Ein diszipliniertes Protokoll für den Versuch der Widerlegung.
Die Methode ist so gestaltet, dass es der Maschine schwerfällt, sich selbst zu täuschen, und unmöglich ist, sich eine Autorität anzumaßen, die sie sich nicht verdient hat.
Prinzipien
Sieben Verpflichtungen.
- 01
Rahmen vor dem Modellieren
Ereignis, Horizont, Population, zulässige Annahmen und Wesentlichkeit werden festgelegt, bevor ein Modell ausgewählt wird.
- 02
Mit heterogenen Engines untersuchen
Statistische, stochastische, symbolische, Fuzzy- und gelernte Familien prüfen unterschiedliche Eigenschaften; keine zertifiziert sich selbst.
- 03
Die Störungsmenge vorab festlegen
Fenster, Frequenzen, Resamples, Seeds, Spezifikationen und Regime werden erklärt, bevor Ergebnisse vorliegen, um ein bequemes Multiversum zu vermeiden.
- 04
Erst qualifizieren, dann synthetisieren
Nur als beständig oder bedingt klassifizierte Kandidaten gehen in die Synthese ein, und Klassifizierungen bleiben revidierbar.
- 05
Abhängigkeit abwerten, Konflikt bewahren
Gemeinsame Daten und induktiver Bias verringern die Beweiskraft; informative Uneinigkeit bleibt im Artefakt erhalten.
- 06
Kalibrieren und befristen
Wahrscheinlichkeiten werden an Ergebnissen kalibriert und tragen einen Gültigkeitshorizont, nach dem sie veraltet sind.
- 07
Den Modellierer in der Verantwortung halten
Automatisierung kann strukturelle Revisionen vorschlagen. Eine Beförderung erfordert Prüfungen der Vertretbarkeit und eine ausdrückliche Freigabe.
Bedingte Komplexität
Komplexität muss sich selbst bezahlen.
L0–L9
Die Architektur, die die Prinzipien steuern.
Rechnergestützte Epistemologie
Nicht die aufwendigste Maschine. Die kleinste, die ihre Inferenz vertreten kann.
Aus dem Working Paper · Governance-Prinzip
Beyond Ontology: Computational Epistemology as a Layered Inference Machine
Fernando Negrini et al. · Working Paper v1.1 · 2026
Die Ontologie strukturiert, was der Maschine zur Verfügung steht. Die computationale Epistemologie strukturiert, was die Maschine daraus schließen darf.