Tag: STS

Ich habe lange nicht verstanden, wozu man diese Bereiche braucht. Nicht aus Geringschätzung, sondern aus Unkenntnis. Wenn man aus einer Ecke kommt, in der Dinge entweder kompilieren oder nicht, in der ein Benchmark mehr zählt als ein Bauchgefühl und in der eine gute Fehlermeldung mehr wert ist als drei Seiten Absichtserklärung, wirken eine stärker fachförmig institutionalisierte Disziplin wie Kulturanthropologie und interdisziplinäre Felder wie Science and Technology Studies oder Gender Studies zunächst wie eine seltsame Nebenabteilung des Geisteslebens. Irgendwo zwischen Diskurs, Deutung und dem Verdacht, dass hier womöglich sehr viel Energie darauf verwendet wird, etwas ziemlich Offensichtliches in komplizierte Wörter zu wickeln.

Das war, rückblickend, keine besonders originelle Fehleinschätzung. Wer Wissenschaft vor allem als Methode versteht, schaut zuerst auf Hypothesen, Versuchsdesigns, Datenqualität, Reproduzierbarkeit, Fehlerraten. Das ist richtig. Die wissenschaftliche Methode bleibt der Goldstandard. Eine Welt, in der man zwischen sauberer Evidenz und bloßem Wunschdenken nicht mehr unterscheiden kann, endet zuverlässig in Esoterik, Influencer-Pathologie und Nahrungsergänzungsmittelwerbung mit Goldprägung.

Aber irgendwann fiel mir auf, dass diese Sicht zwar richtig, aber nicht vollständig ist. Sie beantwortet die Frage, ob eine Studie sauber ist. Sie beantwortet nicht automatisch die andere, mindestens ebenso interessante Frage: Warum existiert eigentlich genau diese Studie, mit genau diesen Kategorien, genau diesen Messgrößen, genau diesem Finanzierungspfad, genau dieser Vorstellung davon, was überhaupt als relevantes Problem gilt? Und sobald man diese Frage ernst nimmt, sieht die Welt anders aus. Nicht weniger wissenschaftlich. Im Gegenteil.

Wissenschaft ohne Selbstreflexion wird technokratisch. Selbstreflexion ohne Wissenschaft wird beliebig. Irgendwo dazwischen sitzen die kritischen Kulturwissenschaften und verrichten eine Arbeit, die man in technischen Milieus erstaunlich leicht unterschätzt, obwohl man ihren Kern eigentlich kennen müsste. Denn wenn man ehrlich ist, lebt die IT seit Jahrzehnten davon, dass irgendjemand irgendwann fragt, welche stillen Annahmen im System stecken. Und was passiert, wenn sie falsch sind.

Jede Datenbank ist eine Theorie über die Welt

Man muss dafür gar nicht mit Foucault anfangen. Ein Blick in eine mittelgroße Unternehmenssoftware reicht. Eine Datenbanktabelle ist kein neutrales Behältnis. Sie ist eine Entscheidung darüber, was in der Welt als Entität gilt, was als Attribut gilt, welche Beziehungen vorgesehen sind und welche nicht. Schon die Frage, ob ein Mensch in einem System einen Namen, zwei Namen oder ein frei strukturierbares Namensfeld bekommt, ist keine reine Implementierungsfrage. Sie ist eine kleine Ontologie in SQL-Form.

Das klingt hochtrabend, ist aber Alltag. Wer einmal versucht hat, ein System internationalisierbar zu bauen, kennt die Stelle, an der vermeintlich banale Eingabefelder plötzlich philosophisch werden. Titel optional? Geschlecht Pflichtfeld? Familienname immer vorhanden? Was als „normaler Datensatz“ erscheint, ist in Wahrheit oft nur die Gewohnheit einer Verwaltungskultur, die sich erfolgreich als Naturgesetz verkleidet hat. Jede Default-Einstellung ist eine Wette darauf, was der normale Benutzer ist. Jedes Dropdown enthält eine kleine Welttheorie. Manchmal eine ziemlich dumme.

