View source for Design Criteria of Methods (German)

'''Note:''' This is the German version of this entry. The original, English version can be found here: [[Design Criteria of Methods]]. This entry was translated using DeepL and only adapted slightly. Any etymological discussions should be based on the English text.

Dieses Wiki vermittelt Ihnen einen kritischen Überblick und ein Verständnis des methodischen Kanons der Wissenschaft. Der folgende Eintrag stellt die zugrundeliegende Konzeptualisierung der wissenschaftlichen Methoden vor, die die Kategorisierung der [[Methods|auf diesem Wiki vorgestellten Methoden]] leitet.

== Wozu der Perspektivwechsel? ==
Die beste Argumentation, die mir einfällt, warum wir eine andere Art und Weise brauchen, über wissenschaftliche Methoden nachzudenken, ist eigentlich in der Wissenschaftsgeschichte verwurzelt, und wie die Art und Weise, wie wir über Methoden in der Zukunft denken, sich von diesen vergangenen Entwicklungen unterscheiden sollte. [https://de.wikipedia.org/wiki/Thomas_S._Kuhn Kuhn] spricht von Revolution und Paradigmenwechsel im wissenschaftlichen Denken, und ich glaube fest daran, dass ein solcher Paradigmenwechsel gerade jetzt immanent ist. Tatsächlich findet er bereits statt. 

[[File:globalwealthreport_statista.jpeg|thumb|400px|right|'''Die Globale Verteilung von Geld'''. Quelle: [https://www.statista.com/chart/11857/the-global-pyramid-of-wealth/ Statista]]] 
'''Heute stehen wir vor beispiellosen Herausforderungen in Bezug auf deren Umfang und Komplexität.''' Während einige Probleme noch leicht zu lösen sind, sind es andere nicht. Aufgrund der komplexen Phänomene der Globalisierung stehen wir heute vor Herausforderungen, die sich wirklich über den ganzen Globus erstrecken und ebenso gut den ganzen Globus betreffen können. Die Globalisierung begann einst mit dem Versprechen, eine geeinte und vernetzte Menschheit zu schaffen. Dies ist natürlich eine sehr naive Weltsicht und ist, wie wir heute sehen, in vielerlei Hinsicht gescheitert. Stattdessen sehen wir eine Zunahme der globalen Ungleichheit in Bezug auf viele Indikatoren, darunter [https://www.gapminder.org/tools/#$chart-type=bubbles globale Wohlstandsverteilung]. Der Klimawandel, der Verlust der biologischen Vielfalt und die Versauerung der Ozeane zeigen, dass die Herausforderungen gravierend sind und ebenso gut zu einem Ende der Welt, wie wir sie kennen, führen können, wenn man Pessimist ist. Ich bin kein Pessimist, denn das Schmoren in einem düsteren Szenario unseres zukünftigen Untergangs wird uns nicht helfen, dies zu verhindern. Stattdessen haben sich [https://www.pnas.org/content/108/49/19449 Nachhaltigkeitswissenschaft] und viele andere Wissenschaftszweige für eine lösungsorientierte Agenda entschieden, die verkündet, dass wir, anstatt Probleme nur zu beschreiben, und trotz des starken Drangs, uns darüber zu beschweren, zusammenarbeiten und Lösungen für diese bösen Probleme finden müssen. In den letzten Jahrzehnten hat sich die Wissenschaft langsam aus ihren "Elfenbeintürmen" herausgearbeitet, und die Notwendigkeit der [[Transdisciplinarity|Zusammenarbeit von Wissenschaft und Gesellschaft]] wurde deutlich. Obwohl uns dies oft näher an mögliche Lösungen bringt, die im Idealfall mehr und mehr Menschen dienen, steckt die Wissenschaft immer noch in einem Modus fest, der oft arrogant, ressourcenorientiert und anachronistisch ist. Obwohl dies sicherlich harte Worte sind, nennen einige Leute dies "normale Wissenschaft". Die aktuellen Herausforderungen erfordern jedoch einen neuen Wissenschaftsmodus; einen radikalen, aber in langen Traditionen verwurzelten, kooperativen, der aber dennoch in der Lage ist, sich tief auf bestimmte Teile des Wissens zu konzentrieren, lösungsorientiert, aber nicht naiv, und friedlich, anstatt konfrontativ und ressourcenorientiert zu sein. 


