Устин Чащихин - Научный метод познания. Ключ к решению любых задач

• Название: Научный метод познания. Ключ к решению любых задач
• Автор: Устин Чащихин
• Жанр: Прочая научная литература
• Год: 2013

В книге детально изложен научный метод познания, применяемый учеными при научных исследованиях. Рассмотрены критерий Поппера, принцип достаточного основания Аристотеля, бритва Оккама, сбор экспериментальных данных и их математико-статистическая обработка, основы математической логики. На конкретных примерах и задачах автор показывает, как научный метод познания применяется на практике, как избегать ошибок, как отличить науку от лженауки.

Книга предназначена для широкой аудитории, интересующейся познанием истины, наукой и научным подходом к решению любых задач.

Автор закончил химический факультет МГУ им. М.В.Ломоносова, Высшую Школу Экономики и Нидерландский Институт Маркетинга.

---

А теперь научимся применять эти знания. Пример – ошибочность астрологии. Нет механизма причинно-следственного влияния планет и звезд на людей, которое бы стояло за астрологией. Луна вызывает приливы и отливы (гравитация), а Солнце – излучение (электромагнетизм). Планеты и тем более звезды не могут никак влиять на Землю и тем более на людей, даже космические лучи от взрывов сверхновых звезд пренебрежимы для жизни людей, хотя и регистрируемы приборами. Жизнь человека определяется его поступками, поступками других людей и явлениями окружающей среды, непосредственно касающимися человека в месте его жизни , а не в глубоком космосе. Жизнь человека зависит от его возможностей приспособления к окружающей среде и от его возможностей влияния на нее.

Не нужно перекладывать ответственность за свою жизнь на звезды или сверхествественные явления. Мы можем сами изменить свою жизнь. Что мы сделаем, то и будет.

4. Принцип достаточного основания Аристотеля, бритва Оккама

В главе 3 мы рассмотрели наличие в мире причиннос-ледственных связей в мире. Логическое мышление человека строится так, чтобы проследить за материальными причинно-следственными связями. При этом, если некая причина или несколько причин вызывают некое явление, то они являются достаточными и поэтому нет смысла для объяснения данного явления выдумывать новые причины . Этот принцип носит название принцип достаточного основания , он был разработан ещё великим древнегреческим ученым Аристотелем в IV веке до н. э.

Таким образом, из представления о причинно-следственных связях логически следует принцип достаточного основания Аристотеля.

Английский ученый Уильям Оккам в XIV веке сформулировал принцип Аристотеля следующим образом: "Для объяснения причин явлений не следует привлекать новые понятия без крайней необходимости". Эта формулировка принципа Аристотеля называется бритва Оккама.

Если явление имеет достаточные основания, то дополнительные объяснения явления – ложные, их изобретать не нужно. Лишние, не нужные, понятия как бы "срезаются бритвой" Оккама для упрощения картины мира. Все следует упрощать по мере возможности, не нужно ничего усложнять.

Великий английский ученый Исаак Ньютон сформулировал этот принцип так: «Не должно принимать в природе иных причин сверх тех, которые истинны и достаточны для объяснения явлений… Природа проста и не роскошествует излишними причинами вещей». Другой альтернативной формулировкой принципа достаточного основания Аристотеля – бритвы Оккама – является ставшее крылатым выражение А.П.Чехова "краткость – сестра таланта". В англоязычной литературе этот принцип также известен как принцип KISS – Keep It Short and Simple – "поддерживай краткость и простоту".

Бритва Оккама используется в науке следующим образом: если какой-то факт может быть объяснён двумя способами, например, первым – через привлечение понятий А и В, а вторым

– через понятия А, В и С, и при этом оба способа дают одинаковый результат, то понятие C лишнее, и верным является первый способ (который может обойтись без привлечения лишних понятий).

Четырех фундаментальных сил природы – гравитации, электромагнетизма, сильного и слабого взаимодействий – достаточно для описания всего мира. Современная наука не нуждается в гипотезах о сверхестественных силах для объяснения любых явлений природы.

Даже от понятия "душа" мировая наука отказалась после того, как в позапрошлом веке – в 1863 году великий русский ученый, основоположник физиологии, И.М.Сеченов опубликовал свою знаменитую книгу "Рефлексы головного мозга", где объяснил все душевные явления с позиций материализма. Его имя сегодня носит Московская Медицинская Академия имени И.М.Сеченова. Современная наука об изучении мозга – нейрофизиология.

А если материальных причин достаточно для объяснения всех явлений мира, то все сверхъестественное не существует согласно принципу достаточного основания Аристотеля.