Wenn ein Kreditscoring-Modell Postleitzahl, Kaufhistorie und Beschäftigungsstatus so gewichtet, dass bestimmte Gruppen systematisch schlechter behandelt werden, ist das kein moralischer Betriebsunfall im Nachhinein. Es ist ein epistemisches Problem im Systemdesign: Das System hat eine Theorie darüber, was Risiko ist. Und diese Theorie wirkt, auf Menschen, auf Chancen, auf Institutionen.

Genau an dieser Stelle werden Science and Technology Studies, Kulturanthropologie oder Gender Studies plötzlich bemerkenswert unexotisch. Sie tun im Grunde etwas, das jeder halbwegs brauchbare Architekt verteilter Systeme sofort versteht: Sie schauen nicht nur darauf, ob der Code läuft. Sie schauen darauf, welche Annahmen in den Code eingebaut wurden, welche externen Abhängigkeiten unerkannt mitreisen, welche Failure Modes man aus Gewohnheit gar nicht modelliert hat und warum bestimmte Fehler immer wieder bei denselben Leuten landen. Das ist keine Gegenwissenschaft. Das ist Debugging auf einer Ebene, die naturwissenschaftliche Methoden allein nicht vollständig abdecken.

Technik ist nie nur Technik

In technischen Milieus hält sich hartnäckig die Vorstellung, Technik sei an sich neutral, und alles Problematische beginne erst bei ihrer Anwendung. Das ist ein sehr beruhigender Gedanke, er hat den Vorteil, dass man weiter in Ruhe Systeme bauen kann, ohne sich mit der Frage zu belasten, was man da eigentlich baut. Leider ist er meistens falsch.

Ein Algorithmus fällt nicht vom Himmel. Er wird finanziert, trainiert, evaluiert, in Produktentscheidungen eingebettet, regulatorisch gerahmt und dann in eine Umgebung gesetzt, in der bestimmte Gruppen mit seinen Fehlern leben müssen und andere von seinem Einsatz profitieren. Joy Buolamwini und Timnit Gebru haben das 2018 in ihrer Gender-Shades-Studie empirisch belegt: Kommerzielle Gesichtserkennungssysteme von IBM, Microsoft und Face++ zeigten Fehlerraten von bis zu 34,7 Prozent bei dunkelhäutigen Frauen, bei hellhäutigen Männern lagen sie unter einem Prozent.¹ Das ist kein Moralproblem, das man hinterher dazudichtet. Offenbar war der Trainingsdatensatz schief. Offenbar wurde ein Teil der Welt implizit als Standard und der andere als Randfall behandelt. Ein System, das seine Welt nur für einen Ausschnitt sauber modelliert, ist nicht neutral. Es ist schlecht gebaut.

Das Muster wiederholt sich. 2016 analysierte ProPublica den Risikovorhersage-Algorithmus COMPAS, der in amerikanischen Gerichten zur Einschätzung von Rückfallwahrscheinlichkeiten eingesetzt wird.² Schwarze Angeklagte wurden fast doppelt so häufig fälschlicherweise als hohes Rückfallrisiko eingestuft wie weiße. Die Antwort des Herstellers war technisch korrekt, das System produziere für beide Gruppen die gleiche Gesamtgenauigkeit, und verfehlte dabei vollständig, worin das Problem lag. Gesamtgenauigkeit ist nicht dasselbe wie Gerechtigkeit in der Fehlerverteilung. Die mathematische Sauberkeit des Verfahrens ließ die strukturelle Frage unberührt: Auf welchen historischen Daten war das Modell trainiert? Welche systemischen Ungleichheiten im Strafjustizsystem wurden als unverzerrte Trainingsdaten eingespeist? Amazon musste 2018 einen Recruiting-Algorithmus einstellen, weil er Bewerberinnen systematisch schlechter beurteilte, trainiert auf einem Jahrzehnt Einstellungshistorie aus einer überwiegend männlichen Belegschaft.³ Das Modell lernte, was in der Vergangenheit als Eignung galt. Es lernte die Vergangenheit sehr gut.

In allen drei Fällen ist das Modell nicht kaputt im technischen Sinn. Es tut, was es soll. Das Problem sitzt eine Ebene tiefer: in der Frage, was als sinnvolles Ziel definiert wurde, auf welchen Daten trainiert wurde und wessen Realität in die Kategorien eingeflossen ist. Genau diese Fragen sind der Arbeitsbereich kritischer Wissenschaften, nicht ob der Algorithmus korrekt implementiert ist, sondern was mit „korrekt“ überhaupt gemeint sein soll.