Die Wissenschaft hat längst erkannt, dass wir - Wissenschaftlerinnen und Wissenschaftler aus allen Disziplinen und Kulturen - aufgrund der Globalisierung, der gemeinsamen und gemeinsamen Perspektiven der Disziplinen und der Vorteile der modernen Kommunikation oft ein gemeinsames Interesse an bestimmten Themen haben. Für jedes Thema gibt es verschiedene wissenschaftliche Disziplinen, die sich damit befassen, wenn auch aus unterschiedlichen Perspektiven. Nehmen Sie den Klimawandel, wo viele Disziplinen ihren fünf Cent für die Debatte anbieten. '''Wird eine der einzelnen wissenschaftlichen Disziplinen die Probleme allein lösen? Höchstwahrscheinlich nicht.'''' Werwölfe können durch Silberkugeln getötet werden, doch für die meisten Probleme, mit denen wir derzeit konfrontiert sind, gibt es keine Silberkugel. Wir werden uns komplexere Lösungen ausdenken müssen, die oft in unisono über verschiedene Disziplinen hinweg und gemeinsam mit der Gesellschaft funktionieren. 

Die meisten Disziplinen haben jedoch spezifische Traditionen etabliert, wenn es um die Methoden geht, die angewendet werden. Diese Traditionen garantieren zwar Erfahrung, aber sie erlauben es uns vielleicht nicht, das Problem zu lösen, mit dem wir derzeit konfrontiert sind. Einige Methoden sind für bestimmte Disziplinen exklusiv, doch die meisten Methoden werden von mehreren Disziplinen angewendet. Manchmal haben sich diese Methoden gemeinsam entwickelt, aber in den meisten Fällen haben sie sich von einem gemeinsamen Ausgangspunkt entfernt und werden dann im jeweiligen Kontext des jeweiligen Wissenschaftszweigs spezifischer. Beispielsweise sind [[Open Interview|Interviews]] in vielen Bereichen der Wissenschaft weit verbreitet, doch die Umsetzung ist oft sehr unterschiedlich, und bestimmte Wissenschaftszweige bevorzugen in der Regel bestimmte Arten von Interviews. Das bringt uns nicht weiter, wenn wir Einsichten austauschen, zusammenarbeiten und das in verschiedenen Disziplinen gesammelte Wissen kombinieren wollen. Unbestritten ist, dass die moderne Wissenschaft zunehmend auf einem Kanon unterschiedlicher Ansätze aufbaut, und es besteht eine klare Notwendigkeit, die "Silos", in die die Methoden derzeit gepackt sind, auszupacken. Zwar kann nichts gegen tiefes methodologisches Fachwissen gesagt werden, aber einige Disziplinen neigen dazu, sich auf ihre Methoden zu verlassen und ihre Ansätze als die gültigsten zu deklarieren. Wir alle betrachten das Universum jedoch aus unterschiedlichen Perspektiven, durch unterschiedliche Linsen und erstellen unterschiedliche Modelle. '''Die Wahl der wissenschaftlichen Methode bestimmt stark das Ergebnis unserer Forschung.''' Wenn ich auf einer bestimmten Methode bestehe, erhalte ich das spezifische Wissen, das diese Methode freizusetzen vermag. Es kann jedoch sein, dass es unmöglich ist, andere Teile des Wissens durch diese Methode freizuschalten, und es gibt nicht eine einzige Methode, die das gesamte Wissen freischalten kann. 

