Als ich gestern endlich mal die autoritäre Versuchung in einiger
Breite diskutiert habe, war eines der Argumente gegen die bequeme Lösung
von Konflikten mit Zwang und Gewalt, dass diese Lösungen zwar manchmal
den erwünschten Effekt haben, aber in der Regel auch ziemlich
haarsträubende Nebenwirkungen.
Hydrilla-Pflanzen in einem Foto vom US Geological Survey.
Dazu ist mir heute in einem Beitrag zu Forschung aktuell vom 26. März
ein relativ exotisches Beispiel untergekommen, allerdings ziemlich weit
ab von den sozialen Konflikten, über die ich gestern vor allem
geschrieben habe. Es ging in der Sendung um ein aktuelles
Science-Paper von Steffen Breinlinger, Tabitha Phillips und
KollegInnen (DOI 10.1126/science.aax9050). Die Leute haben
untersucht, warum ab Mitte der 1990er in bestimmten Gebieten der
südlichen USA eine deutliche Übersterblichkeit von Weißkopf-Seeadlern
und, bei näherem Hinsehen, entlang ganzer Nahrungsketten in und über
Süßwasserseen auftrat.
Zunächst war schon vor der Arbeit eine Korrelation der toten Vögel
mit der Besiedlung von Seen durch Hydrilla (eine dort vom Menschen vor
relativ kurzer Zeit aus der alten Welt eingeführte Wasserpflanze)
aufgefallen, genauer durch Hydrilla und ein Cyanobakterium, das auf
dieser haust. Das Weitere hatte etwas von einer Sherlock
Holmes-Geschichte, denn Nachzucht und Verfütterung des Cyanobakteriums
waren ein Haufen Arbeit – und führten zu nichts: Tiere, die den
Hydrilla-Cyanobakterien-Cocktail verzehrten, fühlten sich prima.
Erst mit echtem Pamp aus den todbringenden Seen erkannten die
WissenschaftlerInnen, dass das Problem nicht das Cyanobakterium an sich
war, sondern im Wesentlichen die Fähigkeit von Hydrilla, Brom
anzureichern; erst mit wenigstens etwas Kaliumbromid im Wasser und
Hydrilla zur Bromid-Anreicherung wurden die Cyanobaktierien giftig.
Damit stellt sich die Frage, woher die Bromide in der freien Natur
kommen. Und da kommen wir zu den autoritären Lösungen. Hydrilla ist
invasiv, breitet sich also ziemlich stark aus, seit jemand mal sein
Aquarium in einen See gekippt und die Pflanze so in die Gewässer der
südlichen USA gebracht hat. Um der Ausbreitung Herr zu werden, wurde
wohl teils auf Herbizide zurückgegriffen, die bromierte
Kohlenwasserstoffe enthielten.
Tja: Da hat wohl wer einer autoritären Versuchung nachgegeben und die
einfache Lösung gesucht durch, na ja, das nächste Aquivalent zu Gewalt
an Pflanzen. Vermutlich hat das nicht mal besonders gut gegen Hydrilla
geholfen – es muss ja noch genug davon gegeben haben, dass Tiere durch
Abweiden (bzw. Fressen der Abweidenden) das Cyanobakterien-Gift
anreichen konnten. Aber plausiblerweise hat das Herbizid, die „Lösung“,
am Schluss die Seeadler (und Eulen und Milane) umgebracht.
Der Fairness halber: Vielleicht wars auch gar nichts in der Richtung.
Brom könnte auch aus weggeworfenem Kram mit Flammschutzmitteln (das
waren traditionell halogenierte Kohlenwasserstoffe) oder aus der
Reinigung von Abgasen der Kohleverstromung kommen. Und klar, es gibt
auch natürliche Vorkommen von Bromverbindungen. So ist das halt mit
Wissenschaft: Richtig eindeutige Antworten brauchen lange Zeit.
Seit einiger Zeit blättere ich öfter mal in Shoshana Zuboffs Age of
Surveillence Capitalism und finde es immer wieder nützlich und
gleichzeitig verkehrt. Dazu will ich etwas mehr schreiben, wenn ich
es ganz gelesen habe, aber jetzt gerade hat mich ihr Generalangriff auf
den Behaviorismus – auch der gleichzeitig richtig und falsch – wieder
an einen Gedanken aus Bertrand Russells A History of Western
Philosophy erinnert, der mich immer wieder beschäftigt – und den ich
sehr profund finde. Im Groben: „In politischen Theorien ist
Menschlichkeit wichtiger als Stringenz”. Oder: das „worse is better“
der Unix-Philosophie, das mensch trefflich kritisieren kann, ist
zumindest fürs politische Denken in der Regel angemessen.
Was ist eigentlich eine Menge?
Gegenstück zu worse is better: Eine LISP-Maschine im MIT-Museum.
Dabei konnte Russell beeindruckend stringent denken, etwa auf den paar
hundert Seiten, die er in den Principia Mathematica füllte, um sich
der Richtigkeit von 1+1=2 zu versichern.
Oder auch in der Russell'schen Antinomie, die ich in meinen
Einführungsvorlesungen in die formalen Grundlagen der Linguisitk immer
zur Warnung vor der naiven Mengendefinition – eine Menge sei ein Haufen
von „Objekten unserer Anschauung oder unseres Denkens“ – gebracht habe.
Wäre diese Definition nämlich ok, müsste es auch die Menge aller
Mengen geben, die sich nicht selbst enthalten. Nennen wir sie mal Ξ
(ich finde, das große Xi ist in Mathematik und Physik deutlich
unterverwendet). Die wesentliche Frage, die mensch einer Menge stellen
kann ist: Ist irgendwas in dir drin, also: „x ∈ Ξ“?
Und damit kommt Russells geniale Frage: Ist Ξ ∈ Ξ oder nicht? Schauen
wir mal:
Wenn Ξ ∈ Ξ gälte, enthält Ξ sich selbst, ist also nicht in der Mengen
aller Mengen, die sich nicht selbst enthalten, entgegen der Annahme in
diesem Spiegelstrich.
Ist aber Ξ ∉ Ξ, so enthält sich Ξ nicht selbst, wäre es also in der
Menge aller Mengen, die sich nicht selbst enthalten und müsste sich
also selbst enthalten. Passt wieder nicht.
Brilliant, oder? Die Lösung dieser „Russell'schen Antinomie“ ist
übrigens, sich bei der Definition von „Menge“ etwas mehr Mühe zu
geben.
Wer das nachvollzogen hat, wird wohl die Weisheit von Russells
Entscheidung erkennen, nach den Principia Mathematica eher
konventionelle Philosophie zu betreiben. In diesem Rahmen hat er 1945
seine überaus lesbare Darstellung der „westlichen“ Philosophie
veröffentlicht, in der er sich deutlich als Fan von John Locke outet, den
„apostle of the Revolution of 1688, the most moderate and the most
successful of all revolutions“, erfolgreichst, denn „no
subsequent revolution has hitherto been found necessary in England.“
Über das „found necessary“ könnte mensch angesichts des Elends, das
noch in den Werken von George Orwell – geschrieben, während Russell in
den 1940ern an seiner History arbeitete – deutlich wird, sicher
streiten, aber vielleicht ist das durch „most moderate“ noch hinreichend
abgedeckt.
Vernünftig vs. Widerspruchsfrei in der politischen Doktrin
Viel wichtiger ist mir aber Russells Beobachtung: „Pragmatically, the
theory was useful, however mistaken it may have been theoretically. This
is typical of Locke's doctrines.“ Etwas später sagt er: „No one has yet
succeeded in inventing a philosophy at once credible and
self-consistent. Locke aimed at credibility, and achieved it at the
expense of consistency. Most of the great philosophers have done the
opposite.“
Also in etwa: in der Philosophie – und da würde ich etwas hinter Russell
zurückgehen wollen und sagen: Politik und Soziologie – gibt es nicht
gleichzeitig „glaubwürdig“ (sagen wir lieber: menschlich) und
widerspruchsfrei. Ich glaube, Russell kam zu diesem desillusionierten
Einsichten aus Enttäuschung mit der russischen Revolution, deren
Scheitern, jedenfalls im Sinne von Freiheit, Gleichheit und
Solidarität für die Bürger_innen der Sowjetunion, er wahrscheinlich mit
übermäßiger ideologischer Strenge erklärte; jedenfalls führte er
Lockes gedankliche Geschmeidigkeit zurück auf dessen Erfahrungen des
britischen Bürgerkriegs der 1640er Jahre.
