Benjamin Franklin sagde engang, at enhver fjols kan kritisere, dømme og klage - og de fleste tåber gør netop det. Richard Feynman sagde engang om den videnskabelige proces: Det første princip er ikke at bedrage dig selv - og du er den nemmeste at bedrage. Skeptikere mener, at forskere kan bedrage sig selv (enten af uvidenhed eller for at beholde deres job) og ofte bebrejder dem for dette - klimatologer, kosmologer, enhver. I princippet er det let at afvise sådan kritik som ubegrundet, men et interessant spørgsmål opstår: hvordan kan vi sikre os, at vi ikke bedrager os selv?
Der er en populær opfattelse inden for videnskaben, at eksperimenter skal være mulige at gentage og falske. Hvis du har en videnskabelig model, skal denne model give klare forudsigelser, og disse forudsigelser skal kunne testes på en måde, der bekræfter eller modbeviser din model. Nogle gange forstår kritikere, at dette betyder, at ægte videnskab kun opnås under laboratorieforhold, men dette er kun en del af historien. Observationsvidenskab som kosmologi overholder også denne regel, da nye observationer potentielt kan modbevise vores nuværende teorier. Hvis jeg for eksempel observerer tusind hvide svaner, kan jeg antage, at alle svaner er hvide. At se en sort svane vil ændre min spekulation. En videnskabelig teori kan ikke være absolut, den er altid foreløbig, den ændrer sig, når der vises nye beviser.
Selvom dette er teknisk korrekt, er det lidt uretfærdigt at kalde veletablerede teorier for "foreløbige". For eksempel eksisterede Newtons teori om universel tyngdekraft i flere århundreder, før den blev erstattet af Einsteins generelle relativitetsteori. Og hvis vi i dag kan sige, at Newtons tyngdekraft er forkert, fungerer det på samme måde som det altid gjorde. Nu ved vi, at Newton skabte en omtrentlig model, der beskriver massernes tyngdekraftinteraktion, men så tæt på virkeligheden, at vi stadig kan bruge den til at beregne kredsløb i dag. Det er først, når vi udvider vores observationer ud over den (meget store) række af situationer, hvor Newton havde ret, at vi har brug for Einsteins hjælp.
Når vi indsamler beviser til støtte for en videnskabelig teori, kan vi være sikre på, at det fungerer med et lille vindue til nye beviser. Med andre ord kan en teori betragtes som”sand” i det område, den blev testet kvalitativt over, men nye forhold kan uventet afsløre adfærd, der vil føre til et bredere og mere komplet billede. Vores videnskabelige teorier er i sagens natur foreløbige, men ikke i det omfang, at vi ikke kan stole på deres nøjagtighed. Og dette er problemet med veletablerede teorier. Da vi aldrig med sikkerhed kan vide, at vores eksperimentelle resultater er "rigtige", hvordan ved vi, at vi simpelthen ikke giver det ønskede svar som gyldigt?
Målinger af lysets hastighed i forskellige år
Denne form for tænkning forekommer hos elementære studerende. De har til opgave at måle nogle eksperimentelle værdier som tyngdekraftens acceleration eller en bølgelængde. Som nybegyndere laver de ofte de enkleste fejl og får resultater, der ikke matcher den "almindeligt accepterede" betydning. Når dette sker, går de tilbage og ser efter fejl i deres arbejde. Men hvis de laver fejl på en sådan måde, at de balancerer eller viser sig at være ikke-indlysende, vil de ikke dobbelttjekke deres arbejde. Da deres resultat er tæt på den forventede værdi, tror de, at de gjorde alt rigtigt. Denne fordomme deles af os alle og nogle gange af fremtrædende forskere. Historisk set er dette sket med lysets hastighed og med opladningen af en elektron.
Salgsfremmende video:
I øjeblikket er der en model i kosmologi, der stemmer godt overens med observationer. Dette er ΛCDM-modellen, hvis navn består af det græske bogstav "lambda" og koldt mørkt stof (CDM). De fleste forbedringer i denne model inkluderer at foretage mere nøjagtige målinger af parametrene i denne model, såsom universets alder, Hubble-parameteren og densiteten af mørkt stof. Hvis lambda-CDM-modellen virkelig beskriver universet nøjagtigt, skal en upartisk måling af disse parametre følge et statistisk mønster. Ved at studere de historiske værdier af disse parametre kan vi måle, hvor partisk målingerne var.
For at forstå, hvordan dette fungerer, forestil dig et dusin studerende, der måler længden af et kridttavle. Statistisk set får nogle studerende en værdi, der er større eller mindre end nutiden. Ifølge den sædvanlige fordeling, hvis den virkelige længde på tavlen er 183 centimeter med en standardafvigelse i centimeter, vil otte studerende modtage et resultat i intervallet 182-184 centimeter. Men forestil dig, at alle studerende passer inden for dette interval. I dette tilfælde har du ret til at mistænke nogle målefejl. For eksempel hørte eleverne, at tavlen var omkring toogfirs og en halv meter, så de tog målinger og afrundede resultatet til 183. Paradoksalt nok, hvis deres eksperimentelle resultater var for gode, kan man mistanke om den indledende bias i eksperimentet.
I kosmologi er forskellige parametre velkendte. Derfor, når en gruppe forskere udfører et nyt eksperiment, ved de allerede, hvilket resultat der er generelt accepteret. Det viser sig, at resultaterne af eksperimenterne er "inficeret" med de tidligere resultater? Et af de seneste papirer fra Quarterly Physics Review behandler netop dette spørgsmål. Ved at studere 637 målinger af 12 forskellige kosmologiske parametre fandt de ud af, hvordan resultaterne blev statistisk fordelt. Da de "reelle" værdier for disse parametre er ukendte, brugte forfatterne WMAP 7-resultaterne som "sande". Og de fandt ud af, at fordelingen af resultaterne var mere præcis, end den skulle have været. Effekten er lille, så den kan tilskrives en partisk forventning, men den var også meget forskellig fra den forventede effekt, hvilket kan indikere en overvurdering af eksperimentelle usikkerheder.
Dette betyder ikke, at vores nuværende kosmologiske model er forkert, men det betyder, at vi skal være lidt mere forsigtige i vores tillid til nøjagtigheden af vores kosmologiske parametre. Heldigvis er der måder at forbedre målenøjagtigheden på. Kosmologer narre ikke sig selv og os, der er simpelthen stadig meget plads til at forbedre og rette de data, metoder og analyser, de bruger.