'''Ich bin überzeugt, dass wir Methoden je nach der Art des Wissens, das wir schaffen wollen, auswählen und anwenden müssen, unabhängig vom disziplinären Hintergrund oder der Tradition.''' Wir sollten danach streben, immer erfahrener und befähigt zu werden, die für jeden Forschungszweck am besten geeignete Methode anzuwenden und uns nicht allein auf das zu verlassen, was unsere Disziplin schon immer getan hat. Um dies zu erreichen, schlage ich Designkriterien von Methoden vor - eine Konzeptualisierung der Natur von Methoden. Mit anderen Worten: Welches sind die zugrunde liegenden Prinzipien, die die verfügbaren wissenschaftlichen Methoden leiten? Zunächst müssen wir mit der grundlegendsten Frage beginnen: 


== Was sind wissenschaftliche Methoden? ==
Allgemein gesprochen: ''wissenschaftliche Methoden schaffen Wissen''. Dieser Prozess der Wissensschöpfung folgt bestimmten Prinzipien und hat eine gewisse Sorgfalt. Wissen, das durch wissenschaftliche Methoden geschaffen wird, sollte idealerweise [https://plato.stanford.edu/entries/scientific-reproducibility/ ''reproduzierbar''] sein, was bedeutet, dass jemand anderes unter den gegebenen Umständen bei Anwendung der jeweils gleichen Methoden zu den gleichen Erkenntnissen kommen würde. Dies ist insofern wichtig, als andere Personen unter ähnlichen Bedingungen vielleicht andere Daten erstellen würden, aber alle Daten sollten Forschungsfragen oder Hypothesen auf die gleiche Weise beantworten. Es gibt jedoch einige Methoden, die unterschiedliche Wissensmuster erzeugen können, weshalb die Dokumentation bei der Anwendung wissenschaftlicher Methoden von zentraler Bedeutung ist. Einige Wissensformen, wie z.B. die Wahrnehmung von Individuen, können nicht reproduziert werden, da es sich dabei um singuläre Perspektiven handelt. '''Wissen, das durch wissenschaftliche Methoden geschaffen wird, folgt daher entweder einer systematischen Anwendung von Methoden oder einer systematischen Dokumentation der Anwendung von Methoden'''. Reproduzierbare Ansätze schaffen dasselbe Wissen, und andere Ansätze sollten ebenso gut dokumentiert werden, um sicherzustellen, dass bei allen Schritten, die unternommen werden, nachvollzogen werden kann, was genau getan wurde. 

Eine weitere Möglichkeit, Methoden zu definieren, betrifft die verschiedenen Stadien der Forschung, in denen sie angewandt werden. '''Bei Methoden geht es darum, Daten zu sammeln, Daten zu analysieren und Daten zu interpretieren.''' Nicht alle Methoden erfüllen alle diese drei Schritte, die meisten Methoden sind sogar ausschließlich auf einen oder zwei dieser Schritte beschränkt. Zum Beispiel kann man [[Semi-structured Interview|strukturierte Interviews]]] - die eine Möglichkeit sind, Daten zu sammeln - mit statistischen Tests analysieren, die eine Form der Analyse darstellen. Die Interpretation der Ergebnisse stützt sich dann auf das Design der Interviews, und es gibt Normen und viel Erfahrung mit der Interpretation statistischer Tests. Daher sind das Sammeln von Daten, ihre Analyse und die anschließende Interpretation der Ergebnisse Teil eines Prozesses, den wir "Designkriterien für Methoden" nennen. Etablierte Methoden folgen oft bestimmten mehr oder weniger etablierten Normen, und die Normen lassen sich in die wichtigsten Designkriterien von Methoden unterteilen. Werfen wir einen Blick auf diese. 