Immer wieder spottet Russell freundlich über Lockes, nun, Liberalität,
so etwa, wenn Hume einen schlimmen Irrtum beging, weil er „a better
intellect than Locke's, a greater acuteness in analysis, and a smaller
capacity for accepting comfortable inconsistencies“ hat. Oder wenn er
Lockes Methode so umschreibt:
[Er ist] always willing to sacrifice logic rather than become
paradoxical. He enunciates general principles which, as the reader can
hardly fail to perceive, are capable of leading to strange
consequences; but whenever the strange consequences seem about to
appear, Locke blandly refrains from drawing them. To a logician this
is irritating; to a practical man, it is a proof of sound judgement.
Was ich daraus mache: Wenn du über die Gesellschaft nachdenkst und du
kommst auf Menschenfresserei, müssen deine Ausgangsgedanken nicht
unbedingt Quatsch sein – das kann schon mal passieren, wenn ein Haufen
Leute sich streiten. Du solltest aber trotzdem nicht Menschenfresser_in
werden.
Freundlichkeit vs. Radikalität in der politischen Praxis
Eine derzeit ganz naheliegende Anwendung: So sehr es scheiße ist, wenn
Leute an eigentlich vermeidbaren Krankheiten sterben: Die autoritäre
Fantasie, einfach alle einzusperren, bis die SARS-2-Pandemie vorbei ist,
ist schon deshalb nicht menschenfreundlich, weil so ein Präzedenzfall
zu inflationären Forderungen nach ähnlich autoritären Maßnahmen führen
wird (alles andere mal beiseitegelassen). Umgekehrt führt das
unbedingte Bestehen auf Grundrechten wie Freizügigkeit, die
Zurückweisung staatlicher Autorität, auch wo diese nicht immer so
richtig wissenschaftlich unterfüttert ist, zu einem schlimmen Gemetzel.
Es bleibt, sich da irgendwie durchzumogeln (und das, ich gebs immer noch
nicht gerne zu, hat die Regierung recht ordentlich gemacht), und das
ist wohl, was was Russell an Locke mag.
Also: Im realen Umgang mit Menschen ist Freundlichkeit oft wichtiger als
Konsequenz. Dass Russell, obwohl er fast jeden Gedanken von Locke
widerlegt, seine gesamte Lehre sehr wohlwollend betrachtet, ist eine
sozusagen rekursive Anwendung dieses Prinzips.
Leider, und da kommen wir beinahe auf die Russell'sche Antinomie zurück,
bin ich aber überzeugt, dass auch die Mahnung, es mit den Prinzipien
nicht zu
weit zu treiben, dieser Mahnung selbst unterliegt. Folterverbot oder
Ausschluss der Todesstrafe etwa würde ich gerne unverhandelbar sehen.
Locke hätte mit dieser fast-paradoxen Selbstanwendung von
Nicht-Doktrinen auf Nicht-Doktrinen bestimmt keine Probleme gehabt. Bei
mir bin ich mir noch nicht ganz sicher.
Aber ich versuche, Zuboff mit der Sorte von Wohlwollen zu lesen, die
Russell für Locke hatte.
Nachtrag (2021-04-10)
Weil ich gerade über irgendeinen Twitter-Aktivismus nachdenken
musste (bei dem jedenfalls für mein Verständnis allzu oft gute Absichten
zu böser Tat werden), ist mir aufgefallen, dass meine
Russell-Interpretation eigentlich zusammenzufassen ist mit: „Radikalität
ist wichtig, aber Freundlichkeit ist wichtiger“. Das hat mir auf Anhieb
gefallen, weshalb ich es auch gleich als TL;DR über den Artikel gesetzt
habe.
Dann habe ich geschaut, ob duckduckgo diesen Satz kennt.
Erstaunlicherweise nein. Auch bei google: Fehlanzeige. Ha!
Und je mehr ich darüber nachdenke, gerade auch im Hinblick auf ein paar
Jahrzehnte linker Politik: RiwaFiw hätte vieles besser gemacht, und,
soweit ich sehen kann, fast nichts schlechter.
„Jetzt ist aber wirklich höchste Zeit, dass Corona endlich mal weggeht“
ist inzwischen ein universelles Sentiment, und auch mich lockt
gelegentlich die autoritäre Versuchung, einen „harten Lockdown“ zu
wünschen, damit das Ding weggeht (was es natürlich nicht täte). Der
Hass auf SARS-2 steigt, und damit womöglich auf Viren allgemein.
In der Tat scheinen Viren erstmal richtig doof, eklig und widerwärtig.
Wie scheiße ist das eigentlich, sich von den Zellen vertrauensvoll
aufnehmen zu lassen und dann den Laden zu übernehmen mit dem
einzigen Ziel, neues Virus zu machen? Und dann die Ähnlichkeit von z.B.
der T2-Bakteriophage mit Invasoren vom Mars...
Andererseits bin ich überzeugt, dass eine gewisse Anfälligkeit gegen
Viren wahrscheinlich ein evolutionärer Vorteil ist. Da gibts bestimmt
jede Menge echte Wissenschaft dazu, aber ich denke, eine einfache
Intiution geht auch ohne: Praktisch alle Viren nämlich wirken nur auf
kurze Distanz in Zeit und Raum (verglichen etwa mit Pflanzenpollen, aber
sogar mit vielen Bakterien), werden also im Wesentlichen bei Begegnungen
übertragen. Da die Wahrscheinlichkeit von Begegnungen mit dem Quadrat
der Bevölkerungsdichte geht, sollten Viren explodierende Populationen
„weicher“ begrenzen als leergefressene Ressourcen und so wahrscheinlich
katastrophalen Aussterbeereignissen vorbeugen.
Vorneweg: Ja, das klingt alles erstmal wild nach Thomas Malthus.
Dessen Rechtfertigung massenhaften Sterbenlassens ist natürlich
unakzeptabel (ebenso allerdings wie das fortgesetzte Weggucken von den
Meadows-Prognosen, die in der Regel auch katastrophale Zusammenbrüche
erwarten lassen).
Dies aber nicht, weil falsch wäre, dass in endlichen Systemen der
Ressourcengebrauch nicht endlos steigen kann; das ist nahe an einer
Tautologie. Nein, Malthus' Fehler ist der der Soziobiologie, nämlich
menschliche Gesellschaft und menschliches Verhalten an Funktionsweisen
der Natur auszurichten. Wer das will, wird recht notwendig zum
Schlächter, während umgekehrt die Geschichte der letzten 100 Jahre
überdeutlich zeigt, wie (sagen wir) Wachstumszwänge diverser Art durch
mehr Bildung, mehr Gleichheit und vor allem durch reproduktive
Selbstbestimmung von Frauen ganz ohne Blutbad und unter deutlicher
Hebung der generellen Wohlfahrt zu beseitigen sind.
Bei Kaninchen ist das aber, da muss ich mich leider etwas als Speziezist
outen, anders. Und daher habe ich mir Modellkaninchen für ein weiteres
meiner Computerexperimente herausgesucht, ganz analog zu den Schurken
und Engeln.
Die Fragestellung ist: Werden Ausschläge in Populationen wirklich
weniger wild, wenn Viren (also irgendwas, das Individuen nach
Begegnungen mit einer gewissen Wahrscheinlichkeit umbringt) im Spiel
sind?
Um das zu untersuchen, baue ich mir eine Spielwelt (wer mag, kann auch
„modifiziertes Lotka-Volterra-Modell“ dazu sagen) wie folgt:
Es gibt 1000 Felder, auf denen Gras wachsen kann oder nicht.
In der Welt leben Kaninchen, die pro Periode ein Grasfeld leerfressen
müssen, damit sie glücklich sind.
Haben Kaninchen mehr Gras als sie brauchen, vermehren sie sich, und
zwar um so mehr, je mehr Extrafutter sie haben (so machen das
zumindest Rehe).
Haben Kaninchen zu wenig Gras, sterben ein paar.
In jeder Periode verdoppelt sich die Zahl der Grasfelder (sagen wir: durch
Aussaat), bis alle 1000 Felder voll sind.
