
English: 
Is the earth flat?
Is G5 is a mind-control experiment by the
Russian government?
What about the idea that COVID was engineered
by the vaccine industry?
How can we tell apart science from pseudoscience?
This is what we will talk about today.
Now, how to tell science from pseudoscience
is a topic with a long history that lots of
intelligent people have written lots of intelligent
things about.
But this is YouTube.
So instead of telling you what everybody else
has said, I’ll just tell you what I think.
And I think… the task of science is to explain
observations.
So if you want to know whether something is
science you need (a) observations and (b)
you need to know what it means to explain
something in scientific terms.
What scientists mean by “explanation”
is that they have a model, which is a simplified
description of the real world, and this model
allows them to make statements about observations

German: 
Ist die Erde eine Scheibe?
Ist 5G ein Experiment der russischen Regierung zur Gedankenkontrolle?
Was, wenn COVID von der Pharmaindustrie künstlich hergestellt wurde?
Wie können wir Wissenschaft von Pseudowissenschaft unterscheiden?
Darum wird es heute gehen.
Nun, die Suche nach einer solchen Unterscheidung hat eine lange Geschichte,
intelligente Leute haben viel Intelligentes darüber geschrieben.
Aber das hier ist YouTube.
Anstatt hier wiederzugeben, was alle anderen gesagt haben, werde ich einfach sagen, was ich denke.
Und ich denke: Die Aufgabe der Wissenschaft ist es, Beobachtungen zu erklären.
Wenn wir also wissen möchten, ob etwas Wissenschaft ist, benötigen wir (a) Beobachtungen und (b)
müssen wir wissen, was es bedeutet, etwas wissenschaftlich zu erklären.
Was Wissenschaftler mit "erklären" meinen, ist, dass sie ein Modell haben. Ein Modell ist eine vereinfachte
Beschreibung der Wirklichkeit, und dieses Modell erlaubt ihnen, Aussagen über Beobachtungen zu treffen,

German: 
die mit den Messungen übereinstimmen, wobei - und das ist an dieser Stelle wichtig - das Modell
einfacher ist als eine reine Sammlung aller verfügbarer Daten.
Normalerweise ist das so, weil das Modell bestimmte Muster in den Daten hervorhebt,
und jede Art von Muster eine Vereinfachung ist.
Wenn wir so ein Modell haben, dann sagen wir: Es "erklärt" die Daten.
Oder zumindest einen Teil davon.
Eines der besten historischen Beispiele dafür ist die Astronomie.
In der Astronomie ging es stets darum, Muster in den Bewegungen der Himmelskörper zu finden.
Und wer einmal die Muster kennt, der wird, buchstäblich, einfach die Punkte verbinden.
Bildlich gesprochen heißt das: Mit einem wissen-schaftlichen Modell haben wir eine Kurve, die die Datenpunkte verbindet.
Das ist natürlich stark vereinfacht, aber es ist eine lehrreiche Darstellung, denn
es zeigt uns, ab wann ein Modell nicht mehr wissenschaftlich ist.
Das geschieht nämlich dann, wenn das Modell so viele Freiheitsgrade hat, dass es zu allen möglichen Daten passt.
Dann erklärt das Modell gar nichts mehr.

English: 
that agree with measurements and – here
is the important bit – the model is simpler
than just a collection of all available data.
Usually that is because the model captures
certain patterns in the data, and any kind
of pattern is a simplification.
If we have such a model, we say it “explains”
the data.
Or at least part of it.
One of the best historical examples for this
is astronomy.
Astronomy has been all about finding patterns
in the motions of celestial objects.
And once you know the patterns, they will,
quite literally, connect the dots.
Visually speaking, a scientific model gives
you a curve that connects data points.
This is arguably over-simplified, but it is
an instructive visualization because it tells
you when a model stops being scientific.
This happens if the model has so much freedom
that it can fit any data, because then the
model does not explain anything.