'''Einer der stärksten Diskurse über die Klassifizierung von Methoden dreht sich um die Frage, ob eine Methode quantitativ oder qualitativ ist'''. [[:Category:Quantitative||''Quantitative'']] Methoden konzentrieren sich auf die Messung, Zählung und konstruierte Verallgemeinerung, wobei die statistische oder mathematische Analyse von Daten sowie die Interpretation von Daten, die aus Zahlen bestehen, miteinander verknüpft werden, um Muster zu extrahieren oder Theorien zu untermauern. Einfach ausgedrückt geht es bei quantitativen Methoden um Zahlen. [[:Category:Qualitative||''Qualitative'']] Methoden hingegen konzentrieren sich auf die menschlichen Dimensionen der beobachtbaren oder konzeptuellen Realität, wobei oft Beobachtungsdaten oder die Interpretation vorhandener Daten direkt mit der Theorie oder den Konzepten verknüpft werden, was ein tiefes kontextuelles Verständnis ermöglicht. Sowohl quantitative als auch qualitative Methoden sind ''[[Normativity of Methods|normativ]]''. Diese beiden im Allgemeinen unterschiedlichen Denkrichtungen werden in den letzten Jahrzehnten zunehmend miteinander verbunden, doch die Mehrheit der Forschung - und noch wichtiger, der Disziplinen - wird entweder von qualitativen oder quantitativen Methoden dominiert. Obwohl dies an sich vollkommen in Ordnung ist, gibt es einen tiefen ideologischen Graben zwischen diesen beiden Ansätzen, und es wird viel darüber geurteilt, welcher Ansatz gültiger ist. Ich halte dies für irreführend, wenn nicht gar falsch, und schlage stattdessen vor, je nach den angestrebten Erkenntnissen den geeigneten Ansatz zu wählen. Es gibt jedoch einen Vorbehalt: Ein Großteil des wissenschaftlichen Kanons der letzten Jahrzehnte wurde von der Forschung dominiert, die auf quantitativen Ansätzen aufbaute. Vor allem in der qualitativen Forschung entstehen jedoch neue spannende Methoden. Da für die Probleme, mit denen wir derzeit konfrontiert sind, neuartige Lösungen erforderlich sind, erscheint es notwendig, dass sowohl der Umfang als auch der Anteil der qualitativen Forschung in Zukunft zunimmt. 

[[File:deductiveinductive_danielmiessler.png|thumb|left|'''Deductive vs. Inductive Logik'''. Quelle: [https://danielmiessler.com/images/Screen-Shot-2016-07-15-at-9.57.07-AM.png Daniel Miessler]]] 
'''Methoden können weiter danach unterschieden werden, ob sie induktiv oder deduktiv sind'''. [[:Category:Deductive|''Deduktive'']] Argumentation baut auf Aussagen oder Theorien auf, die durch Beobachtung bestätigt werden oder durch Logik bestätigt werden können. Dies ist tief in der Tradition von [https://plato.stanford.edu/entries/francis-bacon/ Francis Bacon] verwurzelt und ist insbesondere in den Naturwissenschaften und in der Forschung, die sich quantitativer Methoden bedient, zu einer wichtigen Grundlinie geworden. [[:Category:Inductive|''Induktive'']] Methoden ziehen Schlussfolgerungen auf der Grundlage von Daten oder Beobachtungen. Viele argumentieren, dass diese Schlussfolgerungen nur Annäherungen an eine wahrscheinliche Wahrheit sind. Die Ableitung des Wissens aus Daten und nicht aus der Theorie in der induktiven Forschung kann als Kontrapunkt zur hypothesengeleiteten deduktiven Argumentation gesehen werden, obwohl dies nicht immer der Fall ist. Zwar wird auch heute noch meist behauptet, Forschung sei eindeutig entweder induktiv oder deduktiv, doch handelt es sich dabei oft um einen Schwindel. Es gibt viele Leute, die große Datensätze verwenden und klare Hypothesen aufstellen. Ich denke, wenn diese Leute ehrlich wären, würde klar werden, dass sie die Daten analysiert haben, bis sie diese Hypothesen hatten, und dennoch veröffentlichen sie die Ergebnisse mit Hypothesen, die sie vorgeben, von Anfang an gehabt zu  haben. Das ist ein klarer Hinweis darauf, dass die wissenschaftliche Tradition sich an uns rächt, die bis heute oft auf einer Kultur aufbaut, die eine Hypothesenbildung verlangt. Andererseits fordern andere Disziplinen ebenso dogmatisch einen induktiven Ansatz und lehnen jede Deduktion weitgehend ab. Ich werde hier nicht auf [[Big problems for later] die Vorzüge der induktiven Argumentation]] eingehen, sondern nur hervorheben, dass ihre Offenheit und ihr Drang, nicht deterministisch zu sein, einen wichtigen und relevanten Kontrapunkt zur deduktiven Forschung darstellen. Genau wie im Bereich der quantitativen und qualitativen Methoden gibt es einen tiefen Graben zwischen induktiver und deduktiver Forschung. Eine Möglichkeit, diesen Graben in einem ehrlichen und wertvollen Ansatz zu überwinden, wäre das abduktive Denken, das aus Iterationen zwischen Daten und Theorie besteht. Ich glaube, dass ein großer Teil der modernen Forschung tatsächlich so gestaltet ist und so durchgeführt wird, dass ein ständiger Austausch zwischen Daten und Theorie stattfindet. Angesichts der Komplexität der modernen Forschung macht dies auch Sinn: Einerseits kann nicht jede Forschung in kleine "hypothesenfähige" Einheiten zerlegt werden, und andererseits ist bereits so viel Wissen vorhanden, weshalb viel Forschung auf früheren Theorien und Kenntnissen aufbaut. Dennoch müssen wir heute und auf Jahre hinaus anerkennen, dass ein Großteil der bisherigen modernen Forschung in die traditionell etablierte induktive oder deduktive Kategorie fallen wird. Es ist daher nicht überraschend, dass [[Different_paths_to_knowledge#Critical_Theory_.26_Bias|kritische Theorie]] und andere Ansätze diese starren Kriterien und das Wissen, das sie hervorbringen, in Zweifel ziehen. Nichtsdestotrotz stellen sie eine wichtige Kategorisierung für den gegenwärtigen Stand der Technik in vielen Bereichen der Wissenschaft dar und verdienen daher kritische Aufmerksamkeit, zumindest weil viele Methoden entweder den einen oder den anderen Ansatz implizieren. 

