Ich habe lange nicht verstanden, wozu man diese Bereiche braucht. Nicht aus Geringsch\u00e4tzung, sondern aus Unkenntnis. Wenn man aus einer Ecke kommt, in der Dinge entweder kompilieren oder nicht, in der ein Benchmark mehr z\u00e4hlt als ein Bauchgef\u00fchl und in der eine gute Fehlermeldung mehr wert ist als drei Seiten Absichtserkl\u00e4rung, wirken eine st\u00e4rker fachf\u00f6rmig institutionalisierte Disziplin wie Kulturanthropologie und interdisziplin\u00e4re Felder wie Science and Technology Studies oder Gender Studies zun\u00e4chst wie eine seltsame Nebenabteilung des Geisteslebens. Irgendwo zwischen Diskurs, Deutung und dem Verdacht, dass hier wom\u00f6glich sehr viel Energie darauf verwendet wird, etwas ziemlich Offensichtliches in komplizierte W\u00f6rter zu wickeln.<\/p>\n
Das war, r\u00fcckblickend, keine besonders originelle Fehleinsch\u00e4tzung. Wer Wissenschaft vor allem als Methode versteht, schaut zuerst auf Hypothesen, Versuchsdesigns, Datenqualit\u00e4t, Reproduzierbarkeit, Fehlerraten. Das ist richtig. Die wissenschaftliche Methode bleibt der Goldstandard. Eine Welt, in der man zwischen sauberer Evidenz und blo\u00dfem Wunschdenken nicht mehr unterscheiden kann, endet zuverl\u00e4ssig in Esoterik, Influencer-Pathologie und Nahrungserg\u00e4nzungsmittelwerbung mit Goldpr\u00e4gung.<\/p>\n
Aber irgendwann fiel mir auf, dass diese Sicht zwar richtig, aber nicht vollst\u00e4ndig 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 Messgr\u00f6\u00dfen, genau diesem Finanzierungspfad, genau dieser Vorstellung davon, was \u00fcberhaupt als relevantes Problem gilt? Und sobald man diese Frage ernst nimmt, sieht die Welt anders aus. Nicht weniger wissenschaftlich. Im Gegenteil.<\/p>\n
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 untersch\u00e4tzt, obwohl man ihren Kern eigentlich kennen m\u00fcsste. 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.<\/p>\n
Man muss daf\u00fcr gar nicht mit Foucault anfangen. Ein Blick in eine mittelgro\u00dfe Unternehmenssoftware reicht. Eine Datenbanktabelle ist kein neutrales Beh\u00e4ltnis. Sie ist eine Entscheidung dar\u00fcber, was in der Welt als Entit\u00e4t 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.<\/p>\n
Das klingt hochtrabend, ist aber Alltag. Wer einmal versucht hat, ein System internationalisierbar zu bauen, kennt die Stelle, an der vermeintlich banale Eingabefelder pl\u00f6tzlich philosophisch werden. Titel optional? Geschlecht Pflichtfeld? Familienname immer vorhanden? Was als \u201enormaler Datensatz\u201c 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 enth\u00e4lt eine kleine Welttheorie. Manchmal eine ziemlich dumme.<\/p>\n
Wenn ein Kreditscoring-Modell Postleitzahl, Kaufhistorie und Besch\u00e4ftigungsstatus 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 dar\u00fcber, was Risiko ist. Und diese Theorie wirkt, auf Menschen, auf Chancen, auf Institutionen.<\/p>\n
Genau an dieser Stelle werden Science and Technology Studies, Kulturanthropologie oder Gender Studies pl\u00f6tzlich bemerkenswert unexotisch. Sie tun im Grunde etwas, das jeder halbwegs brauchbare Architekt verteilter Systeme sofort versteht: Sie schauen nicht nur darauf, ob der Code l\u00e4uft. Sie schauen darauf, welche Annahmen in den Code eingebaut wurden, welche externen Abh\u00e4ngigkeiten 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 vollst\u00e4ndig abdecken.<\/p>\n
