Wanneer er weinig gegevens zijn, letten we erop dat we niet te snel conclusies trekken. Maar wanneer grote hoeveelheden cijfers en registraties zich opstapelen, ontstaat gemakkelijk het gevoel: „Met zoveel materiaal moet het antwoord wel duidelijk zijn.” Meer waarnemingen vergroten zeker wat we kunnen weten. Maar een toename van de hoeveelheid gegevens is niet hetzelfde als dat hun betekenis eenduidig wordt. Welke verklaringen uit dezelfde gegevens kunnen worden afgeleid, hangt af van wat is gemeten, wat niet is gemeten en welke periode is onderzocht.
Stel bijvoorbeeld dat de gebruiksduur van een dienst gedurende één maand toeneemt. We zouden dit misschien willen verklaren met „de tevredenheid van gebruikers is toegenomen”. Hoewel de toename van de gebruiksduur kan worden waargenomen, stellen cijfers alleen de reden daarvoor niet vast. Een nieuwe functie kan handig zijn geweest, maar het kan ook zijn dat de interface ingewikkelder is geworden en daardoor meer tijd kostte. Alleen al het scheiden van de waargenomen verandering en de verklaring van die verandering verandert de volgende onderzoeksvraag aanzienlijk.
In onderzoek is het op zichzelf noodzakelijk om van waarneming naar hypothese te gaan. Het probleem is niet dat we hypothesen hebben, maar dat een hypothese ongemerkt dezelfde status krijgt als een waargenomen feit. Zodra we besluiten „dit is de oorzaak”, zijn we eerder geneigd latere gegevens zo te lezen dat ze bij die verklaring passen. De ruimte om andere verklaringen te overwegen wordt kleiner en tegenstrijdig bewijs kan als uitzondering worden behandeld. Voortijdige zekerheid kan niet alleen een onderzoek beëindigen, maar ook beïnvloeden wat we vervolgens kiezen waar te nemen.
Dit probleem wordt nog belangrijker wanneer AI onderzoek ondersteunt. AI kan grote hoeveelheden materiaal ordenen, overeenkomsten eruit halen en snel mogelijke verklaringen presenteren. Dat vermogen is nuttig, maar hoe vloeiender een geordende verklaring wordt, hoe meer een hypothese eruit kan zien als een reeds geverifieerde conclusie. Het feit dat AI veel informatie heeft verwerkt, betekent niet dat haar interpretatie de enige mogelijke is. De hoeveelheid verwerking en de zekerheid van een conclusie moeten afzonderlijk worden beschouwd.
Daarom is het nuttig om waarneming, interpretatie, hypothese en verificatieresultaten als afzonderlijke fasen te behandelen. Waarneming laat zien wat is vastgelegd; interpretatie laat zien hoe die registratie wordt gelezen. Een hypothese is een mogelijke verklaring voor meerdere waarnemingen, en verificatie toetst in hoeverre die mogelijkheid wordt ondersteund. Als deze fasen niet door elkaar worden gehaald, kan zelfs bij een sterke hypothese de vraag „wat moet nog worden gecontroleerd?” behouden blijven.
Een conclusie voorlopig aanhouden betekent niet dat beslissingen eindeloos worden vermeden. Afhankelijk van het doel van een onderzoek kan het nodig zijn om met beperkte informatie een handelwijze te kiezen. Ook dan is zeggen „deze verklaring wordt het sterkst ondersteund door het huidige bewijs” iets anders dan zeggen „dit is de enige waarheid”. Door het voorlopige karakter te behouden, kan een oordeel worden bijgewerkt wanneer nieuw bewijs verschijnt. De mate van zekerheid moet aansluiten bij de stand van het bewijs.
Voor zowel mensen als AI vergt het moed om sommige delen onbekend te laten. Een afgeronde verklaring geeft geruststelling, maar de waarde van onderzoek ligt niet in hoe snel het ons geruststelt, maar in hoe goed een verklaring standhoudt tegenover de werkelijkheid. Als een hypothese bij tegenstrijdig bewijs zou instorten, is het beter die mogelijkheid niet te verbergen. Iets toetsbaar houden maakt de conclusie niet zwak; het maakt de grondslag van haar kracht expliciet.
Ook wanneer Sai＊aus onderzoek ondersteunt, is het doel niet alleen om uit grote hoeveelheden informatie snel één conclusie te produceren. Als kan worden onderscheiden wat is waargenomen, waar interpretatie is toegevoegd en wat nog een hypothese is, kunnen mensen kiezen wat vervolgens moet worden gecontroleerd. Het ordenend vermogen van AI kan worden gebruikt om conclusies niet af te sluiten, maar om de ingang naar verificatie zichtbaar te maken.
Meer gegevens maken de waarheid niet automatisch eenduidig. Wat toeneemt, is het materiaal waarmee de werkelijkheid kan worden gecontroleerd. Aannames en interpretaties spelen een rol in de manier waarop verklaringen uit dat materiaal worden opgebouwd. Onderzoek vereist daarom niet dat we de gegevens zelf betwijfelen, maar dat we het pad tussen gegevens en conclusie niet uit het oog verliezen. Door een conclusie niet haastig als werkelijkheid vast te leggen en haar via verificatie voor herziening open te houden, kan de overvloed aan informatie worden omgezet in diepgang van begrip.
Geen antwoorden. Begrip.