von Carsten F. Dormann (Universität Freiburg)
Globale offenen Datensätze über Artverbreitung waren die Geburtshelfer der Makroökologie. Die Global Biodiversity Information Facility (gbif.org) steht hier stellvertretend für Datenbanken zu Verbreitung, Artmerkmalen, Phylogenie, Klima, Bodenvariablen und vieles mehr. Mit diesen open-access-Daten wurde die großskalige, statistisch anspruchsvolle Datenanalyse eine “normale” Forschungsbetätigung innerhalb der Ökologie. Zeitschriften wie Global Ecology and Biogeography, Ecography, Journal of Biogeography und Diversity & Distribution wurden von regionalen Journals in die obersten 10% (qua impact factor) ökologischer Journals katapultiert. Eine Erfolgsgeschichte, zweifelsohne?
Leider hielt die wissenschaftliche Ausbildung nicht mit der technischen Schritt. Wir lernten und lehrten Algorithmen und R (und Python und SQL), vernachlässigten aber die scientific method (die es so im Deutschen als feststehenden Ausdruck nicht gibt). Diese unterscheidet zwischen dem deduktiven und dem induktiven Schritt, also dem Ableiten einer Erwartung (Deduktion) aus einer Theorie, die dann mit Daten getestet wird, gegenüber dem Herleiten einer Theorie aus Einzelfällen (Induktion). Was aber mit den Daten von GBIF et al. geschah, war leider nahezu ausschließlich Induktion, vulgo: data dredging. Über nunmehr 2 Jahrzehnte wurden in hunderten, vielleicht tausenden Publikationen Daten zu Pflanzen, Schmetterlingen, Vögeln, Säugetieren, Pilzen und OTUs aller Gruppen auf höchst willkürliche Art und Weise mit leicht verfügbaren Umweltdaten verrührt. Leicht zugespitzt behaupt ich: ausschlaggebend war die Datenverfügbarkeit, nicht die Theorie; Ergebnisse wurde durch Karten kommuniziert, nicht durch funktionale Zusammenhänge; die Narrative waren politisch motivierte Einstellungen zu Klimawandel und gebietsfremden Arten, nicht zu ökophysiologie und community ecology (Biozönoseforschung). Nun ja.
Das größte Problem, in meiner persönlichen Wahrnehmung, ist allerdings, dass die wissenschaftliche Belastbarkeit der Ergebnisse vollkommen unklar ist. Da jeder Datenpunkt dutzendfach zeranalysiert wurde, gibt es keine Daten, um die daraus distillierten Theorien zu testen. “Gebietsfremde Arten verschieben die Funktion von Gemeinschaften”: kann ja sein, nur mit welchen Daten könnten wir das überprüfen? Natürlich nicht mit denen, die die AutorInnen benutzt haben: die aus GBIF. Aber es gibt keine anderen (offenen) Daten! Das Explorieren (böse Zungen sagen: Durchwühlen) von Daten nach irgendeinem Zusammenhang haben diese Daten logischerweise unbrauchbar für das Testen der resultierenden Ideen und Theorien gemacht. Die Daten sind verbrannt (alles andere wäre ein Zirkelschluss, mit dem ich jede beliebige Theorie “beweisen” könnte).
Um das zu wiederholen: Wir haben die öffentlichen Daten nicht dazu genutzt, unsere Theorien zu Interaktionen oder Nischendynamik zu testen, sondern rein explorativ mal geschaut, was es so für Zusammenhänge gibt, und diese dann als Geschichten verschriftlicht. Ihr empfindet das als Übertreibung? Nun, dann schaut doch einmal in die meist-zitierten (nicht-methodischen) Arbeiten zur Makroökologie: in wie vielen davon steht am Beginn der Arbeit eine theoretisch hergeleitete Hypothese, und in wie vielen eine halbseidene ad-hoc Fragestellung? Wie häufig ist ein wissenschaftlicher Erkenntnisgewinn dargestellt, und wie häufig eine Karte? Arbeiten zu den allometrischen Zusammenhängen (a la West, Enquist, Brown) sind die große Ausnahme in einem Meer aus data dredging Artikeln (ja, ja, ich spitze etwas zu: es gibt noch mehr in dieser Richtung, wie etwa die Prozessanalysen der dynamic energy budget theory z.B. von Kearney).
Das Problem ist nicht primär, dass wir mit den Daten explorative Analysen gemacht haben, obwohl wir aus den letzten 100 Jahren Ökologie weiß Gott genug zu testende Hypothesen gehabt hätten. Das ist eine ärgerlicherweise verpasste Gelegenheit. Das Problem ist vielmehr, dass die durch diese Exploration herausgefilterten Ideen und Theorien auf absehbare Zeit nicht überprüft und getestet werden können; dass wir uns den Ast der wissenschaftlichen Arbeit abgesägt haben, auf dem wir saßen; dass wir das Arbeiten entlang der scientific method ersetzt haben durch die Arbeit mit der metaphorischen Mistforke, an der schon irgendetwas hängen bleiben wird (Gruß an S.K.).
Und jetzt? Citizen Science wird weiterhin Daten produzieren, beim Breeding Bird Survey in Nordamerika, beim Schmetterlingsmonitoring in Deutschland, bei eBird, Merlin-Verhören und Drohnenfliegen auf der ganzen Welt (und in ein paar Jahren werden diese sogar nicht mehr mit den gegenwärtigen autokorreliert, sondern halbwegs unabhängig sein). Aber was wir ÖkologInnen aus diesen Daten machen, dass müssen wir jetzt neu entscheiden. Ich hätte nicht gedacht, dass ich heute das Gegenteil von dem fordere, was mir vor 20 Jahren wichtig war: macht Eure Daten NICHT öffentlich! Lasst neue Daten nur tröpfchenweise in die freie Wildbahn und haltet strukturiert und geplant Validierungs- und Testdaten zurück, denn die machine learning-kompetenten WissenschaftlerInnen der aktuellen Generation werden sonst bereitwillig unsere Fehler wiederholen. Schließlich haben wir ihnen die Mäßigung und die Theorie nicht beigebracht, für die diese tollen Daten so viel Fortschritt hätten bringen können.
Nachher ist man immer klüger. Aber jetzt sollten wir aus unseren makroökologischen Fehlern lernen: Naturwissenschaft besteht aus dem Testen von aus Theorie abgeleiteten Hypothesen. Nach 20 Jahren Makroökologie sollte unser Bestand an quantitativen Hypothesen wohlgefüllt sein: wir brauchen keine explorativen Analysen mehr. Oder, um Lindenmayer & Likens Nature-Einwurf von 2015 zu wiederholen: Don’t do big-data science backwards!