In technischen Milieus h\u00e4lt sich hartn\u00e4ckig 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.<\/p>\n
Ein Algorithmus f\u00e4llt 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 m\u00fcssen 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 dunkelh\u00e4utigen Frauen, bei hellh\u00e4utigen M\u00e4nnern lagen sie unter einem Prozent.1<\/a><\/sup> 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 f\u00fcr einen Ausschnitt sauber modelliert, ist nicht neutral. Es ist schlecht gebaut.<\/p>\n Das Muster wiederholt sich. 2016 analysierte ProPublica den Risikovorhersage-Algorithmus COMPAS, der in amerikanischen Gerichten zur Einsch\u00e4tzung von R\u00fcckfallwahrscheinlichkeiten eingesetzt wird.2<\/a><\/sup> Schwarze Angeklagte wurden fast doppelt so h\u00e4ufig f\u00e4lschlicherweise als hohes R\u00fcckfallrisiko eingestuft wie wei\u00dfe. Die Antwort des Herstellers war technisch korrekt, das System produziere f\u00fcr beide Gruppen die gleiche Gesamtgenauigkeit, und verfehlte dabei vollst\u00e4ndig, worin das Problem lag. Gesamtgenauigkeit ist nicht dasselbe wie Gerechtigkeit in der Fehlerverteilung. Die mathematische Sauberkeit des Verfahrens lie\u00df die strukturelle Frage unber\u00fchrt: 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 \u00fcberwiegend m\u00e4nnlichen Belegschaft.3<\/a><\/sup> Das Modell lernte, was in der Vergangenheit als Eignung galt. Es lernte die Vergangenheit sehr gut.<\/p>\n In allen drei F\u00e4llen 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 Realit\u00e4t in die Kategorien eingeflossen ist. Genau diese Fragen sind der Arbeitsbereich kritischer Wissenschaften, nicht ob der Algorithmus korrekt implementiert ist, sondern was mit \u201ekorrekt\u201c \u00fcberhaupt gemeint sein soll.<\/p>\n 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 f\u00fcr Autos ausschlie\u00dflich mit m\u00e4nnlichen Dummy-Modellen durchgef\u00fchrt. Der Standardk\u00f6rper, auf den Sicherheitssysteme ausgelegt wurden, Airbag-Ausl\u00f6sung, Gurtverlauf, Kopfst\u00fctzenposition, war ein 1,77 Meter gro\u00dfer, 76 Kilogramm schwerer Mann.4<\/a><\/sup> Frauen sind im Schnitt kleiner, haben andere K\u00f6rperproportionen, sitzen im Fahrzeug anders. Wer nicht dem Standardk\u00f6rper entspricht, wurde schlicht nicht getestet.<\/p>\n Die Folge war messbar: Bei vergleichbaren Kollisionen erlitten Frauen signifikant h\u00e4ufiger schwere Verletzungen, nicht weil Unf\u00e4lle f\u00fcr Frauen gef\u00e4hrlicher sind, sondern weil die Sicherheitssysteme f\u00fcr einen anderen K\u00f6rper optimiert waren. Das ist keine feministische Interpretation der Daten. Das ist der Befund.<\/p>\n Dasselbe Muster zeigt sich in der Medizin: Klinische Studien schlossen Frauen im geb\u00e4rf\u00e4higen Alter lange Zeit aus, das Hormongeschehen sei zu variabel, die Ergebnisse w\u00fcrden zu un\u00fcbersichtlich. Das klingt nach methodischer Sauberkeit, erzeugte aber strukturell eine Datenlage, die Diagnosen, Dosierungsempfehlungen und Symptombeschreibungen an einem K\u00f6rper entwickelte, der f\u00fcr etwa die H\u00e4lfte der Bev\u00f6lkerung nur approximativ zutrifft. Herzinfarkt-Symptome bei Frauen weichen h\u00e4ufig vom klassischen Bild ab, die Klassiker wurden am m\u00e4nnlichen K\u00f6rper beschrieben. Dass Frauen nach Herzinfarkten h\u00e4ufiger sterben, hat mit dieser L\u00fccke zu tun.5<\/a><\/sup> Das sind Daten aus der einen Datenbank, die erz\u00e4hlen, was die andere Datenbank nicht enthielt.