Der Standardkörper

Es gibt ein Beispiel, das besonders gut funktioniert, weil es so konkret ist, dass man kaum daran vorbeikommt. Bis weit in die 1990er Jahre wurden Crashtests für Autos ausschließlich mit männlichen Dummy-Modellen durchgeführt. Der Standardkörper, auf den Sicherheitssysteme ausgelegt wurden, Airbag-Auslösung, Gurtverlauf, Kopfstützenposition, war ein 1,77 Meter großer, 76 Kilogramm schwerer Mann.⁴ Frauen sind im Schnitt kleiner, haben andere Körperproportionen, sitzen im Fahrzeug anders. Wer nicht dem Standardkörper entspricht, wurde schlicht nicht getestet.

Die Folge war messbar: Bei vergleichbaren Kollisionen erlitten Frauen signifikant häufiger schwere Verletzungen, nicht weil Unfälle für Frauen gefährlicher sind, sondern weil die Sicherheitssysteme für einen anderen Körper optimiert waren. Das ist keine feministische Interpretation der Daten. Das ist der Befund.

Dasselbe Muster zeigt sich in der Medizin: Klinische Studien schlossen Frauen im gebärfähigen Alter lange Zeit aus, das Hormongeschehen sei zu variabel, die Ergebnisse würden zu unübersichtlich. Das klingt nach methodischer Sauberkeit, erzeugte aber strukturell eine Datenlage, die Diagnosen, Dosierungsempfehlungen und Symptombeschreibungen an einem Körper entwickelte, der für etwa die Hälfte der Bevölkerung nur approximativ zutrifft. Herzinfarkt-Symptome bei Frauen weichen häufig vom klassischen Bild ab, die Klassiker wurden am männlichen Körper beschrieben. Dass Frauen nach Herzinfarkten häufiger sterben, hat mit dieser Lücke zu tun.⁵ Das sind Daten aus der einen Datenbank, die erzählen, was die andere Datenbank nicht enthielt.

Die strukturelle Ursache ist in beiden Fällen dieselbe: Es fehlte die Frage, wessen Körper als Standardfall gilt. Diese Frage systematisch zu stellen, nicht nur als gelegentlichen Einwand, ist genau das, womit sich kritische Kulturwissenschaften beschäftigen.

Methodisch sauber heißt noch nicht strukturell unverzerrt

Nicht jede Verzerrung ist Betrug. Viele Verzerrungen sind Infrastruktur.

Das lässt sich am Beispiel der Pharmaforschung zeigen. Antidepressiva können wirksame Medikamente sein, saubere Studien können valide Ergebnisse liefern, es wäre absurd, aus struktureller Kritik an Forschungssystemen eine pauschale Medikamentenskepsis abzuleiten. Die interessante Frage lautet anders: Warum gibt es für bestimmte pharmakologische Ansätze so viel mehr Forschung, Finanzierung und Publikationsdynamik als für andere Interventionen, Psychotherapie, psychosoziale Versorgung, kombinierte Ansätze? Die Antwort ist selten böser Wille. Oft ist sie banaler und gerade deshalb wirksamer: Medikamente lassen sich patentieren, standardisieren, in Studienprotokolle übersetzen. Sie passen besser in bestehende Infrastrukturen von Forschung und Kapital.

Erin Turner und Kollegen haben 2008 im *New England Journal of Medicine* gezeigt, was dabei herauskommt: Von 74 registrierten Antidepressiva-Studien wurden alle 38 positiven veröffentlicht, aber nur 14 von 36 negativen oder fraglichen.⁶ Die veröffentlichte Literatur zeichnete damit ein erheblich optimistischeres Bild, als die Gesamtdatenlage rechtfertigte. Keine einzelne dieser Studien war gefälscht. Der Bias saß in den Entscheidungen darüber, was eingereicht und was publiziert wurde.

Dann kann Folgendes gleichzeitig wahr sein: Eine konkrete Studie ist methodisch sauber. Und das gesamte Forschungsfeld ist trotzdem strukturell verzerrt. Klassische Methodenvalidierung prüft den Query-Plan. Kritische Wissenschaft schaut auf das gesamte Schema, die Indexe, die Zugriffsrechte, die Budgetverteilung und die Frage, wer überhaupt definieren durfte, welche Queries gestellt werden.