In Code sieht die Berechnung der Vermehrungsrate der Kaninchen so aus:
Wer den Verlauf der Vermehrungsrate mit dem Gras/Kaninchenverhältnis
γ auf der Abszisse sehen will:
Um dieses Modell zu rechnen, habe ich ein kleines Python-Programm
geschrieben, lv.py, das, mit anfänglichen Zahlen von Gras und
Kaninchen aufgerufen, den Verlauf der jeweiligen Populationen im Modell
ausgibt (nachdem es die Anfangsbedingungen etwas rausevolvieren hat
lassen).
Wie bei dieser Sorte von Modell zu erwarten, schwanken die Populationen
ziemlich (außer im Fixpunkt Kaninchen=Gras). So sieht das z.B. für
python3 lv.py 400 410 (also: anfänglich ziemlich nah am
Gleichgewicht) aus:
Das sieht nicht viel anders aus, wenn ich mit einem Kaninchen-Überschuss
anfange (python3 lv.py 400 800):
oder mit einem Gras-Paradies (python3 lv.py 800 150):
Aus Modellsicht ist das schon mal fein: Recht unabhängig von den
Anfangsbedingungen (solange sie im Rahmen bleiben) kommen zwar
verschiedene, aber qualitativ doch recht ähnliche Dinge raus: die
Kaninchenpopulationen liegen so zwischen 250 und 600 – im anfänglichen
Gras-Paradies auch mal etwas weiter auseinander – und schwanken wild von
Schritt zu Schritt.
Jetzt baue ich einen Virus dazu. Im lv.py geht das durch Erben vom
LV-Modell, was auf die LVWithVirus-Klasse führt. Diese hat einen
zusätzlichen Parameter, deadliness, der grob sagt, wie
wahrscheinlich es ist, dass ein Kaninchen nach einer Begegnung mit einem
anderen Kaninchen stirbt. Die Mathematik in der propagate-Methode,
würde etwa einem Bau entsprechen, in dem sich alle Kaninchen ein Mal
pro Periode sehen. Das ist jetzt sicher kein gutes Modell für
irgendwas, aber es würde mich sehr überraschen, wenn die Details der
Krankheitsmodellierung viel an den qualitativen Ergebnissen ändern
würden. Wichtig dürfte nur sein, dass die Todesrate irgendwie
überlinear mit der Population geht.
lv.py lässt das Modell mit Virus laufen, wenn es ein drittes
Argument, also die Tödlichkeit, bekommt. Allzu tödliche Viren löschen die
Population aus (python3 lv.py 800 150 0.05):
Zu harmlose Viren ändern das Verhalten nicht nennenswert
(python3 lv.py 800 150 1e-6):
Interessant wird es dazwischen, zum Beispiel python3 lv.py 800 150
2.1e-4 (also: rund jede fünftausendste Begegnung bringt ein Kaninchen um):
– wer an die Beschriftung der Ordinate schaut, wird feststellen, dass
die Schwankungen tatsächlich (relativ) kleiner geworden sind.
Das Virus wirkt offenbar wirklich regularisierend.
Wir befinden uns aber im Traditionsgebiet der Chaostheorie, und so
überrascht nicht, dass es Bereiche der Tödlichkeit gibt, in denen
plötzlich eine starke Abhängigkeit von den Anfangsbedingungen entsteht
und sich die Verhältnisse weit in die Entwicklung rein nochmal
grundsätzlich ändern können („nicht-ergodisch“). So etwa python3
lv.py 802 300 0.0012:
gegen python3 lv.py 803 300 0.0012:
Ein Kaninchen weniger am Anfang macht hundert Schritte später plötzlich
so ein gedrängeltes, langsames Wachstum.
Warum ich gerade bei 0.0012 geschaut habe? Nun ich wollte einen
Überblick über das Verhalten bei verschiedenen Tödlichkeiten und habe
darum stability_by_deadliness.py geschrieben, das einfach ein paar
interessante Tödlichkeiten durchprobiert und dann die relative
Schwankung (in Wirklichkeit: Standardabweichung durch Mittelwert) und
den Mittelwert der Population über der Virustödlichkeit aufträgt:
– das sieht sehr gut aus für meine These: Mit wachsender Tödlichkeit
des Virus nimmt die relative Streuung der Population ab, irgendwann
allerdings auch die Population selbst. Ganz links im Graphen gehts
durcheinander, weil sich dort chaotisches Systemverhalten mit kleinen
Zahlen tifft, und dazwischen scheint es noch ein, zwei Phasenübergänge
zu geben.
Leider ist dieses Bild nicht wirklich robust. Wenn ich z.B. die
Anfangsbedingungen auf 600 Gras und 250 Kaninchen ändere, kommt sowas
raus:
– die meisten der Effekte, die mich gefreut haben, sind schwach oder gar
ganz weg – wohlgemerkt, ohne Modelländerung, nur, weil ich zwei
(letztlich) Zufallszahlen geändert habe.
Mit etwas Buddeln findet mensch auch das Umgekehrte: wer immer mit 170
Gras und 760 Kaninchen anfängt, bekommt einen Bereich, in dem die
Populationen mit Virus größer sind als ohne, während gleichzeitig die
relative Schwankung nur noch halb so groß ist wie ohne Virus.
Dazwischen liegt ein 1a Phasenübergang:
Mensch ahnt: da steckt viel Rauschen drin, und auf der anderen Seite
höchst stabiles Verhalten, wo mensch es vielleicht nicht erwarten würde
(bei den hohen Tödlichkeiten und mithin kleinen Zahlen). Wissenschaft
wäre jetzt, das systematisch anzusehen (a.k.a. „Arbeit“). Das aber ist
für sehr ähnliche Modelle garantiert schon etliche Male gemacht worden,
so dass der wirklich erste Schritt im Jahr 51 nach PDP-11 erstmal
Literatur-Recherche wäre.
Dazu bin ich natürlich zu faul – das hier ist ja nicht mein Job.
Aber das kleine Spiel hat meine Ahnung – Viren stabilisieren Ökosysteme
– weit genug gestützt, dass ich weiter dran glauben kann. Und doch wäre
ich ein wenig neugierig, was die Dynamische-Systeme-Leute an harter
Wissenschaft zum Thema zu bieten haben. Einsendungen?
Gut: Es ist keine Sepie. Aber dieser Oktopus ist bestimmt noch
viel schlauer.
Mal wieder gab es in Forschung aktuell ein Verhaltensexperiment, das
mich interessiert hat. Anders als neulich mit den Weißbüschelaffen
sind dieses Mal glücklicherweise keine Primaten im Spiel, sondern
Tintenfische, genauer Sepien – die mir aber auch nahegehen, schon, weil
das „leerer Tab“-Bild in meinem Browser eine ausgesprochen putzige Sepie
ist. Den Beitrag, der mich drauf gebraucht hat, gibt es nur als
Audio (1:48 bis 2:28; Fluch auf die Zeitungsverleger), aber dafür ist
die Original-Publikation von Alexandra Schnell et al (DOI
10.1098/rspb.2020.3161) offen.
Grober Hintergrund ist der Marshmallow-Test. Bemerkenswerterweise
zitiert der Wikipedia-Artikel bereits die Sepien-Publikation, nicht
jedoch kritischere Studien wie etwa die auf den ersten Blick ganz gut
gemachte von Watts et al (2018) (DOI: 10.1177/0956797618761661).
Schon dessen Abstract nimmt etwas die Luft aus dem reaktionären
Narrativ der undisziplinierten Unterschichten, die selbst an ihrem Elend
Schuld sind:
an additional minute waited at age 4 predicted a gain of approximately
one tenth of a standard deviation in achievement at age 15. But this
bivariate correlation was only half the size of those reported in the
original studies and was reduced by two thirds in the presence of
controls for family background, early cognitive ability, and the home
environment. Most of the variation in adolescent achievement came from
being able to wait at least 20 s. Associations between delay time and
measures of behavioral outcomes at age 15 were much smaller and rarely
statistically significant.
Aber klar: „achievement“ in Zahlen fassen, aus denen mensch eine
Standardabweichung ableiten kann, ist für Metrikskeptiker wie mich
auch dann haarig, wenn mich die Ergebnisse nicht überraschen. Insofern
würde ich die Watts-Studie jetzt auch nicht überwerten. Dennoch fühle
ich mich angesichts der anderen, wahrscheinlich eher noch schwächeren,
zitierten Quellen eigentlich schon aufgerufen, die Wikipedia an dieser
Stelle etwas zu verbessern.
