Arbeiten auch auf ihre Wiederholbarkeit hin zu überprüfen. Dass dies nicht schematisch geschehen kann, ist klar. Es ist jedoch zumindest annähernd möglich, aufgrund der genauen Überprüfung einer geisteswissenschaftlichen Arbeit zu schauen, ob man zu den gleichen Ansichten kommt, die in der Studie vertreten werden. Je größer dabei der Forschungskreis von Personen wird, welche die Schlussfolgerungen dabei teilen und nicht ablehnen oder modifizieren, desto mehr kann man sagen, dass die Studie eine Art von Wiederholbarkeitstest bestanden hat.

Natürlich wäre die Überprüfung der FAIRness geisteswissenschaftlicher Forschung schwer zu operationalisieren, und natürlich gäbe es — wie nahezu in allen Bereichen der Wissenschaft — die Möglichkeit der Manipulation, sei es durch Rhetorik oder andere Mittel. Aber wenn uns ernsthaft daran gelegen ist, die Bedeutung von Wissenschaft im Allgemeinen für unsere Gesellschaften selbstbewusst zu vertreten, dann gibt es für mich nur die Möglichkeit, dies im Rahmen einer freien Forschung zu tun. Um die Grundlagen dieser freien Forschung jedoch zu festigen, müssen auch die Geisteswissenschaften endlich anfangen, sich in methodologische Diskussionen zur “wissenschaftlichen Methode” einzumischen und Maximen ihrer Forschungspraxis sowohl innerhalb der einzelnen geisteswissenschaftlichen Fächer als auch über die Grenzen der Geisteswissenschaft hinaus selbstbewusst zu vertreten.

Literatur

  • Wilkinson, Mark D. and Dumontier, Michel and Aalbersberg, Ilsbrand J. and Appleton, Gabrielle and Axton, Myles and Baak, Arie and Blomberg, Niklas and Boiten, Jan-Willem and da Silva Santos, Luiz B. and Bourne, Philip E. and others (2016): The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data 3. 1-9. DOI: 10.1038/sdata.2016.18