'''Verschiedene wissenschaftliche Methoden konzentrieren sich auf bestimmte räumliche Skalen oder sind sogar auf diese beschränkt, andere wiederum können sich über mehrere Skalen erstrecken'''. Einige Methoden werden auf globaler Ebene operationalisiert, während andere sich auf das Individuum konzentrieren. Beispielsweise kann eine statistische Korrelationsanalyse auf Daten über Einzelpersonen angewandt werden, die in einer Umfrage erhoben wurden, aber auch auf globale Wirtschaftsdaten angewandt werden. Eine ''globale'' räumliche Skala der Stichprobenziehung wird durch Daten definiert, die den gesamten Globus oder einen nicht absichtlich ausgewählten Teil des Globus abdecken. Solche globalen Analysen sind von zunehmender Bedeutung, da sie es uns ermöglichen, ein wirklich einheitliches Verständnis der gesellschaftlichen und natürlichen Phänomene zu erhalten, die den globalen Maßstab betreffen. Eine "individuelle" Stichprobenskala ist eine Skala, die sich auf einzelne Objekte konzentriert, zu denen Menschen und andere Lebewesen gehören. Die individuelle Skala kann uns einen tiefen Einblick in Lebewesen geben, mit einem ausgeprägten Schwerpunkt auf der Forschung am Menschen. Da unsere Vorstellungen vom Menschen vielfältig sind, finden sich hier auch viele verschiedene Ansätze, und viele Zweige der Wissenschaft konzentrieren sich auf das Individuum. Diese Skala hat in den letzten Jahrzehnten sicherlich an Bedeutung gewonnen, und wir fangen erst an, die Vielfalt des Wissens zu verstehen, die eine individuelle Skala zu bieten hat. 

Dazwischen gibt es eine riesige Lücke, die in verschiedenen Bereichen der Wissenschaft unterschiedliche Namen haben kann - "Landschaften", "Systeme", "Institutionen", "Einzugsgebiete" und andere. Verschiedene Wissenschaftszweige konzentrieren sich auf unterschiedliche mittlere Skalen, doch wird dies oft als eine der am häufigsten untersuchten Skalen angesehen, da sie eine große Vielfalt an Daten erzeugen kann. Ich nenne sie die "System-Skala". Eine "System"-Skala der Stichprobenziehung ist definiert durch jede Skala, die mehrere einzelne Objekte enthält, die miteinander interagieren oder in eine breitere Matrixumgebung eingebettet sind. Im Hinblick auf unser Systemverständnis ist dies eine relevante methodische Skala, da sie eine große Vielfalt empirischer Daten erzeugen kann, und auf dieser Skala werden viele verschiedene Methoden angewandt. Darüber hinaus ist sie auch im Hinblick auf die Normativität eine recht relevante Skala, weil sie Wissen über den Wandel von Systemen erzeugen kann, das mit dem Ziel operationalisiert werden kann, diesen Wandel zu fördern oder zu behindern. Daher kann diese Systemskala in Bezug auf Wissen, das sich auf die Politik konzentriert, recht relevant sein. Es dauert sicherlich länger, den Globus zu verändern, und das Verständnis des Wandels bei den Menschen hat viele tiefere theoretische Grundlagen und Rahmenbedingungen. 