Egal, die Tintenfische: Alexandra Schnell hat mit ein paar Kolleg_innen
in Cambridge also festgestellt, dass Tintenfische bis zu zwei
Minuten eine Beute ignorieren können, wenn sie damit rechnen, später
etwas zu kriegen, das sie lieber haben – und wie üblich bei der Sorte
Experimente ist der interessanteste Teil, wie sie es angestellt haben,
die Tiere zu irgendeinem Handeln in ihrem Sinn zu bewegen.
Süß ist erstmal, dass ihre ProbandInnen sechs Tintenfisch-Jugendliche im
Alter von neun Monaten waren. Die haben sie vor einen Mechanismus
(ebenfalls süß: Die Autor_innen finden den Umstand, dass sie den
3D-gedruckt haben, erwähnenswert genug für ihr Paper) mit zwei
durchsichtigen Türen gesetzt, hinter denen die Sepien jeweils ihre
Lieblingsspeise und eine Nicht-so-Lieblingsspeise (in beiden Fällen
irgendwelche ziemlich ekligen Krebstiere) sehen konnten. Durch
irgendwelche Sepien-erkennbaren Symbole wussten die Tiere, wie lange
sie würden warten müssen, bis sie zur Leibspeise kommen würden, zum
langweiligen Essen konnten sie gleich, und sie wussten auch, dass sie
nur einen von beiden Ködern würden essen können; dazu gabs ein recht
durchdachtes Trainingsprotokoll.
Na ja, in Wirklichkeit wars schon etwas komplizierter mit dem Training,
und ahnt mensch schon, dass nicht immer alles optimal lief:
Preliminary trials in the control condition showed that Asian shore
crabs were not a sufficiently tempting immediate reward as latencies
to approach the crab, which was baited in the immediate-release
chamber, were excessive (greater than 3 min) and some subjects refused
to eat the crab altogether.
Ich kann mir richtig vorstellen, wie die Gruppe vor dem Aquarium stand
und fluchte, weil die doofen Viecher ihre Köder nicht schlucken wollten:
„Wie zum Henker schreiben wir das nachher ins Paper?“ – um so mehr, als
alle Sepien konsequent die gleichen Präferenzen hatten (was ich ja auch
schon für ein bemerkenswertes Resultat halte, das bei n=6 und drei
Auswahlmöglichkeiten kaum durch Zufall zu erklären ist – vielleicht aber
natürlich durch das, was die Sepien sonst so essen).
Und dann wieder Dinge in der Abteilung „was alles schiefgehen kann, wenn
mensch mit Tieren arbeitet“:
Subjects received one session of 6 trials per day at a specific delay.
This number of trials was chosen to minimize satiety and its effects
on eating behaviour.
Schon die Abbildung 2 des Artikels finde ich wirklich erstaunlich: Alle
Sepien bekommen es hin, 30 Sekunden auf ihre Lieblingsspeise zu warten
– wow. Ok, kann natürlich sein, dass sie so lange brauchen, um sich zu
orientieren, aber Schnell und Co scheinen mir schon viel getan zu haben,
um das unwahrscheinlich zu machen.
Was jedenfalls rauskommen sollte, war eine Korrelation der Wartezeit
mit, na ja, der „Intelligenz“ (ich halte mich raus bei der genaueren
Bestimmung, was das wohl sei), und um die zu messen, mussten die Sepien
in ihren Aquarien zunächst lernen, das „richtige“ unter einem dunklen
und einem hellen Stück Plastik aussuchen. Anschließend, das war der
Intelligenztest, mussten sie mitbekommen, wenn die Versuchsleitung die
Definition von „richtig“ verändert hat. Dazu haben sie laut Artikel im
Mittel 46 Versuche gebraucht – gegenüber 27 Versuchen beim ersten
Lernen. Nicht selbstverständlich auch: Sepien, die beim ersten Lernen
schneller waren, waren auch schneller beim Begreifen der Regeländerung.
Da ist Abbildung 3 schon ziemlich eindrücklich: einer der Tintenfische
hat das Umkehrlernen in gut 20 Schritten bewältigt, ein anderer hat fast
70 Schritte gebraucht. Uiuiui – entweder haben die ziemlich schwankende
Tagesform, oder die Gerissenheit von Sepien variiert ganz dramatisch
zwischen Individuen.
Die erwartete Korrelation kam selbstverständlich auch raus (Abbildung
4), und zwar in einer Klarheit, die mich schon etwas erschreckt
angesichts der vielen Dinge, die beim Arbeiten mit Tieren schief
gehen können; der Bayes-Faktor, den sie im Absatz drüber angeben
(„es ist 8.83-mal wahrscheinlicher, dass Intelligenz und Wartenkönnen
korreliert sind als das Gegenteil“) ist bei diesem Bild ganz
offensichtlich nur wegen der kleinen Zahl der ProbandInnen nicht
gigantisch groß. Hm.
Schön fand ich noch eine eher anekdotische Beobachtung:
[Andere Tiere] have been shown to employ behavioural strategies such
as looking away, closing their eyes or distracting themselves with
other objects while waiting for a better reward.
Interestingly, in our study, cuttlefish were observed turning their
body away from the immediately available prey item, as if to distract
themselves when they needed to delay immediate gratification.
Ich bin vielleicht nach der Lektüre des Artikels nicht viel überzeugter von
den verschiedenen Erzählungen rund um den Marshmallow-Test.
Ich bin gestern nochmal der Sache mit den Schurken und Engeln von
neulich nachgegangen, denn auch wenn die grundsätzliche Schlussfolgerung
– wenn du Chefposten kompetetiv verteilst, kriegst du ziemlich
wahrscheinlich Schurken als Chefs – robust ist und ja schon aus der dort
gemachten qualitativen Abschätzung folgt, so gibt es natürlich doch jede
Menge interessante offene Fragen: Setzen sich Schurken drastischer durch
wenn die Engeligkeit steiler verteilt ist? Wie sehr wirkt sich der
Vorteil für die Schurken wirklich aus, vor allem, wenn sie auch nur eine
endliche Lebensdauer haben? Wie ändern sich die Ergebnisse, wenn Leute
zweite und dritte Chancen bekommen, mal wie ein richtiger Schurke
Karriere zu machen? Wie verändert sich das Bild, wenn mensch mehr
Hierarchiestufen hinzufügt?
Weil das alte Modell mit der einen Kohorte, die bei jedem Schritt um
den Faktor 2 eindampft, für solche Fragen zu schlicht ist, muss ein neues
her. Es hat den Nachteil, dass es viel mehr Code braucht als das alte –
es hat aber der Vorteil, dass es im Prinzip beliebig lang laufen kann
und über einen weiten Bereich von Parametern hinweg stationär werden
dürfte, sich also der Zustand nach einer Weile (der „Relaxationszeit“) nicht
mehr ändern sollte – natürlich vom Rauschen durch die diskrete
Simulation abgesehen. Wem also das alte Modell zu schlicht und
langweilig ist: Hier ist sunde2.py.
Das Neue
Wie sieht das Modell aus? Nun, wir haben jetzt simultan einen ganzen
Haufen N von Hierarchiestufen, die auch immer alle besetzt sind; derzeit
habe ich konstant N = 50. Von Stufe zu Stufe ändert sich jetzt die
Population nicht mehr je um einen Faktor zwei, sondern so, dass die
unterste Stufe 16-mal mehr Aktoren hat als die oberste und die
Besetzungszahl dazwischen exponentiell geht. Diese Schicht-Statistik
sollte keinen großen Einfluss auf die Ergebnisse haben, hält aber
einerseits die Zahl der zu simulierenden Aktoren auch bei tiefen
Hierarchien im Rahmen, ohne andererseits auf den oberen Ebenen die ganze
Zeit mit allzu kleinen Zahlen kämpfen zu müssen.
Aktoren haben jetzt auch ein Alter; sie sterben (meist) nach L ⋅ N
Runden; L kann interpretiert werden als die Zahl der Versuche pro
Wettbewerb, die ein Aktor im Mittel hat, wenn er ganz nach oben will. Im
Code heißt das lifetime_factor (hier: Lebenzeit-Faktor), und ich
nehme den meist als 2 („vita brevis“).