<\/p>\n Die strukturelle Ursache ist in beiden F\u00e4llen dieselbe: Es fehlte die Frage, wessen K\u00f6rper als Standardfall gilt. Diese Frage systematisch zu stellen, nicht nur als gelegentlichen Einwand, ist genau das, womit sich kritische Kulturwissenschaften besch\u00e4ftigen.<\/p>\n Nicht jede Verzerrung ist Betrug. Viele Verzerrungen sind Infrastruktur.<\/p>\n Das l\u00e4sst sich am Beispiel der Pharmaforschung zeigen. Antidepressiva k\u00f6nnen wirksame Medikamente sein, saubere Studien k\u00f6nnen valide Ergebnisse liefern, es w\u00e4re absurd, aus struktureller Kritik an Forschungssystemen eine pauschale Medikamentenskepsis abzuleiten. Die interessante Frage lautet anders: Warum gibt es f\u00fcr bestimmte pharmakologische Ans\u00e4tze so viel mehr Forschung, Finanzierung und Publikationsdynamik als f\u00fcr andere Interventionen, Psychotherapie, psychosoziale Versorgung, kombinierte Ans\u00e4tze? Die Antwort ist selten b\u00f6ser Wille. Oft ist sie banaler und gerade deshalb wirksamer: Medikamente lassen sich patentieren, standardisieren, in Studienprotokolle \u00fcbersetzen. Sie passen besser in bestehende Infrastrukturen von Forschung und Kapital.<\/p>\n 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 ver\u00f6ffentlicht, aber nur 14 von 36 negativen oder fraglichen.6<\/a><\/sup> Die ver\u00f6ffentlichte Literatur zeichnete damit ein erheblich optimistischeres Bild, als die Gesamtdatenlage rechtfertigte. Keine einzelne dieser Studien war gef\u00e4lscht. Der Bias sa\u00df in den Entscheidungen dar\u00fcber, was eingereicht und was publiziert wurde.<\/p>\n Dann kann Folgendes gleichzeitig wahr sein: Eine konkrete Studie ist methodisch sauber. Und das gesamte Forschungsfeld ist trotzdem strukturell verzerrt. Klassische Methodenvalidierung pr\u00fcft den Query-Plan. Kritische Wissenschaft schaut auf das gesamte Schema, die Indexe, die Zugriffsrechte, die Budgetverteilung und die Frage, wer \u00fcberhaupt definieren durfte, welche Queries gestellt werden.<\/p>\n Das ist keine Spezialit\u00e4t der Kulturwissenschaften. Philippa Sigl-Gl\u00f6ckner stellt dieselbe Frage in ihrem Buch *Gutes Geld* (2023) f\u00fcr die Volkswirtschaft: Warum gilt die 60-Prozent-Schuldengrenze der Maastricht-Kriterien als Ma\u00dfstab vern\u00fcnftiger 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<\/a><\/sup> Die Kennzahl hat sich von einem Kompromissvorschlag zu einer Naturkonstante aufgewertet, nicht durch wissenschaftliche Best\u00e4tigung, sondern durch Wiederholung. Das ist nicht der Import einer kulturwissenschaftlichen Denkfigur in die \u00d6konomie. Das ist schlicht die Frage, die jede Wissenschaft sich stellen sollte: Woher kommt eigentlich diese Kategorie, und wann hat sie aufgeh\u00f6rt, eine Entscheidung zu sein?<\/p>\n Ich mag Karl Popper, nicht als heiligen Patron aller rationalen Lebensf\u00fchrung, dazu ist die Popper-Verehrung in manchen Debatten ohnehin etwas sektiererisch geraten. Aber als Denker einer wissenschaftlichen Haltung: Theorien m\u00fcssen prinzipiell an der Welt scheitern k\u00f6nnen. Falsifizierbarkeit ist ein guter Impfstoff gegen die narzisstische Versuchung, jede Abweichung der Realit\u00e4t als Missverst\u00e4ndnis zu behandeln.