German: 
Dann täten wir besser daran, einfach nur die Daten zu sammeln.
Dies ist auch bekannt als "overfitting" (Überanpassung). Auch mit einem Modell, in das mehr Variablen
einfließen als Daten, die es erklären können, brauchen wir uns gar nicht erst zu beschäftigen.
Es ist ist nicht wissenschaftlich.
Eine weitere Sache, die wir aus diesem einfachen Bild lernen können, ist
dass kompliziertere Modelle oft besser zu den Daten passen.
Wenn also jemand fragt, was die beste Erklärung für eine bestimmte Menge von Daten ist, müssen wir fragen:
Wann ist das Hinzufügen eines weiteren Parameters nicht zu rechtfertigen durch die Tatsache, dass das Modell besser zu den Daten passt, die man von ihm bekommen würde?
Für unsere Zwecke spielt es keine Rolle, wie man das genau berechnet. Sagen wir also, dass
es statistische Verfahren gibt, um genau das zu evaluieren.
Das heißt, es lässt sich quantifizieren, wie gut ein Modell die Daten erklärt.
Bis jetzt war das alles sehr quantitativ - und nicht in allen Wissenschaftsdisziplinen
sind Modelle quantitativ, aber grundsätzlich gilt das auch dort:

English: 
You would be better off just collecting the
data.
This is also known as “overfitting ”. If
you have a model that has more free parameters
as input than data to explain, you may as
well not bother with that model.
It’s not scientific.
There is something else one can learn from
this simple image, which is that making a
model more complicated will generally allow
a better fit to the data.
So if one asks what is the best explanation
of a set of data, one has to ask when does
adding another parameter not justify the slightly
better fit to the data you’d get from it.
For our purposes it does not matter just exactly
how to calculate this, so let me say that
there are statistical methods to evaluate
exactly this.
This means, we can quantify how well a model
explains data.
Now, all of what I just said was very quantitative
and not in all disciplines of science are
models quantitative, but the general point
holds.

English: 
If you have a model that requires many assumptions
to explain few observations, and if you hold
on to that model even though there is a simpler
explanation, then that is unscientific.
And, needless to say, if you have a model
that does not explain any observation, then
that is also not scientific.
A typical case of pseudoscience are conspiracy
theories.
Whether that is the idea that the earth is
flat but NASA has been covering up the evidence
since the days of Ptolemais at least, or that
G5 is a plan by the government to mind-control
you using secret radiation, or that COVID
was engineered by the vaccine industry for
profit.
All these ideas have in common that they are
contrived.
You have to make a lot of assumptions for
these ideas to agree with reality, assumptions
like somehow it’s been possible to consistently
fake all the data and images of a round earth
and brainwash every single airline pilot,
or it is possible to control other’s people’s

German: 
Wenn ein Modell viele Grundannahmen benötigt, um wenige Beobachtungen zu erklären und
wenn man an diesem Modell festhält, obwohl es eine einfachere Erklärung gibt, dann ist es unwissenschaftlich.
Unnötig zu sagen, dass ein Modell, dass gar keine Beobachtung erklärt
ebenfalls nicht wissenschaftlich ist.
Ein typischer Fall von Pseudowissenschaft sind Verschwörungstheorien.
Ob das die Idee ist, dass die Erde eine Scheibe ist und die NASA die Beweise seit Ptolemäus vertuscht
und verschleiert. Oder dass 5G ein Regierungsprojekt zur Gedankenkontrolle
durch geheime Strahlung ist. Oder dass COVID von der Impfstoff-Industrie künstlich hergestellt wurde,
um Profit zu machen.
Alle diese Ideen haben gemeinsam, dass sie konstruiert sind.
Man macht eine Menge von Grundannahmen, damit diese Ideen mit der Wirklichkeit übereinstimmen,
Grundannahmen, dass es schon irgendwie möglich gewesen ist, all die Daten und Bilder einer Erdkugel zu fälschen
und jedem einzelnen Flugzeugpiloten das Gehirn zu waschen - oder dass es möglich ist, Gedankenkontrolle

English: 
mind and yet somehow that hasn’t prevented
*you* from figuring out that minds are being
controlled.
These contrived assumptions are the equivalent
of overfitting.
That’s what makes these conspiracy theories
unscientific.
The scientific explanations are the simple
ones, the ones that explain lots of observations
with few assumptions.
The earth is round.
G5 is a wireless network.
Bats carry many coronaviruses, these have
jumped over to humans before, and that’s
most likely where COVID also came from.
Let us look at some other popular example,
Darwinian evolution.
Darwinian evolution is a good scientific theory
because it “connects the dots” basically
by telling you how certain organisms evolved
from each other.
I think that in principle it should be possible
to quantify this fit to data, but arguably
no one has done that.
Creationism, on the other hand, simply posits
that Earth was created with everything in
place.
That means Creationism puts in as much information
as you get out of it.

