مسئلهٔ تمایز میپرسد چه چیزی علم را از غیرعلم جدا میکند؛ هیچ معیارِ واحدی نتوانسته بدون حذفِ علمِ خوب یا پذیرشِ تقلیدِ بد، عملِ علمی را کاملاً بگیرد.
1مسئلهای که حل میکند
پرسش نهادی مهم است چون برچسبِ «علمی» بر اعتبار، بودجه، مقررات و اقتدارِ عمومی اثر دارد. ابطالپذیری مشهورترین پاسخ بود، اما تاریخ و روششناسی نشان داد علوم روشهای متنوع دارند و در برابر ناهنجاری نظریه را فوراً کنار نمیگذارند. درسِ مدرن ارزیابیِ مجموعهای از رویههای معرفتی است.
2ایدهٔ اصلی
چه چیزی علم را از غیرعلم جدا میکند؟ ابطالپذیری مشهورترین معیارِ پیشنهادی بود؛ اجماع کنونی این است که هیچ معیار واحدی این کار را بهروشنی انجام نمیدهد.
3خاستگاه و زمینه
پوپر ابطالپذیری را تا حدی در برابر تحقیقپذیری و نظامهای شبهعلمی معیارِ تمایز کرد. فیلسوفانِ بعدی، از جمله لری لاودن، استدلال کردند جستوجوی مرزِ لازم و کافی شکست خورده و بهتر است خودِ ادعا و روش را مستقیم بسنجیم.
4مثالِ کلاسیک
طالعبینی پیشبینی میکند و آنها را بازبینی میکند. پس چرا علم نیست؟
5اعتراضها و پاسخها
اعتراض. بدون مرز، دیگر نمیتوان شبهعلم را از علم جدا کرد.
پاسخ. ردِ یک معیارِ تیز به معنای رهاکردنِ ارزیابی نیست. تکرار، آمادگی برای اصلاح، پیشبینیِ پرخطر، شفافیتِ روش، شناساییِ علّی، نقدِ همتا و کارنامه میتوانند مشترکاً تمایز ایجاد کنند.
اعتراض. ابطالپذیری برای کارِ عملی بهاندازهٔ کافی خوب است.
پاسخ. بهعنوان هشدار علیه مصونسازی مفید است، اما معیارِ جهانشمول هم بیشازحد میپذیرد و هم بیشازحد حذف میکند. نظریهٔ ضعیف میتواند ابطالپذیر باشد و علمِ بالغ اغلب ادعاهای احتمالاتی و بستههای فرضی را میآزماید.
6با اینها اشتباه نگیرید
تمایز و صدق
ادعا میتواند علمی و کاذب باشد یا به دلایلی غیرعلمی صادق باشد. تمایز دربارهٔ روش و جایگاه است، نه ارزشِ صدق.
علم و تخصص
داوریِ متخصص میتواند عقلانی و معتبر باشد بیآنکه خودِ آن یک نتیجهٔ علمی باشد؛ تخصص رابطهای در معرفتشناسیِ اجتماعی است.
7خطاهای رایج
- استفاده از «ابطالناپذیر» بهعنوان مترادفِ بیمعنا، کاذب یا غیرعقلانی.
- جایگزینکردنِ برچسبِ «علم» بهجای بررسیِ کیفیتِ شاهد و روش.
8در کارِ شما
هر داوریِ «آیا این بهقدر کافی دقیق است؟» یک حکمِ تمایز است. دانستنِ اینکه آن معیار شکست خورد، مانع میشود آن را چون قاعدهای مکانیکی به کار ببرید.
9خودآزمایی
سامانهٔ پیشبینی، خروجیهای دقیق و ابطالپذیر میدهد اما بعد از هر خطا مدل را وصله میکند و اعتبارسنجیِ مستقل منتشر نمیکند. آیا ابطالپذیری وضعیتِ علمی را حل کرده؟
نمایش پاسخ
نه. یک شرط را پاس کرده اما در پیشبینیِ پیشرونده، شفافیت، استقلال و واکنش به خطا ممکن است شکست بخورد. تمایز به ارزیابیِ گستردهتر نیاز دارد.