Es gibt eine Ausnahme auf der strikten Lebenszeitbegrenzung: Wenn ein
Level sich schon um mehr als die Hälfte geleert hat, überleben die, die
noch drin sind, auch wenn sie eigentlich schon sterben müssten. An sich ist
diese künstliche Lebensverlängerung nur ein technischer Trick, damit mir
der Kram mit ungünstigen Parametern und bei der Relaxation nicht auf
interessante Weise um die Ohren fliegt; es kann nämlich durchaus sein,
dass die oberen Ebenen „verhungern“, weil Aktoren schneller sterben als
befördert werden. Er hat aber den interessanten Nebeneffekt, dass
speziell in Modellen mit kleinem L wie in der Realität die
Lebenserwartung der höheren Klassen höher ist als die der unteren.
Um die Gesamtzahl der Aktoren konstant zu halten, werden in jeder Runde
so viele Aktoren geboren wie gestorben sind, und zwar alle in die
niedrigste Schicht.
Das enspricht natürlich überhaupt nicht der Realität – schon die Zahlen
zur Bildungsbeteiligung gegen Ende des Posts Immerhin gegen Ende zeigen ja,
dass viele Menschen mitnichten bei Null anfangen in ihrem
gesellschaftlichen Aufstieg. Insofern hätte mensch darüber nachdenken
können, bestehende Aktoren irgendwie fortzupflanzen. Das aber hätte
eine Theorie zum Erbgang von Schurkigkeit gebraucht (die auch dann nicht
einfach ist, wenn mensch wie ich da wenig oder keine biologische
Komponenten vermutet) und darüber hinaus den Einbau von Abstiegen in der
Hierarchie erfordert.
Die zusätzliche Komplexität davon wäre jetzt nicht dramatisch gewesen,
aber das kontrafaktische „alle fangen bei Null an“ residiert als
„Chancengleichheit“ auch im Kern der modernen Wettbewerbsreligion. Für
ein Modell – das ohnehin in einer eher lockeren Beziehung zur
Wirklichkeit steht – ist sie daher genau richtig. Sollten übrigens in
der Realität Kinder von eher schurkigen Menschen auch tendenziell eher
schurkig werden, würde das die Anreicherung von Schurkigkeit gegenüber
dem chancengleichen Modell nur verstärken.
Das Alte
Der Rest ist wie beim einfachen Modell: da es gibt den
Schurken-Vorteil, die Wahrscheinlichkeit, dass ein Aktor, der gerade
schurkig ist, gegen einen, der gerade engelig ist, gewinnt. Dieser
rogue_advantage ist bei mir in der Regel 0.66.
Der letzte Parameter ist die Verteilung der Schurkigkeit (also der
Wahrscheinlichkeit, dass sich ein Aktor in einem Wettbewerb als Schurke
verhält). Dazu habe ich wie zuvor eine Gleichverteilung,
Exponentialverteilungen der Schurkigkeit mit verschidenen λ (also:
gegenüber der Gleichverteilung sind mehr Aktoren Engel, wobei die
allerdings alle Schurkeigkeiten über 1 auf 1 beschnitten werden; für
kleine λ wird das also schwer zu interpretieren) und Normalverteilungen
reingebaut, dieses Mal aber viel expliziter als im einfachen Modell des
letzten Posts.
Ich hatte eigentlich vor, den Kram immer laufen zu lassen, bis er
„stationär“ würde, also sagen wir, bis der Schurkigkeits-Gradient in den
mittleren Schichten sich von Runde zu Runde nicht mehr wesentlich
ändert. Stellt sich aber raus: durch die relativ überschaubaren
Aktor-Zahlen und die Dynamik der Gesellschaft, in der ja per Design viel
Aufstieg stattfindet, rauschen die Metriken, die ich da probiert habe,
zu stark, um guten Gewissens sagen zu können, jetzt sei das Ding
relaxiert (im Code: DiffingWatcher).
Was passiert?
Stattdessen lasse ich die Modelle jetzt erstmal laufen, bis die
(gleichverteilte) Anfangspopulation weitgehend ausgestorben ist (nämlich
N ⋅ L Runden) und ziehe dann nochmal für N ⋅ L Runden Statistiken,
vor allem die mittlere Schurkigkeit in Abhängigkeit von der
Hierarchieebene. Die kann ich dann übereinanderplotten, wobei ich die
Zeit durch den Grauwert einfließen lasse (spätere, wahrscheinlich etwas
relaxiertere, Zustände sind dunkler):
Dabei ist auf der Abszisse die mittlere Hierarchieebene, auf der
Ordinate die mittlere Schurkigkeit auf der entsprechenden Ebene; die
Zeit ist, wie gesagt, durch den Grauwert der Punkte angedeutet und sorgt
für die Streuung.
Am auffälligsten ist wohl, dass Schurkigkeit auf den letzten paar Stufen
am drastischsten ansteigt. Das hätte ich in dem Ausmaß nicht erwartet
und deckt sich jedenfalls nach meiner Erfahrung nicht mit irgendwelchen
Realitäten (in denen die Schurkigkeit schon auf nur moderat
schwindelerregenden Ebenen rapide wächst). Ich komme gegen Ende nochmal
etwas quantitativer auf die Steilheit des Anstiegs zurück.
Hier, wie auch sonst, sind die Modelle bezeichnet durch einen String
– sunde2.py verwendet ihn als Dateinamen –, der aus einer Bezeichnung
der Verteilung (hier Exponential mit λ=4), der Zahl der Level N,
dem Schurken-Vorteil und dem Lebenszeit-Faktor L besteht.
Eine andere Art, diese Daten anzusehen, die insbesondere etwas mehr von
der Dynamik erahnen lässt, ist eine Heatmap der Schurkigkeit; hier
laufen die Hierarchieebenen auf der Ordinate, die Zeit auf der Abszisse;
aus Bequemlichkeitsgründen hat hier die höchste Ebene mal die
Bezeichnung 0 (so ist das übrigens auch im Programm gemacht, in den anderen
Grafiken ist dagegen Ebene 50 das Nüßlein-Territorium):
In-joke: Regenbogen-Palette. Ich habe gerade frei, ich darf das.
Hier lässt sich ganz gut erkennen, dass der Kram nach einer maximalen
Lebensdauer (da fängt die Grafik an) weitgehend relaxiert ist, und
wieder, dass die letzten paar Hierarchieebenen die dramatischsten
Schurken-Konzentrationen aufweisen. Die schrägen Strukturen, die
überall sichtbar sind, sind zufällige Schurken-Konzentrationen auf der
Karriereleiter. Intuitiv wäre wohl zu erwarten, dass sich Engel in
Haifischbecken eher noch schwerer tun und so Schurkigkeitszonen
selbstverstärkend sein könnten. Insofern ist die relativ geringe
Streifigkeit der Grafik – die sagt, dass das wenigstens im Modell nicht
so ist – erstmal eher beruhigend.
Umgekehrt bilde mich mir ein, dass im unteren Bereich der Grafik einige
blauere (also: engeligere) Strukturen deutlich flacher als 45 Grad
laufen: Das könnten Engel-Konzentrationen sein, die gemeinsam langsamer
die Karriereleiter besteigen. Fänd ich putzig (wenns die Karriereleiter
denn schon gibt), kann aber auch nur überinterpretiertes Rauschen sein.
Und noch eine Auswertung von diesem spezifischen Modell: Alter über
Hierarchieebene, was angesichts des aktuellen
Alte-weiße-Männer-Diskurses vielleicht interessant sein mag:
Diese Abbildung funktioniert so wie die der mittleren Schurkigkeit, nur
ist auf der Ordinate jetzt das Alter statt der Schurkigkeit. In dem
Modell leben Aktoren ja zwei Mal die Zahl der Hierarchieebenen Runden,
hier also 100 Runden. Die Aktoren ganz unten sind erkennbar deutlich
jünger als der Schnitt (der bei 50 liegt), ganz oben sammeln sich alte
Aktoren. Klingt speziell in dieser Ausprägung, in der oben wirklich nur
Aktoren kurz vom Exitus sind, irgendwie nach später Sowjetunion, und
klar ist das Modell viel zu einfach, um etwas wie die City of London
zu erklären.
Note to self: Beim nächsten Mal sollte ich mal sehen, wie sich das
mittlere Alter von Schuken und Engeln in den unteren Schichten so
verhält.