<\/p>\n Was kritische Kulturwissenschaften tun, ist dazu nicht das Gegenteil, sondern eine vorgelagerte Metaebene. Popper fragt: Unter welchen Bedingungen w\u00e4re diese Theorie widerlegt? Kritische Wissenschaft fragt eine Stufe fr\u00fcher: Warum halten wir bestimmte Kategorien, Fragen und Modelle \u00fcberhaupt f\u00fcr selbstverst\u00e4ndlich? Welche sozialen Interessen, historischen Gewohnheiten oder institutionellen Pfade haben dazu gef\u00fchrt, dass genau diese Theorie als sinnvoller Ausgangspunkt gilt?<\/p>\n Das ist keine Gegnerschaft zu Popper. Es ist die Ausweitung des Misstrauens auf die Vorbedingungen der Theoriebildung. Popper macht Unit-Tests f\u00fcr Hypothesen. Kritische Wissenschaft fragt, warum das Projekt genau diese Module enth\u00e4lt und andere nie geschrieben wurden. Wenn ein System wiederholt an denselben Stellen ausf\u00e4llt, testet man irgendwann nicht mehr nur die konkrete Funktion, sondern die Architekturannahmen, man schaut auf Legacy-Entscheidungen, auf implizite Kopplungen, auf historische Abk\u00fcrzungen, die \u00fcber Jahre zu Naturgesetzen geronnen sind. Genau das tun diese Disziplinen, nur f\u00fcr Kategorien, Institutionen und Wissensordnungen.<\/p>\n Es geh\u00f6rt zu den erm\u00fcdenden Eigent\u00fcmlichkeiten 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 d\u00fcnnh\u00e4utige Selbstverteidigung, dass man sich fragt, warum niemand einmal f\u00fcnf Minuten sachlich \u00fcber Kategorienlehre, Normierung und Bias sprechen kann.<\/p>\n Gender Studies sind weniger ein einheitlich abgegrenztes Fach als ein interdisziplin\u00e4res Forschungsfeld. Sie untersuchen, wie Geschlechterkategorien entstehen, wie sie institutionalisiert werden und welche Normbilder in K\u00f6rper, Arbeit, Medizin, Recht und Technik eingeschrieben sind. Wer so etwas pauschal als Unfug abtut, verh\u00e4lt sich ungef\u00e4hr 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.<\/p>\n Kulturanthropologie ist demgegen\u00fcber st\u00e4rker fachf\u00f6rmig institutionalisiert, arbeitet aber in vielen ihrer besten Momente mit denselben Fragen nach impliziten Normen, Routinen und Deutungsmustern. Sie besch\u00e4ftigt sich mit den stillen Mustern, auf denen Institutionen beruhen, den B\u00fcndeln aus Gewohnheiten, Normen, Rollenerwartungen und Routinen, in denen Menschen handeln, ohne jeden Schritt explizit begr\u00fcnden zu m\u00fcssen. Jeder, der je in einem gr\u00f6\u00dferen Tech-Unternehmen gearbeitet hat, kennt das als handfeste Realit\u00e4t: Firmen, in denen niemand Fehler zugibt, obwohl alle dauernd \u00fcber \u201eBlameless Postmortems\u201c reden. Teams, in denen Code Reviews formell der Qualit\u00e4t 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 k\u00f6nnte dazu auch sagen: Unternehmenskultur. Oder man nimmt es ernst und erkennt, dass hier anthropologische Beobachtungen mitten im Maschinenraum stehen.<\/p>\n Science and Technology Studies, meist ebenfalls eher ein interdisziplin\u00e4res Feld als ein klassisches Einzelfach, fragen schlie\u00dflich 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: L\u00e4uft 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 Aufmerksamkeitsm\u00e4rkte produziert, die die rationalere \u00d6ffentlichkeit ungef\u00e4hr so stabilisiert haben wie ein Laubbl\u00e4ser 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.