Das ist keine Spezialität der Kulturwissenschaften. Philippa Sigl-Glöckner stellt dieselbe Frage in ihrem Buch *Gutes Geld* (2023) für die Volkswirtschaft: Warum gilt die 60-Prozent-Schuldengrenze der Maastricht-Kriterien als Maßstab vernünftiger Finanzpolitik? Und warum ist die 0,35-Prozent-Grenze der deutschen Schuldenbremse sakrosankt? Die Antwort, die sie als Wirtschaftswissenschaftlerin findet: Beides war politisches Provisorium, keine Evidenz.⁷ Die Kennzahl hat sich von einem Kompromissvorschlag zu einer Naturkonstante aufgewertet, nicht durch wissenschaftliche Bestätigung, sondern durch Wiederholung. Das ist nicht der Import einer kulturwissenschaftlichen Denkfigur in die Ökonomie. Das ist schlicht die Frage, die jede Wissenschaft sich stellen sollte: Woher kommt eigentlich diese Kategorie, und wann hat sie aufgehört, eine Entscheidung zu sein?

Popper, aber eine Etage früher

Ich mag Karl Popper, nicht als heiligen Patron aller rationalen Lebensführung, dazu ist die Popper-Verehrung in manchen Debatten ohnehin etwas sektiererisch geraten. Aber als Denker einer wissenschaftlichen Haltung: Theorien müssen prinzipiell an der Welt scheitern können. Falsifizierbarkeit ist ein guter Impfstoff gegen die narzisstische Versuchung, jede Abweichung der Realität als Missverständnis zu behandeln.

Was kritische Kulturwissenschaften tun, ist dazu nicht das Gegenteil, sondern eine vorgelagerte Metaebene. Popper fragt: Unter welchen Bedingungen wäre diese Theorie widerlegt? Kritische Wissenschaft fragt eine Stufe früher: Warum halten wir bestimmte Kategorien, Fragen und Modelle überhaupt für selbstverständlich? Welche sozialen Interessen, historischen Gewohnheiten oder institutionellen Pfade haben dazu geführt, dass genau diese Theorie als sinnvoller Ausgangspunkt gilt?

Das ist keine Gegnerschaft zu Popper. Es ist die Ausweitung des Misstrauens auf die Vorbedingungen der Theoriebildung. Popper macht Unit-Tests für Hypothesen. Kritische Wissenschaft fragt, warum das Projekt genau diese Module enthält und andere nie geschrieben wurden. Wenn ein System wiederholt an denselben Stellen ausfällt, testet man irgendwann nicht mehr nur die konkrete Funktion, sondern die Architekturannahmen, man schaut auf Legacy-Entscheidungen, auf implizite Kopplungen, auf historische Abkürzungen, die über Jahre zu Naturgesetzen geronnen sind. Genau das tun diese Disziplinen, nur für Kategorien, Institutionen und Wissensordnungen.

Gender Studies, Kulturanthropologie und STS, unterschiedliche Formate kritischer Wissensarbeit

Es gehört zu den ermüdenden Eigentümlichkeiten des deutschsprachigen Kulturkampfs, dass diese Bereiche fast immer auf die lauteste, unerquicklichste Weise diskutiert werden. Entweder als Untergang des Abendlandes mit PowerPoint, oder als so dünnhäutige Selbstverteidigung, dass man sich fragt, warum niemand einmal fünf Minuten sachlich über Kategorienlehre, Normierung und Bias sprechen kann.

Gender Studies sind weniger ein einheitlich abgegrenztes Fach als ein interdisziplinäres Forschungsfeld. Sie untersuchen, wie Geschlechterkategorien entstehen, wie sie institutionalisiert werden und welche Normbilder in Körper, Arbeit, Medizin, Recht und Technik eingeschrieben sind. Wer so etwas pauschal als Unfug abtut, verhält sich ungefähr wie jemand, der ein fehlerhaftes Datenmodell verteidigt, weil die Datenbankengine mathematisch korrekt implementiert wurde. Ja, die Engine mag wunderbar sein. Das Schema kann trotzdem Murks sein.