Mal systematisch
Weil Simulationen dieser Art schrecklich viele Parameter haben, ist das
eigentlich Interessante, den Einfluss der Parameter auf die Ergebnisse
zu untersuchen. Dazu habe ich mir mal ein paar Modelle herausgesucht,
die verschiedene Parameter variieren (in der run_many-Funktion von
sunde2); Ausgangspunkt sind dabei 50 Ebenen mit einem Lebenszeit-Faktor
von zwei und einem Schurkenvorteil von 0.66. Das kombiniere ich
mit:
einer Gleichverteilung von Schurkigkeiten
einer Exponentialverteilung mit λ = 2
einer Exponentialverteilung mit λ = 4
einer Exponentialverteilung mit λ = 4, aber einem Schurkenvorteil von
0.75
einer Exponentialverteilung mit λ = 4, aber einem Lebenszeit-Faktor von 4
Die gerade durch die Medien gehende Geschichte von Georg Nüßlein
zeichnet, ganz egal, was an Steuerhinterziehung und
Bestechung nachher übrig bleibt,
jedenfalls das Bild von einem Menschen, der, während rundrum
die Kacke am Dampfen ist, erstmal überlegt, wie er da noch den einen
oder anderen Euro aus öffentlichen Kassen in seine Taschen wandern
lassen kann.
Die Unverfrorenheit mag verwundern, nicht aber, dass Schurken in
die Fraktionsleitung der CSU aufsteigen. Im Gegenteil – seit ich
gelegentlich mal mit wichtigen Leuten umgehe, fasziniert mich die
Systematik, mit der die mittlere Schurkigkeit von Menschen mit ihrer
Stellung in der Hierarchie steil zunimmt: Wo in meiner unmittelbaren
Arbeitsumgebung eigentlich die meisten Leute recht nett sind, gibt es
unter den Profen schon deutlich weniger Leute mit erkennbarem Herz. Im
Rektorat wird es schon richtig eng, und im Wissenschaftsministerium
verhalten sich oberhalb der Sekretariate eigentlich alle wie Schurken,
egal ob nun früher unter Frankenberg oder jetzt unter Bauer.
Tatsächlich ist das mehr oder minder zwangsläufig so in Systemen, die
nach Wettbewerb befördern. Alles, was es für ein qualitatives
Verständnis dieses Umstands braucht, sind zwei Annahmen, die vielleicht
etwas holzschnittartig, aber, so würde ich behaupten, schwer zu
bestreiten sind.
Es gibt Schurken und Engel
Wenn Schurken gegen Engel kämpfen (na ja, wettbewerben halt), haben
die Schurken in der Regel bessere Chancen.
Die zweite Annahme mag nach dem Konsum hinreichend vieler
Hollywood-Filme kontrafaktisch wirken, aber eine gewisse moralische
Flexibilität und die Bereitschaft, die Feinde (na ja, Wettbewerber halt)
zu tunken und ihnen auch mal ein Bein zu stellen, dürfte unbestreitbar
beim Gewinnen helfen.
Um mal ein Gefühl dafür zu kriegen, was das bedeutet: nehmen wir an, der
Vorteil für die Schurken würde sich so auswirken, dass pro
Hierarchieebene der Schurkenanteil um 20% steigt, und wir fangen mit 90%
Engeln an (das kommt für mein soziales Umfeld schon so in etwa hin, wenn
mensch hinreichend großzügig mit dem Engelbegriff umgeht). Als Nerd
fange ich beim Zählen mit Null an, das ist also die Ebene 0.
Auf Ebene 1 sind damit noch 0.9⋅0.8, also
72% der Leute Engel, auf Ebene 2
0.9⋅0.8⋅0.8, als knapp 58% und so fort, in Summe also 0.9⋅0.8n
auf Ebene n. Mit diesen Zahlen sind in Hierarchieebene 20 nur noch 1%
der Leute Engel, und dieser Befund ist qualitativ robust gegenüber
glaubhaften Änderungen in den Anfangszahlen der Engel oder der Vorteile
für Schurken.
Tatsächlich ist das Modell schon mathematisch grob vereinfacht, etwa
weil die Chancen für Engel sinken, je mehr Schurken es gibt, ihr Anteil
also schneller sinken sollte als hier abgeschätzt. Umgekehrt sind natürlich
auch Leute wie Herr Nüßlein nicht immer nur Schurken, sondern haben
manchmal (wettbewerbstechnisch) schwache Stunden und verhalten sich wie
Engel. Auch Engel ergeben sich dann und wann dem Sachzwang und sind von
außen von Schurken nicht zu unterscheiden. Schließlich ist wohl
einzuräumen, dass wir alle eher so eine Mischung von Engeln und Schurken
sind – wobei das Mischungsverhältnis individuell ganz offensichtlich
stark schwankt.
Eine Simulation
All das in geschlossene mathematische Ausdrücke zu gießen, ist ein
größeres Projekt. Als Computersimulation jedoch sind es nur ein paar
Zeilen, und die würde ich hier gerne zur allgemeinen Unterhaltung und
Kritik veröffentlichen (und ja, auch die sind unter CC-0).
Ein Ergebnis vorneweg: in einem aus meiner Sicht recht
plausiblen Modell verhält sich die Schurkigkeit (auf der Ordinate; 1
bedeutet, dass alle Leute sich immer wie Schurken verhalten) über der
Hierarchiebene (auf der Abszisse, höhere Ebenen rechts) wie folgt (da
sind jeweils mehrere Punkte pro Ebene, weil ich das öfter habe laufen
lassen):
Ergebnis eines Laufs mit einem Schurken-Vorteil von 0.66, mittlere
Schurkigkeit über der Hierarchieebene: Im mittleren Management ist
demnach zur 75% mit schurkigem Verhalten zu rechnen. Nochmal ein paar
Stufen drüber kanns auch mal besser sein. Die große Streuung auf den
hohen Hierarchieebenen kommt aus den kleinen Zahlen, die es
da noch gibt; in meinen Testläufen fange ich mit 220 (also
ungefähr einer Million) Personen an und lasse die 16 Mal Karriere
machen; mithin bleiben am Schluss 16 Oberchefs übrig, und da macht
ein_e einzige_r Meistens-Engel schon ziemlich was aus.
Das Programm, das das macht, habe ich Schurken und Engel getauft,
sunde.py – und lade zu Experimenten damit ein.
Es wird also festgelegt, dass, wenn ein Schurke gegen einen Engel
wettbewerbt, der Schurke mit zu 66% gewinnt (und ich sage mal voraus,
dass der konkrete Wert hier qualitativ nicht viel ändern wird), während
es ansonsten 50/50 ausgeht. Das ist letztlich das, was in _WIN_PROB
steht.
Und dann gibt es das Menschenmodell: Die Person wird, wir befinden uns
in gefährlicher Nähe zu Wirtschafts„wissenschaften“, durch einen
Parameter bestimmt, nämlich die Engeligkeit (angelicity; das Wort gibts
wirklich, meint aber eigentlich nicht wie hier irgendwas wie
Unbestechlichkeit). Diese ist die Wahrscheinlichkeit, sich anständig zu
verhalten, so, wie das in der is_rogue-Methode gemacht ist: Wenn
eine Zufallszahl zwischen 0 und 1 (das Ergebnis von random.random())
großer als die Engeligkeit ist, ist die Person gerade schurkig.
Das wird dann in der wins_against-Methode verwendet: sie bekommt
eine weitere Actor-Instanz, fragt diese, ob sie gerade ein Schurke ist,
fragt sich das auch selbst, und schaut dann in _WIN_PROB nach, was
das für die Gewinnwahrscheinlichkeit bedeutet. Wieder wird das gegen
random.random() verglichen, und das Ergebnis ist, ob self gegen
other gewonnen hat.
Der nächste Schritt ist die Kohorte; die Vorstellung ist mal so ganz in
etwa, dass wir einem
Abschlussjahrgang bei der Karriere folgen. Für jede Ebene gibt es eine
Aufstiegsprüfung, und wer die verliert, fliegt aus dem Spiel. Ja, das
ist harscher als die Realität, aber nicht arg viel. Mensch fängt mit
vielen Leuten an, und je weiter es in Chef- oder Ministerialetage geht,
desto dünner wird die Luft – oder eher, desto kleiner die actor-Menge:
class Cohort:
draw = random.random
def __init__(self, init_size):
self.actors = set(Actor(self.draw())
for _ in range(init_size))
def run_competition(self):
new_actors = set()
for a1, a2 in self.iter_pairs():
if a1.wins_against(a2):
new_actors.add(a1)
else:
new_actors.add(a2)
self.actors = new_actors
def get_meanness(self):
return 1-sum(a.angelicity
for a in self.actors)/len(self.actors)
(ich habe eine technische Methode rausgenommen; für den vollen Code vgl.
oben).