<\/p>\n Keine dieser Perspektiven liefert von sich aus bessere Algorithmen. Sie liefern bessere Fragen. Wer einmal gesehen hat, wie viele Milliarden in Systeme flie\u00dfen, f\u00fcr die nie die richtigen Fragen gestellt wurden, entwickelt daf\u00fcr eine gewisse Zuneigung.<\/p>\n Ein sch\u00f6ner Testfall f\u00fcr das Missverst\u00e4ndnis gegen\u00fcber solchen F\u00e4chern ist David Graeber, genauer: die Art, wie manche Leser auf das gemeinsam mit David Wengrow geschriebene Buch *Anf\u00e4nge \u2014 Eine neue Geschichte der Menschheit* reagieren.8<\/a><\/sup> Der reflexhafte Vorwurf lautet: Das ist doch blo\u00df modische Dekonstruktion. Man stellt ein paar exotische Gegenbeispiele zusammen und tut dann so, als sei die gesamte bisherige Forschung hinf\u00e4llig.<\/p>\n Das ist eine etwas lustlose Lekt\u00fcre. Graeber greift nicht die methodische Validit\u00e4t einzelner arch\u00e4ologischer Verfahren an. Er kritisiert die gro\u00dfen deterministischen Erz\u00e4hlungen, mit denen aus verstreuten Befunden gern sehr lineare Geschichten \u00fcber Menschheitsentwicklung gebaut werden: Sesshaftigkeit f\u00fchrt zu \u00dcberschuss, \u00dcberschuss zu Hierarchie, Hierarchie zum Staat, und damit ist dann implizit schon halb erkl\u00e4rt, warum wir heute in B\u00fcrokratie, Steuersoftware und Immobilienportalen leben.<\/p>\n Was *Anf\u00e4nge* immer wieder tut, ist den Satz in den Raum zu stellen: Seid euch nicht so sicher, dass eure Notwendigkeitserz\u00e4hlungen 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 Normativit\u00e4t in seine Beschreibung, als ihm lieb ist. Graeber verh\u00e4lt sich zu zivilisationsgeschichtlichen Selbstverst\u00e4ndlichkeiten wie ein guter Penetrationstest zu einer Infrastruktur, die sich selbst f\u00fcr unangreifbar h\u00e4lt. Charles C. Manns *1491 \u2014 Amerikas Kulturen vor Columbus* geh\u00f6rt in denselben Diskursstrang.9<\/a><\/sup> In beiden F\u00e4llen wird eine bequeme Geschichte ungem\u00fctlich gemacht, nicht weil Fakten relativiert w\u00fcrden, sondern weil ihre Auswahl und Deutung zu selbstverst\u00e4ndlich geworden war.<\/p>\n Nicht alle Gr\u00fcnde daf\u00fcr sind unfair. Es gibt tats\u00e4chlich schlechte Texte in diesen Feldern, Jargon, der eher das soziale Kapital des Sprechers erh\u00f6ht als die Erkenntnis des Lesers, intellektuelle Moden, die klingen, als h\u00e4tte jemand eine Nebelmaschine in die Methodensektion geschoben. Daraus zu schlie\u00dfen, das ganze Feld sei wertlos, w\u00e4re allerdings ungef\u00e4hr so, als w\u00fcrde man Informatik nach PowerPoint-Sprech \u00fcber Blockchain im \u00f6ffentlichen Dienst beurteilen, schlechte Anwendungen widerlegen keine gute Problemstellung. Und technische Felder sind in Sachen Jargon ohnehin nicht gerade moralisch \u00fcberlegen. Wer jemals ein Whitepaper gelesen hat, in dem \u201efrictionless orchestration of scalable trust frameworks\u201c als sinnvoller Satz durchging, sollte mit Blick auf andere Disziplinen eine Prise Demut entwickeln.