Benjamin Franklin sa en gång att någon dåre kan kritisera, bedöma och klaga - och de flesta dårar gör just det. Richard Feynman sa en gång om den vetenskapliga processen: den första principen är att inte lura dig själv - och du är lättast att lura. Skeptiker tror att forskare kan lura sig själva (oavsett om de är okunniga eller för att behålla sina jobb) och ofta skylla dem för detta - klimatologer, kosmologer, vem som helst. I princip är det lätt att avvisa sådan kritik som ogrundad, men en intressant fråga uppstår: hur kan vi se till att vi inte bedrar oss själva?
Det finns en populär uppfattning inom vetenskapen att experiment bör vara möjliga att upprepa och förfalska. Om du har en vetenskaplig modell bör den modellen göra tydliga förutsägelser, och dessa förutsägelser bör kunna testas på ett sätt som bekräftar eller motbevisar din modell. Ibland förstår kritiker att detta betyder att sann vetenskap uppnås endast under laboratorieförhållanden, men detta är bara en del av berättelsen. Observationsvetenskap som kosmologi följer också denna regel, eftersom nya observationer potentiellt kan motbevisa våra nuvarande teorier. Om jag till exempel observerar tusen vita svanar kan jag anta att alla svanar är vita. Att se en svart svan kommer att förändra min spekulation. En vetenskaplig teori kan inte vara absolut, den är alltid preliminär, den förändras när nya bevis dyker upp.
Även om detta är tekniskt korrekt är det lite orättvist att kalla väletablerade teorier”tentativa”. Newtons teori om universell gravitation existerade till exempel i flera århundraden innan den ersattes av Einsteins allmänna relativitetsteori. Och om vi idag kan säga att Newtons gravitation är fel, fungerar det på samma sätt som det alltid gjorde. Vi vet nu att Newton skapade en ungefärlig modell som beskriver massernas gravitationsinteraktion, men nära verkligheten så exakt att vi fortfarande kan använda den för att beräkna banor. Det är först när vi utvidgar våra observationer utöver det (mycket stora) utbudet av situationer där Newton hade rätt att vi behöver Einsteins hjälp.
När vi samlar in bevis för att stödja en vetenskaplig teori kan vi vara säkra på att det fungerar med ett litet fönster för nya bevis. Med andra ord kan en teori betraktas som”sann” i det intervall som den testades kvalitativt över, men nya förhållanden kan oväntat avslöja beteenden som kommer att leda till en bredare och mer fullständig bild. Våra vetenskapliga teorier är i sig inledande, men inte i den utsträckning att vi inte kan lita på deras noggrannhet. Och detta är problemet med väletablerade teorier. Eftersom vi aldrig kan veta säkert att våra experimentella resultat är "riktiga", hur vet vi att vi helt enkelt inte förmedlar det önskade svaret som giltigt?
Mätningar av ljusets hastighet under olika år
Denna typ av tänkande förekommer hos elementära studenter. De har till uppgift att mäta några experimentella värden som tyngdacceleration eller laserns våglängd. Som nybörjare gör de ofta de enklaste misstagen och får resultat som inte matchar den "allmänt accepterade" betydelsen. När detta händer går de tillbaka och letar efter misstag i sitt arbete. Men om de gör misstag på ett sådant sätt att de balanserar eller inte är uppenbara, kommer de inte att dubbelkontrollera sitt arbete. Eftersom deras resultat ligger nära det förväntade värdet tror de att de gjorde allt rätt. Denna fördom delas av oss alla, och ibland av framstående forskare. Historiskt har detta hänt med ljusets hastighet och med laddningen av en elektron.
Kampanjvideo:
För närvarande finns det en modell inom kosmologi som överensstämmer väl med observationer. Detta är ΛCDM-modellen, vars namn består av den grekiska bokstaven "lambda" och kall mörk materia (CDM). De flesta förfiningar av denna modell inkluderar att göra mer exakta mätningar av parametrarna för denna modell, såsom universums ålder, Hubble-parametern och densiteten hos mörk materia. Om lambda-CDM-modellen verkligen beskriver universum, måste en opartisk mätning av dessa parametrar följa ett statistiskt mönster. Genom att studera de historiska värdena för dessa parametrar kan vi mäta hur partisk mätningarna var.
För att förstå hur detta fungerar kan du tänka dig ett dussin elever som mäter längden på en krita. Statistiskt sett får vissa studenter ett värde som är större eller mindre än nuet. Enligt den vanliga fördelningen, om den verkliga längden på tavlan är 183 centimeter med en standardavvikelse per centimeter, kommer åtta elever att få ett resultat i intervallet 182-184 centimeter. Men tänk dig att alla elever ligger inom detta intervall. I det här fallet har du rätt att misstänka vissa mätfel. Eleverna hörde till exempel att tavlan var ungefär åttiotvå och en halv meter, så de tog mätningar och avrundade resultatet till 183. Paradoxalt nog, om deras experimentella resultat var för bra, misstänker man den initiala bias i experimentet.
I kosmologi är olika parametrar välkända. Därför, när en grupp forskare genomför ett nytt experiment, vet de redan vilket resultat som är allmänt accepterat. Det visar sig att resultaten av experimenten är "infekterade" med de tidigare resultaten? En av de senaste artiklarna från Quarterly Physics Review behandlar just denna fråga. Genom att studera 637 mätningar av 12 olika kosmologiska parametrar fick de reda på hur resultaten var statistiskt fördelade. Eftersom de "riktiga" värdena för dessa parametrar är okända använde författarna WMAP 7-resultaten som "sanna". Och de fick reda på att fördelningen av resultaten var mer exakt än den borde ha varit. Effekten är liten, så det kan tillskrivas en partisk förväntan, men den skilde sig också mycket från den förväntade effekten, vilket kan indikera en överskattning av experimentella osäkerheter.
Detta betyder inte att vår nuvarande kosmologiska modell är fel, men det betyder att vi måste vara lite mer försiktiga med vårt förtroende för noggrannheten hos våra kosmologiska parametrar. Lyckligtvis finns det sätt att förbättra mätnoggrannheten. Kosmologer lurar inte sig själva och oss, det finns helt enkelt fortfarande mycket utrymme för att förbättra och korrigera de data, metoder och analyser de använder.