German: 
an anderen Menschen auszuüben, dabei aber *DICH* nicht davon abzuhalten herauszufinden, dass
Gedankenkontrolle stattfindet.
Diese konstruierten Annahmen sind nichts anderes als "overfitting"(Überanpassung).
Das ist der Grund, warum diese Verschwörungstheorien unwissenschaftlich sind.
Die wissenschaftliche Erklärungen sind die einfachen, die aber eine Menge von Beobachtungen erklären
und nur wenige Annahmen benötigen.
Die Erde ist rund.
5G ist ein Funknetzwerk.
Fledermäuse tragen oft Coronaviren in sich, diese sind auf Menschen übergesprungen und das ist
höchstwahrscheinlich der Ursprung von COVID.
Schauen wir uns ein anderes populäres Beispiel an, die Evolution nach Darwin.
Die Evolution nach Darwin ist eine gute wissenschaftliche Theorie, weil sie grundsätzlich die "Punkte verbindet",
indem sie erklärt, wie sich bestimmte Organismen aus anderen entwickelt haben.
Ich denke, prinzipiell sollte es möglich sein zu quantifizieren, wie gut eine Theorie zu den Daten passt, aber
das hat bisher offenbar noch niemand gemacht.
Der Kreationismus postuliert auf der anderen Seite einfach, dass die Erde so geschaffen wurde,
wie sie heute ist.
Das bedeutet, der Kreationismus steckt da genau so viel Informationen hinein, wie man am Ende herausbekommt.

German: 
Deshalb erklärt er überhaupt nichts.
Was nicht bedeutet, dass eine solche Theorie falsch ist.
Aber es bedeutet, dass sie unwissenschaftlich ist.
Eine andere Methode, Pseudowissenschaft von Wissenschaft zu unterscheiden ist, dass viele Pseudowissenschaftler
damit angeben, Vorhersagen machen zu können.
Aber dass ein Modell hat Vorhersagen erlaubt, heißt noch nicht, dass es wissenschaftlich ist.
Und das Gegenteil ist ebenfalls wahr: Wenn ein Modell keine Vorhersagen macht, heißt das nicht,
dass es nicht wissenschaftlich ist.
Warum ist das so? Weil ziemlich leicht ist, eine Vorhersage zu machen.
Ich kann beispielsweise vorhersagen, dass einer deiner Verwandten nächste Woche krank werden wird.
Und rein zufällig wird das für einige von euch zutreffen.
Beeindruckt dich das?
Vermutlich nicht.
Warum?
Weil ich, um zu demonstrieren, dass die Vorhersage wissenschaftlich ist, mehr leisten müsste
als nur zufällig zu schätzen.
Ich hätte zu erläutern, welches Modell ich genutzt habe und was meine Grundannahmen waren.
Aber ich hatte natürlich kein Modell, ich habe nur ins Blaue geschätzt.

English: 
It therefore does not explain anything.
This does not mean it’s wrong.
But it means it is unscientific.
Another way to tell pseudoscience from science
is that a lot of pseudoscientists like to
brag with making predictions.
But just because you have a model that makes
predictions does not mean it’s scientific.
And the opposite is also true, just because
a model does not make predictions does not
mean it is not scientific.
This is because it does not take much to make
a prediction.
I can predict, for example, that one of your
relatives will fall ill in the coming week.
And just coincidentally, this will be correct
for some of you.
Are you impressed?
Probably not.
Why?
Because to demonstrate that this prediction
was scientific, I’d have to show was better
than a random guess.
For this I’d have to tell you what model
I used and what the assumptions were.
But of course I didn’t have a model, I just
made a guess.

German: 
Und das erklärt gar nichts. Deshalb ist es nicht wissenschaftlich.
Und ein Modell, das keine Vorhersagen macht, kann dennoch wissenschaftlich sein, wenn viel
der vorhandenen Daten erklärt.
Pandemie-Modelle sind tatsächlich ein gutes Beispiel für wissenschaftliche Modelle, die keine Vorhersagen erlauben.
Vorhersagen zur Ausbreitung von Infektionskrankheiten sind grundsätzlich unmöglich, weil
diese Ausbreitung von politischen Entscheidungen abhängt und diese wiederum nicht vorhersagbar sind.
Was Pandemie-Modelle leisten können, sind "Projektionen" oder auch "Szenarien",
das sind die Wenn-Dann-Fälle:
Wenn wir Großveranstaltungen nicht absagen, dann wird die Ausbreitung möglicherweise so aussehen.
Wenn wir sie absagen, dann wird die Ausbreitung wahrscheinlich eher so aussehen.
Das ist keine Vorhersage, weil nicht vorhersagbar ist, ob Großveranstaltungen abgesagt werden.
Aber das macht diese Modelle nicht unwissenschaftlich.