Interessant hier ist vor allem das draw-Attribut: Das zieht nämlich
Engeligkeiten. In dieser Basisfassung kommen die einfach aus einer
Gleichverteilung zwischen 0 und 1, wozu unten noch mehr zu sagen sein
wird. run_competition ist der Karriereschritt wie eben beschrieben,
und get_meanness gibt die mittlere Schurkigkeit als eins minus der
gemittelten Engeligkeit zurück. Diesem Wortspiel konnte ich nicht
widerstehen.
Es gäbe zusätzlich zu meanness noch interessante weitere Metriken, um
auszudrücken, wie schlimm das Schurkenproblem jeweils ist,
zum Beispiel: Wie groß ist der Anteil der Leute mit Engeligkeit unter
0.5 in der aktuellen Kohorte? Welcher Anteil von Friedrichs
(Engeligkeit<0.1) ist übrig, welcher Anteil von Christas
(Engeligkeit>0.9)? Aus wie vielen der 10% schurkgisten Personen „wird
was“? Aus wie vielen der 10% Engeligsten? Der_die Leser_in ahnt schon,
ich wünschte, ich würde noch Programmierkurse für Anfänger_innen geben:
das wären lauter nette kleine Hausaufgaben. Andererseits sollte mensch
wahrscheinlich gerade in so einem pädagogischen Kontext nicht
suggerieren, dieser ganze Metrik-Quatsch sei unbestritten. Hm.
Nun: Wer sunde.py laufen lässt, bekommt Paare von Zahlen
ausgegeben, die jeweils Hierarchiestufe und meanness der Kohorte angeben.
Die kann mensch dann in einer Datei sammeln, etwa so:
und so fort. Und das Ganze lässt sich ganz oldschool mit gnuplot
darstellen (das hat die Abbildung oben gemacht), z.B. durch:
plot "results.txt" with dots notitle
auf der gnuplot-Kommandozeile.
Wenn mir wer ein ipython-Notebook schickt, das etwa durch matplotlib
plottet, veröffentliche ich das gerne an dieser Stelle – aber ich
persönlich finde shell und vi einfach eine viel angenehmere Umgebung...
Anfangsverteilungen
Eine spannende Spielmöglichkeit ist, die Gesellschaft
anders zu modellieren, etwa durch eine Gaußverteilung der Engeligkeit,
bei der die meisten Leute so zu 50% halb Engel und halb Schurken sind
(notabene deckt sich das nicht mit meiner persönlichen Erfahrung, aber
probieren kann mensch es ja mal).
Dazu ersetze ich die draw-Zuweisung in Cohort durch:
Die „zwei Sigma“, also – eine der wichtigeren Faustformeln, die
mensch im Kopf haben sollte – 95% der Fälle, liegen hier zwischen 0 und
1. Was drüber und drunter rausguckt, wird auf „immer Engel“ oder „immer
Schurke“ abgeschnitten. Es gibt in diesem Modell also immerhin 2.5%
Vollzeitschurken. Überraschenderweise sammeln sich die in den ersten 16
Wettbewerben nicht sehr drastisch in den hohen Chargen, eher im
Gegenteil:
Deutlich plausibler als die Normalverteilung finde ich in diesem Fall ja
eine …
Sucht nach netten Genoss_innen: ein Weißbüschelaffe – Raimond Spekking /
CC BY-SA 4.0 (via Wikimedia Commons)
An sich halte ich ja Soziobiologie für irgendwas zwischen Mumpitz und
reaktionärer Zumutung, jedenfalls soweit sie verstanden wird als Versuch,
menschliches Verhalten oder gar gesellschaftliche Verhältnisse durch
biologische Befunde (oder das, was die jeweiligen Autor_innen dafür
halten) zu erklären und in der Folge zu rechtfertigen.
Hier ist aber eine Geschichte (DOI 10.1126/sciadv.abc8790), die so
putzig ist, dass ich mir in der Beziehung etwas mehr Toleranz von mir
wünschen würde. Und zwar hat eine Gruppe von Anthropolog_innen um Rahel
Brügger aus Zürich das Kommunikationsverhalten von Weißbüschelaffen
untersucht (Disclaimer: Nee, ich finde eigentlich nicht, dass mensch
Affen in Gefangenschaft halten darf, aber in diesem Fall scheint
zumindest das expermimentelle Protokoll halbwegs vertretbar).
Dabei haben sie zunächst zwei Dialoge zwischen (den Proband_innen
unbekannten) Affen aufgenommen: Ein Affenkind hat einen erwachsenen
Affen um Futter angebettelt. Im einen Fall hat der erwachsene Affe
abgelehnt, im anderen Fall wohl etwas wie „schon recht“ gemurmelt.
Dann haben sie die Aufnahmen anderen Affen vorgespielt und haben dann
geschaut, ob diese lieber weggehen oder lieber nachsehen, wer da
geplaudert hat. Und siehe da: Die Tiere wollten viel lieber die netten
Affen sehen als die doofen. Bei den netten Affen haben nach gut 10
Sekunden schon die Hälfte der Proband_innen nachgesehen, wer das wohl
war, bei den doofen war das mehr so 30 Sekunden. Und bis zum Ende der
jeweiligen Versuche nach zwei Minuten wollten immerhin ein Viertel der
Proband_innen nichts von den doofen Affen sehen, aben nur ein Zehntel
nichts von den netten.
Moral: Seid nett, und die Leute mögen euch.
Ja, ok, kann sein, dass die Äffchen nur gehofft haben, dass sie auch
Essen kriegen, wenn schon das Kind was bekommen hat. Pfft. Ich sag ja,
Soziobiologie stinkt.
Nachbemerkung 1: Ich habe das auch nicht gleich in Science Advances
gefunden (da gäbs andere Journals, die ich im Auge haben sollte),
sondern in den Meldungen vom 4.2. des sehr empfehlenswerten Forschung
aktuell im Deutschlandfunk.
Nachbemerkung 2: Ich weiß, Literatur soll mensch nicht erklären, aber
die Überschrift ist natürlich ein Einwand gegen einen der Wahlsprüche
der Roten Hilfe: „Solidarität ist eine Waffe“. So klasse ich die
Rote Hilfe finde, der entschlossene Pazifist in mir hat die Parole nie
so recht gemocht. Mensch will ja eigentlich weniger Waffen haben, aber
ganz bestimmt mehr Solidarität.
Das Pale Blue Dot-Bild, mit Gimps Lens Distortion ordentlich
verhackstückt, damit es auch wirklich blassblau wird.
In meinem asynchronen Radio habe ich heute Voyager 3 gehört, ein
Feature über... na ja, alles mögliche, insbesondere aber die kulturellen
Implikationen der Golden Records an Bord der Voyagers. Streckenweise
wars großartig; manchmal sind diese freistil-Features ja offensiv
langweilig, aber dann lassen mich solche Highlights doch immer an meiner
(na ja, der meines Computers) Mitschneideroutine am Sonntagabend
festhalten.
In dieser Sendung gab es erstmal ein paar Genau-mein-Humor-Witze zu den
Platten, etwa:
Warum ist da nicht mehr Bach drauf? – Wir wollten nicht so angeben.
Gefakte Durchsage der (vielleicht der NASA): Es ist nicht viel, aber
es ist die erste Nachricht einer fremden Zivilisation. Vier Worte:
Send more Chuck Berry.
Natürlich sind die Golden Records selbst schon zutiefst anrührend und
romatisch. Aber dann kam gegen Ende der Sendung noch etwas, das ich,
nennt mich einen irren Nerd, besonders anrührend fand. Sie haben
nämlich die Geschichte vom Pale Blue Dot (PBD) erzählt, nach dem
Voyager 1, bevor die Kamera endgültig abgeschaltet wurde, umgedreht
wurde und aus gut 40 Astronmischen Einheiten Entfernung die Erde
portraitiert hat.