5. Мерило случайности совпадения, математико-статистическая обработка экспериментальных данных

Здесь нет смысла повторять теорию вероятностей и математическую статистику и лучше порекомендовать читателю изучить любой учебник по этой теме. Тем не менее следует кратко упомянуть основные моменты, ибо многие религиозные выводы делаются людьми, не знающими теорию вероятностей.

Люди часто делают ошибочные выводы, проведя всего лишь один опыт , совпадение в котором между предположением и экспериментом может оказаться случайным. Например, полно таких случаев, когда кто-то о чём-то помолился и вдруг это получил – не нужно на одном этом случайном совпадении делать религиозные выводы, ибо это некорректно с точки зрения теории вероятностей.

Важное качество верной теории – повторяемость, воспроизводимость результата.

Для того, чтобы исключить влияние фактора случайности, случайное совпадение, необходимо провести хотя бы несколько сотен аналогичных экспериментов. Только так можно обнаружить закономерность и исключить случайность. Именно поэтому никакая научная теория не может основываться на одном единственном опыте – нужны сотни аналогичных опытов, чтобы накопить статистически значимое количество данных . Например, можно провести 10 или 100 опытов для проверки высказывания "железо растворяется в соляной кислоте" и в 100 % случаев мы подтвердим его.

В любой области науки – в физике, химии, экономике и пр. – везде используется статистическая погрешность. Если мы хотим проверить закон Ома, то можно провести несколько сотен измерений разной силы тока и разного напряжения при разных сопротивлениях, чтобы убедиться в истинности закона Ома в проверенном диапазоне величин напряжения, сопротивления и силы тока. Или, например, при проведении маркетинговых исследований с опросом потребителей ни в коем случае нельзя строить маркетинговую стратегию компании на мнении одного или даже десяти потребителей. Потому что вероятность статистической ошибки будет очень высока. При проведении маркетинговых исследований лучше опросить, скажем, 1000 или более потребителей. После такого опроса отдел маркетинга компании получит более-менее объективные данные о потребности потребителей в данном товаре на данном сегменте рынка. И чем больше выборка – тем менее вероятна статистическая ошибка. Поэтому крупные компании тратят очень большие деньги на точные маркетинговые исследования с детальным опросом очень большого количества потребителей, чтобы тем самым сократить риски бизнеса и чтобы точно знать, что данный товар по данной цене купит такое-то количество потребителей на данном сегменте рынка, и следовательно, можно получить такую-то научно прогнозируемую прибыль. Следуя научному подходу – пониманию теории вероятностей и математической статистики – умный бизнес может прогнозировать свою прибыль, заранее расчитывать расходы на рекламу, которые точно окупятся и значительно снизить (практически ликвидировать) рыночные риски бизнеса.

Но статистическая ошибка будет всегда. Поэтому в точных науках результат даётся с погрешностью, например: х = (34 ± 2), CL = 95 %. Это означает, что на уровне достоверности 95 % величина х лежит в интервале от 32 до 36. И еще есть вероятность 5 % того, что величина х находится вне этого интервала. CL – confidence level – уровень достоверности (англ.).

Все случайные величины подчиняются распределению Гаусса в пределе при количестве элементов выборки, стремящемуся к бесконечности. Согласно распределению Гаусса, наиболее вероятная величина – среднее арифметическое бесконечно большой выборки. Однако реальные выборки отнюдь не бесконечно большие, а 100 или 1000 или любое иное число элементов. Причем, среднее арифметическое реальной выборки далеко не всегда равно среднему арифметическому бесконечно большой выборки.

Например, в некоем ресторане обычно около 1000 посетителей в месяц, а средняя сумма чека – 300 рублей. Но однажды там ещё 10 человек отметили свадьбу с суммой чека 120 000 рублей. Если мы подсчитаем среднее арифметическое за данный месяц, то у нас получится (300*1000 + 120 000)/1010 = 416 руб. Можно ли говорить, что "бизнес растёт"? Разумеется, нет. Потому что среднее арифметическое данной выборки за данный месяц – 416 руб. – сильно отличается от среднего арифметического более крупной выборки – за год, где оно равно 300 руб. Но что делать, если в данном конкретном случае у нас нет физической возможности увеличения объёма выборки для приближения её к распределению Гаусса?

Для решения этой задачи были введены другие мерила для нахождения средне-статистической величины, позволяющие в таких случаях подойти ближе к среднему арифметическому кривой распределения Гаусса – мода и медиана.