Kulturanthropologie ist demgegenüber stärker fachförmig institutionalisiert, arbeitet aber in vielen ihrer besten Momente mit denselben Fragen nach impliziten Normen, Routinen und Deutungsmustern. Sie beschäftigt sich mit den stillen Mustern, auf denen Institutionen beruhen, den Bündeln aus Gewohnheiten, Normen, Rollenerwartungen und Routinen, in denen Menschen handeln, ohne jeden Schritt explizit begründen zu müssen. Jeder, der je in einem größeren Tech-Unternehmen gearbeitet hat, kennt das als handfeste Realität: Firmen, in denen niemand Fehler zugibt, obwohl alle dauernd über „Blameless Postmortems“ reden. Teams, in denen Code Reviews formell der Qualität dienen, praktisch aber der Hierarchiepflege. Infrastrukturen, in denen bestimmte Probleme deshalb nie sichtbar werden, weil die betroffenen Nutzer nie im Raum sind, wenn Entscheidungen fallen. Man könnte dazu auch sagen: Unternehmenskultur. Oder man nimmt es ernst und erkennt, dass hier anthropologische Beobachtungen mitten im Maschinenraum stehen.

Science and Technology Studies, meist ebenfalls eher ein interdisziplinäres Feld als ein klassisches Einzelfach, fragen schließlich danach, wie Wissenschaft und Technik gesellschaftlich hervorgebracht werden, welche Annahmen in Systeme eingeschrieben sind, wer profitiert und wer unsichtbar wird. STS ist so etwas wie Quality Assurance zweiter Ordnung, nicht: Läuft das Produkt wie spezifiziert? Sondern: Wer hat eigentlich spezifiziert, was ein gutes Produkt ist, welche Welt wird da vorausgesetzt, welche externen Effekte sind eingepreist? Social Media sollte Kommunikation demokratisieren und hat unter anderem Aufmerksamkeitsmärkte produziert, die die rationalere Öffentlichkeit ungefähr so stabilisiert haben wie ein Laubbläser eine Modelleisenbahn. Predictive Policing sollte Ressourcen effizienter einsetzen und hat teilweise bestehende Verzerrungen nur schneller und mit besserem Dashboard reproduziert. Automatisierte Entscheidungssysteme sollten Konsistenz schaffen und haben oft nur die alten Vorurteile in eine Form gegossen, die schwieriger anzufechten ist, weil sie nach Statistik aussieht.

Keine dieser Perspektiven liefert von sich aus bessere Algorithmen. Sie liefern bessere Fragen. Wer einmal gesehen hat, wie viele Milliarden in Systeme fließen, für die nie die richtigen Fragen gestellt wurden, entwickelt dafür eine gewisse Zuneigung.

Graeber und die Freude an Gegenbeispielen

Ein schöner Testfall für das Missverständnis gegenüber solchen Fächern ist David Graeber, genauer: die Art, wie manche Leser auf das gemeinsam mit David Wengrow geschriebene Buch *Anfänge — Eine neue Geschichte der Menschheit* reagieren.⁸ Der reflexhafte Vorwurf lautet: Das ist doch bloß modische Dekonstruktion. Man stellt ein paar exotische Gegenbeispiele zusammen und tut dann so, als sei die gesamte bisherige Forschung hinfällig.

Das ist eine etwas lustlose Lektüre. Graeber greift nicht die methodische Validität einzelner archäologischer Verfahren an. Er kritisiert die großen deterministischen Erzählungen, mit denen aus verstreuten Befunden gern sehr lineare Geschichten über Menschheitsentwicklung gebaut werden: Sesshaftigkeit führt zu Überschuss, Überschuss zu Hierarchie, Hierarchie zum Staat, und damit ist dann implizit schon halb erklärt, warum wir heute in Bürokratie, Steuersoftware und Immobilienportalen leben.