English: 
And that doesn’t explain anything, so it’s
not scientific.
And a model that does not make predictions
can still be scientific if it explains a lot
of already existing data.
Pandemic models are actually a good example
for scientific models which do not make predictions.
It is basically impossible to make predictions
for the spread of infectious diseases because
that spread depends on policy decisions which
themselves can’t be predicted.
So with pandemic models we really make “projections”
or we can look at certain “scenarios”
that are if-then cases.
If we do not cancel large events, then the
spread will likely look like this.
If we do cancel them, the spread will more
likely look like that.
It’s not a prediction because we cannot
predict whether large events will be canceled.
But that does not make these models unscientific.

German: 
Sie sind wissenschaftlich, weil sie die Ausbreitung einer Epidemie präzise beschreiben.
Sie sind einfache Erklärungen, die gut auf einen Großteil der Daten passen.
Und in erster Linie nutzen nutzen wir sie deswegen.
Gleicher Fall bei den Klimamodellen.
Die einfachste Erklärung für unsere Beobachtungen, nämlich die, die am wenigsten Grundannahmen macht
und am besten zu den Daten passt, ist, dass der Klimawandel mit der Kohlendioxid-Konzentration zusammenhängt
und deshalb vom Menschen verursacht wird.
Das sagt die Wissenschaft.
Wer also wissen möchte, ob ein Modell wissenschaftlich ist, muss die Frage stellen, wie viele Daten
es korrekt reproduzieren kann und wie viele Grundannahmen dafür notwendig sind.
Wie schon gesagt: Es kann schwierig sein, Wissenschaft von Pseudowissenschaft zu unterscheiden, wenn
eine Idee noch nicht vollständig entwickelt ist und man permanent gesagt bekommt: sie ist vielversprechend, sie ist vielversprechend ...
aber noch niemand wirklich zeigen kann, dass das Modell zu den Daten passt, weil gesagt wird, man sei
noch nicht fertig mit der Forschung.
Das lässt sich in der Grundlagenphysik beobachten, prominentestes Beispiel ist die String-Theorie,

English: 
They are scientific because they accurately
describe the spread of epidemics on record.
These are simple explanations that fit a lot
of data.
And that’s why we use them in the first
place.
The same is the case for climate models.
The simplest explanation for our observation,
the one that fits the data with the least
amount of assumptions, is that climate change
is due to increasing carbondioxide levels
and caused by humans.
That’s what the science says.
So if you want to know whether a model is
scientific, ask how much data it can correctly
reproduce and how many assumptions were required
for this.
Having said that, it can be difficult to tell
science from pseudoscience if an idea has
not yet been fully developed and you are constantly
told it’s promising, it’s promising, but
no one can ever actually show the model fits
to data because, they say, they’re not done
with the research.
We see this in the foundations of physics
most prominently with string theory.

English: 
String theory, if it would work as advertised,
could be good science.
But string theorists never seem to get to
the point where the idea would actually be
useful.
In this case, then, the question is really
a different one, namely, how much time and
money should you throw at a certain research
direction to even find out whether it’s
science or pseudoscience.
And that, ultimately, is a decision that falls
to those who fund that research.
Thanks for watching, see you next week.

German: 
die, wenn sie funktionieren würde wie angepriesen, gute Wissenschaft sein könnte.
Aber die String-Theoretiker scheinen nie den Punkt zu erreichen, an dem die Theorie
nutzbar wird.
In diesem Fall stellt sich eine wirklich andere Frage, nämlich, wie viel Zeit und
Geld in eine bestimmte Forschungsrichtung gesteckt werden sollte, nur um herauszufinden,
ob es sich dabei um Wissenschaft oder Pseudowissenschaft handelt.
Diese Entscheidung liegt letzten Endes bei denen, die Forschung finanzieren.
Danke fürs Anschauen. Bis nächste Woche.