Diese Geschichte kannte ich als Carl-Sagan-Fan natürlich schon, aber in
dieser Darstellung klang es so, als sei der PBD das letzte Bild der
Kamera gewesen, und dabei kam mir der ergreifende Gedanke: oh wow, da
haben sie das Bild der Erde sozusagen in die Netzhaut der sterbenden
Kamera (ihr Band) eingebrannt, und wenn dann dermaleinst Aliens die
Sonde bergen, würden sie das eben diese Erinnerung an die Ursprungswelt
dort noch finden.
Leider ist das natürlich alles Quatsch. Erstens war das PBD-Bild gar
nicht das letzte, das die Kamera geschossen hat, schon, weil die
Kamera (wie eigentlich immer noch alle wissenschaftlichen Kameras in
der Astronomie) monochrom war und es drum schon mal drei Aufnahmen
gewesen wäre, aber auch, weil Voyager als Teil der Rückschau einen ganzen
Haufen anderer Aufnahmen machte und so zuletzt vielleicht die Sonne oder
Neptun angeschaut hat, aber nicht die Erde.
Aber selbst wenn die Erd-Bilder die letzten gewesen wären, wären sie
wahrscheinlich nicht auf dem Bandlaufwerk geblieben, denn die Voyagers
nehmen ja immer noch Daten, und ich habe bis eben angenommen, dass die
immer noch auf dem Bandlaufwerk zwischengespeichert werden. Allerdings
berichtet hackaday, dass zumindest Voyager 1 inzwischen offenbar kein
übers RAM funktioniert (beeindruckend, denn alle drei Rechner an Bord
kommen zusammen gerade so über 64kB).
Leider würde es auch nichts helfen, wenn es das PBD-Bild irgendwie
geschafft hätte, trotz der weiteren Aktivitäen von Voyager 1 auf dem
Band zu bleiben: Selbst bei den tiefen Temperaturen dort draußen wird
die Magnetisierung des Bandes allein schon wegen der kosmischen
Strahlung bald verschwunden sein. Die Aliens werden eben leider doch
nicht die Erde als letztes Bild der sterbenden Kamera verewigt sehen.
Schade.
Ach übrigens: Voyager 1 steht übrigens gerade im Schlangenträger. Ganz
einsam. Was auch eine gewisse Romantik hat, denn im Schlangenträger
steht auch der einsamste Stern am Himmel.
Ich kann nicht lügen: Einer der Gründe, weshalb ich gerade jetzt mit
diesem Blog daherkomme ist, dass ich mir seit Dezember ganz besonders
auf die Schulter klopfe wegen der Präzision meiner Corona-Vorhersagen:
Wie befriedigend wäre es gewesen, wenn ich auf was Öffentliches
hinweisen könnte, das meine Vorhersagen Anfang November dokumentieren
würde. Als der „weiche Lockdown“ losging, habe ich nämlich etwas
verkniffen rumerzählt: Klar werden die Zahlen nicht runtergehen, solange
die Betriebe [1] nicht massiv runterfahren, und weil sich das niemand
traut, werden in der Folge immer bizarrere Maßnahmen getroffen werden.
So ist es nun gekommen, bis hin zu den Windmühlenkämpfen gegen die
Rodler_innen im Sauerland und die nächtlichen Ausgangssperren hier in
Baden-Württemberg (die allerdings, soweit ich das erkennen kann, genau
niemand durchsetzt).
Nun, jetzt habe ich die nächste Gelegenheit. Zu den relativ wenig
beachteten Phänomenen gerade gehört nämlich, dass die Zahl der
Corona-Intensivpatient_innen seit dem 4.1. konsistent fällt. Ich bin
ziemlich überzeugt, dass das im Wesentlichen das Runterfahren von
eigentlich praktisch allem (Betriebe, Geschäfte, Schulen) in der Woche
vor Weihnachten spiegelt; und das würde auch darauf hinweisen, dass die
Intensivbelegung dem Infektionsgeschehen etwas weniger als die generell
angenommenen drei Wochen hinterherläuft.
Tatsächlich lasse ich seit September jeden Tag ein ad-hoc-Skript laufen,
das die aktuellen DIVI-Zahlen aus dem RKI-Bericht des Tages extrahiert
und dann logarithmisch (also: exponentielle Entwicklung ist eine Gerade)
plottet. Das sieht dann etwa so aus:
Das angebrachte Lineal ist ein kleiner Python-Hack, den ich extra dafür
gemacht habe (da schreibe ich bestimmt demnächst auch mal was zu), und
er zeigt: Wir haben seit fast zwei Wochen einen exponentiellen Rückgang
der Intensivbelegung – auch bei den Beatmeten, was die untere Linie
zeigt; deren paralleler Verlauf lässt übrigens ziemlich zuverlässig
darauf schließen, dass wohl keine im Hinblick auf den Verlauf
aggressivere Mutante in großer Zahl unterwegs ist.
Die schlechte Nachricht: Wenn mensch die Steigung anschaut, kommt eine
Halbierungszeit von was wie sechs Wochen raus. Das wird nicht reichen,
zumal, und hier kommt jetzt meine Prognose, diese Entwicklung wohl bald
gebrochen wird, denn zumindest in meiner Umgebung war die Weihnachtsruhe
spätestens am 11.1. vorbei, in Bundesländern ohne Feiertag am 6.
wahrscheinlich schon früher. Unter der Annahme von zweieinhalb Wochen
zwischen Infektionsgeschehen und Intensivreaktion dürfte es dann also
etwa Mitte nächster Woche so oder so vorbei sein mit dem Traum
zurückgehender Infektionen.
Und wenn ich schon über Coronazahlen rede: Diesen Belegungsplot mache
ich, weil ich ziemlich sicher bin, dass von all den Zahlen, die das RKI
derzeit verbreitet, nur die DIVI-Zahlen überhaupt ziemlich nah an dem
sind, was sie zu sagen vorgeben, auch wenn Peter Antes, auf dessen
Urteil ich viel gebe, da neulich auch Zweifel geäußert hat, die ich
erstmal nicht ganz verstehe: die zwei „komischen“ Schnackler, die ich
sehe, sind jetzt mal wirklich harmlos.
Dass die Infektionszahlen problematisch sind, ist inzwischen ein
Gemeinplatz; zwar wäre sicher, könnte mensch wirklich den Zeitpunkt der
Übertragung in nennenswerter Zahl feststellen, ein sichtbarer Effekt
vom Wochenende zu sehen (denn die Übertragung in der Breite dürfte
derzeit stark von Arbeit und Arbeitsweg dominiert sein), aber nicht mal
der würde die wilden Zacken verursachen, an die wir uns in den letzten
Monaten gewöhnt haben.
Aber ok – dass in Daten dieser Art das Wochenende sichtbar ist, hätte
ich auch bei 24/7-Gesundheitsämtern jederzeit vorhergesagt. Beim besten
Willen nicht vorhergesagt hätte ich allerdings die Zackigkeit dieser
Kurve:
Zu sehen sind hier die Todesmeldungen pro Tag (jetzt nicht vom RKI,
sondern von Johns Hopkins, aber beim RKI sieht das nicht anders aus).
Sowohl nach Film-Klischee („Zeitpunkt des Todes: Dreizehnter Erster,
Zwölf Uhr Dreiunddreissig“) als auch nach meiner eigenen Erfahrung als
Zivi auf einer Intensivstation hätte ich mir gedacht, dass Sterbedaten
im Regelfall zuverlässig sind. Und so sehr klar ist, dass während
Volksfesten mehr Leute sterben und bei den Motorradtoten ein deutliches
Wochenend-Signal zu sehen sein sollte: Corona kennt ganz sicher kein
Wochenende.
Also: DIVI rules.
Und ich muss demnächst wirklich mal gegen dark mode ranten.
Als bekennender Autofeind muss ich ja zugeben, dass der größte
Wow-Effekt der ganzen Corona-Geschichte war, als im letzten März VW
die Produktion eingestellt hat. Dass ich das noch erleben durfte...
Der zweitgrößte Wow-Effekt war übrigens, dass die doch ziemlich
spürbare Reduktion im Autoverkehr im März und April sich nicht rasch
in den Sterblichkeitsziffern reflektiert hat.
![[RSS]](../theme/image/rss.png)
.jpg){kind=link}