Was *Anfänge* immer wieder tut, ist den Satz in den Raum zu stellen: Seid euch nicht so sicher, dass eure Notwendigkeitserzählungen stimmen. Gegenbeispiele machen nicht automatisch die Ausnahme zur Regel. Aber sie widerlegen sehr wohl Behauptungen der Form: Es musste so kommen. Wer historische Entwicklung als alternativlos darstellt, schmuggelt oft mehr Normativität in seine Beschreibung, als ihm lieb ist. Graeber verhält sich zu zivilisationsgeschichtlichen Selbstverständlichkeiten wie ein guter Penetrationstest zu einer Infrastruktur, die sich selbst für unangreifbar hält. Charles C. Manns *1491 — Amerikas Kulturen vor Columbus* gehört in denselben Diskursstrang.⁹ In beiden Fällen wird eine bequeme Geschichte ungemütlich gemacht, nicht weil Fakten relativiert würden, sondern weil ihre Auswahl und Deutung zu selbstverständlich geworden war.

Warum diese Bereiche trotzdem misstrauisch betrachtet werden

Nicht alle Gründe dafür sind unfair. Es gibt tatsächlich schlechte Texte in diesen Feldern, Jargon, der eher das soziale Kapital des Sprechers erhöht als die Erkenntnis des Lesers, intellektuelle Moden, die klingen, als hätte jemand eine Nebelmaschine in die Methodensektion geschoben. Daraus zu schließen, das ganze Feld sei wertlos, wäre allerdings ungefähr so, als würde man Informatik nach PowerPoint-Sprech über Blockchain im öffentlichen Dienst beurteilen, schlechte Anwendungen widerlegen keine gute Problemstellung. Und technische Felder sind in Sachen Jargon ohnehin nicht gerade moralisch überlegen. Wer jemals ein Whitepaper gelesen hat, in dem „frictionless orchestration of scalable trust frameworks“ als sinnvoller Satz durchging, sollte mit Blick auf andere Disziplinen eine Prise Demut entwickeln.

Der tiefere Grund für das Misstrauen liegt vermutlich darin, dass diese Fächer an etwas rühren, das viele ungern hören: dass Rationalität selbst sozial organisiert ist. Nicht im Sinne von: Wahrheit ist nur eine Frage des Standpunkts. Sondern im Sinne von: Auch Wahrheitsproduktion hat Institutionen, Finanzierungslogiken, Karrierewege und blinde Flecken. Wer das ausspricht, wird leicht so missverstanden, als wolle er Objektivität abschaffen. Tatsächlich will er oft nur verhindern, dass man institutionelle Gewohnheit mit Objektivität verwechselt. Das ist ein Unterschied, den man gar nicht oft genug betonen kann. Eine wissenschaftsfreundliche Kultur sollte nicht daran interessiert sein, Objektivität zu sakralisieren, sondern daran, ihre Bedingungen zu verbessern.

Auf der einen Seite die harte, echte Wissenschaft. Auf der anderen Seite die weichen Deutungsfächer und interdisziplinären Felder, die alles kulturell verflüssigen und einem am Ende erklären, dass auch Schwerkraft nur eine soziale Konstruktion sei. Das ist eine Karikatur, aber eine politisch praktische. Die wirklich interessanten Vertreter dieser Bereiche behaupten in aller Regel nicht, dass empirische Wirklichkeit beliebig sei. Sie behaupten, dass unser Zugang zu ihr institutionell vermittelt ist, dass Messung Kategorien braucht, dass Standards historische Entstehungsgeschichten haben, dass Problemdefinitionen politische Effekte haben. Das ist nicht der Abschied von Wissenschaft. Es ist Wissenschaft unter verschärfter Beobachtung.

Kein vernünftiger Mensch käme auf die Idee zu sagen: Weil Mathematik präzise ist, ist die Auswahl dessen, was wir mathematisch modellieren, automatisch neutral. Sobald es um Software geht, verstehen sogar sehr pragmatische Leute, dass Systeme Vorannahmen enthalten. Nur bei sozialen Kategorien tun manche so, als sei diese Einsicht eine Zumutung. Ein rationalistischer Fehler besteht oft nicht darin, zu sehr an Zahlen zu glauben. Er besteht darin, die Auswahl der Zahlen selbst für vorpolitisch zu halten.