'''Das letzte Kriterium, um Methoden zu konzeptualisieren, ist die Zeit.''' Die überwiegende Mehrheit der empirischen Studien befasst sich mit einem Zeitabschnitt (der ''Gegenwart''), und dies macht die Studien, die versuchen, die Vergangenheit zu verstehen oder den kühnen Versuch unternehmen, mehr über die Zukunft zu erfahren, umso wertvoller. Die Analyse der ''Vergangenheit'' kann sehr vielfältig sein, von der quantitativen Längsschnittdatenanalyse bis zur tiefen [[Hermeneutics|hermeneutischen]] Textanalyse und Interpretation längst vergangener Autoren. Es gibt viele Fenster in die Vergangenheit, und wir fangen erst an, viele der faszinierendsten Perspektiven zu entwirren, da viele der verfügbaren Schätze erst jetzt von der Wissenschaft erforscht werden. Dennoch gibt es eine lange Tradition in den Geschichts- und Kulturwissenschaften und vielen anderen Wissenschaftszweigen, die beweisen, wie viel wir aus der Vergangenheit lernen können. Mit dem Einsatz von Vorhersagemodellen, der Entwicklung von Szenarien über die ''Zukunft'' und vielen anderen verfügbaren Ansätzen versucht die Wissenschaft auch, mehr Wissen über das, was werden könnte, zu generieren. Das Konzept der Zukunft selbst ist ein menschliches Privileg, auf das sich die Wissenschaft aufgrund der vielen Herausforderungen, vor denen wir stehen, zunehmend konzentriert. In den letzten Jahrzehnten sind neue Ansätze entstanden, und unser Wissen über die Zukunft wächst mit Sicherheit. Bis heute müssen wir feststellen, dass diese Studien noch viel zu selten sind, und ein großer Teil unseres empirischen Wissens baut auf Momentaufnahmen eines bestimmten Zeitpunkts auf. 

'''Basierend auf diesen Überlegungen schlage ich vor, dass Sie die folgenden Designkriterien im Hinterkopf behalten, wenn Sie sich einer spezifischen wissenschaftlichen Methode annähern:''' 
* [[:Category:Quantitative|Quantitativ]] - [[:Category:Qualitative|Qualitativ]]
* [[:Category:Inductive|Induktiv]] - [[:Category:Deductive|Deduktiv]]
* Spatial scale: [[:Category:Individual|Individuum]] - [[:Category:System|System]] - [[:Category:Global|Global]]
* Temporal scale: [[:Category:Past|Vergangenheit]] - [[:Category:Present|Gegenwart]] - [[:Category:Future|Zukunft]]

Versuchen Sie zu verstehen, wie Methoden im Hinblick auf diese Kriterien operationalisiert werden können. Einige Methoden kreuzen nur eine Option pro Kriterium an, und andere können sich über viele verschiedene Kombinationen von Kriterien erstrecken. Aus der [[Methods|großen Vielfalt der Methoden]] gibt Ihnen diese Kategorisierung eine erste Positionierung jeder spezifischen Methode. Es gibt buchstäblich Hunderte von Methoden. Anstatt sie alle zu verstehen, versuchen Sie, die Kriterien zu verstehen, die sie vereinen und differenzieren. Nur durch das Verständnis dieser methodologischen Gestaltungskriterien können Sie die Methode auswählen, die das möglicherweise benötigte Wissen schafft. 
----
[[Category: Normativity of Methods]]