<\/p>\n Der tiefere Grund f\u00fcr das Misstrauen liegt vermutlich darin, dass diese F\u00e4cher an etwas r\u00fchren, das viele ungern h\u00f6ren: dass Rationalit\u00e4t 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 Objektivit\u00e4t abschaffen. Tats\u00e4chlich will er oft nur verhindern, dass man institutionelle Gewohnheit mit Objektivit\u00e4t verwechselt. Das ist ein Unterschied, den man gar nicht oft genug betonen kann. Eine wissenschaftsfreundliche Kultur sollte nicht daran interessiert sein, Objektivit\u00e4t zu sakralisieren, sondern daran, ihre Bedingungen zu verbessern.<\/p>\n Auf der einen Seite die harte, echte Wissenschaft. Auf der anderen Seite die weichen Deutungsf\u00e4cher und interdisziplin\u00e4ren Felder, die alles kulturell verfl\u00fcssigen und einem am Ende erkl\u00e4ren, 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 versch\u00e4rfter Beobachtung.<\/p>\n Kein vern\u00fcnftiger Mensch k\u00e4me auf die Idee zu sagen: Weil Mathematik pr\u00e4zise 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 f\u00fcr vorpolitisch zu halten.<\/p>\n Es lohnt sich, kurz auf die Beleidigung zu schauen, die diesen Bereichen oft anhaftet. \u201eBl\u00fcmchenstudieng\u00e4nge\u201c, das Wort markiert Weichheit, Ornament, mangelnde Wirklichkeitstauglichkeit. Es ist die kleine sprachliche Geste, mit der man F\u00e4cher und Felder aus dem Bereich des Ernstzunehmenden hinauskomplimentiert und dabei zugleich das eigene Selbstbild als Realist stabilisiert. Auch das ist \u00fcbrigens 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 Selbstverst\u00e4ndlichkeit. Dass man ausgerechnet Bereiche abwertet, die sich mit Kategorien, Normen und Macht befassen, indem man eine kulturell aufgeladene Blumenmetapher w\u00e4hlt, hat eine gewisse Komik. Man f\u00fchrt den Gegenstand im Akt der Geringsch\u00e4tzung bereits vor.<\/p>\n Kritische Kulturwissenschaften sind keine Alternative zur Wissenschaft. Sie sind ihr Stresstest.<\/p>\n Sie pr\u00fcfen nicht, ob Wasser bei hundert Grad kocht. Sie pr\u00fcfen, unter welchen institutionellen, historischen und politischen Bedingungen bestimmte Fragen \u00fcberhaupt gestellt, finanziert, gemessen und ernst genommen werden. Sie relativieren nicht Fakten, sondern unsere Gewissheit dar\u00fcber, dass wir schon wissen, wie diese Fakten einzuordnen sind. Sie sind keine Gegenaufkl\u00e4rung. Sie sind, im besten Fall, eine etwas nervige, aber ziemlich n\u00fctzliche Form zweiter Aufkl\u00e4rung: die Aufkl\u00e4rung \u00fcber die Voraussetzungen unserer Aufkl\u00e4rung.<\/p>\n 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 wegl\u00e4sst, spart kurzfristig Zeit und zahlt langfristig Zinsen.<\/p>\n 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 pr\u00e4zise am Wesentlichen vorbeiforscht. Und weil Wissenschaft, die sich nie fragt, warum sie genau diese Fragen stellt, Gefahr l\u00e4uft, ihre eigenen Defaults mit der Welt zu verwechseln. Das ist Qualit\u00e4tskontrolle zweiter Ordnung. Und erstaunlich oft das, was zwischen Erkenntnis und sehr elegant organisiertem Irrtum steht.<\/p>\n\t\t\tDer Standardk\u00f6rper<\/h2>\n
Methodisch sauber hei\u00dft noch nicht strukturell unverzerrt<\/h2>\n
Popper, aber eine Etage fr\u00fcher<\/h2>\n
Gender Studies, Kulturanthropologie und STS, unterschiedliche Formate kritischer Wissensarbeit<\/h2>\n
Graeber und die Freude an Gegenbeispielen<\/h2>\n
Warum diese Bereiche trotzdem misstrauisch betrachtet werden<\/h2>\n
Das Wort selbst<\/h2>\n
Schluss: Stresstest, kein Gegner<\/h2>\n