Das Wort selbst

Es lohnt sich, kurz auf die Beleidigung zu schauen, die diesen Bereichen oft anhaftet. „Blümchenstudiengänge“, das Wort markiert Weichheit, Ornament, mangelnde Wirklichkeitstauglichkeit. Es ist die kleine sprachliche Geste, mit der man Fächer und Felder aus dem Bereich des Ernstzunehmenden hinauskomplimentiert und dabei zugleich das eigene Selbstbild als Realist stabilisiert. Auch das ist übrigens eine ziemlich klassische Beobachtung aus genau den Disziplinen und Forschungsfeldern, um die es hier geht: Sprache verteilt Prestige nicht nur, sie tarnt diese Verteilung als Selbstverständlichkeit. Dass man ausgerechnet Bereiche abwertet, die sich mit Kategorien, Normen und Macht befassen, indem man eine kulturell aufgeladene Blumenmetapher wählt, hat eine gewisse Komik. Man führt den Gegenstand im Akt der Geringschätzung bereits vor.

Schluss: Stresstest, kein Gegner

Kritische Kulturwissenschaften sind keine Alternative zur Wissenschaft. Sie sind ihr Stresstest.

Sie prüfen nicht, ob Wasser bei hundert Grad kocht. Sie prüfen, unter welchen institutionellen, historischen und politischen Bedingungen bestimmte Fragen überhaupt gestellt, finanziert, gemessen und ernst genommen werden. Sie relativieren nicht Fakten, sondern unsere Gewissheit darüber, dass wir schon wissen, wie diese Fakten einzuordnen sind. Sie sind keine Gegenaufklärung. Sie sind, im besten Fall, eine etwas nervige, aber ziemlich nützliche Form zweiter Aufklärung: die Aufklärung über die Voraussetzungen unserer Aufklärung.

Unsere Kultur liebt erste Ordnungen. Das Experiment. Den Datensatz. Den Proof. Den Prototyp. Das Sichtbare, Messbare, Vorzeigbare. Zweite Ordnungen, Reflexion, Kontext, implizite Annahmen, wirken dagegen oft wie Luxus. Aber in komplexen Systemen sind zweite Ordnungen kein Luxus. Sie sind Wartung. Wer sie weglässt, spart kurzfristig Zeit und zahlt langfristig Zinsen.

Ich habe lange nicht verstanden, wozu man diese Bereiche braucht. Inzwischen scheint mir die Antwort ziemlich schlicht. Weil eine Gesellschaft, die nur noch messen will, was in ihre vorhandenen Kategorien passt, irgendwann sehr präzise am Wesentlichen vorbeiforscht. Und weil Wissenschaft, die sich nie fragt, warum sie genau diese Fragen stellt, Gefahr läuft, ihre eigenen Defaults mit der Welt zu verwechseln. Das ist Qualitätskontrolle zweiter Ordnung. Und erstaunlich oft das, was zwischen Erkenntnis und sehr elegant organisiertem Irrtum steht.

1. Joy Buolamwini, Timnit Gebru, Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification, Proceedings of Machine Learning Research, 2018, http://proceedings.mlr.press/v81/buolamwini18a.html[↩]
2. Julia Angwin et al., Machine Bias, ProPublica, 23. Mai 2016, https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing[↩]
3. Jeffrey Dastin, Amazon scraps secret AI recruiting tool that showed bias against women, Reuters, 10. Oktober 2018, https://www.reuters.com/article/us-amazon-com-jobs-automation-insight-idUSKCN1MK08G[↩]
4. Caroline Criado Perez, Invisible Women: Data Bias in a World Designed for Men, Chatto & Windus, 2019[↩]
5. Rosario Bugiardini, Marie-Blanche Bairey Merz, Angina With „Normal“ Coronary Arteries: A Changing Philosophy, JAMA, 2005, https://jamanetwork.com/journals/jama/article-abstract/200331[↩]
6. Erin H. Turner et al., Selective Publication of Antidepressant Trials and Its Influence on Apparent Efficacy, New England Journal of Medicine, 2008, https://www.nejm.org/doi/full/10.1056/NEJMsa065779[↩]
7. Philippa Sigl-Glöckner, Gutes Geld — Wege zu einer gerechten und nachhaltigen Gesellschaft, Verlag C.H.Beck, 2023[↩]
8. David Graeber, David Wengrow, Anfänge — Eine neue Geschichte der Menschheit, Klett-Cotta, 2022[↩]
9. Charles C. Mann, 1491 — Amerikas Kulturen vor Columbus, Rowohlt, 2006[↩]