Wie unterscheidet man Tatsachen, Interpretationen und Bewertungen in Data Science?

Drei Ebenen – drei verschiedene Fragen

Buchaussage Das Buch trennt Tatsachen, Interpretationen und Bewertungen, weil sie unterschiedliche Funktionen im Erkenntnis- und Entscheidungsprozess erfüllen. Tatsachen beschreiben, Interpretationen deuten und Bewertungen beurteilen.

Einordnung Diese Kategorien sind kein mechanisches Etikettiersystem. Ein natürlicher Satz kann mehrere Ebenen zugleich enthalten. Die Trennung ist ein Werkzeug, um sichtbar zu machen, welcher Teil einer Aussage beobachtet, erschlossen oder bewertet wurde.

Tatsachenebene: Was wurde tatsächlich festgestellt?

Buchaussage Das Buch beschreibt Tatsachen als Aussagen über beobachtbare oder messbare Sachverhalte. Gleichzeitig trennt es die Beobachtung von dem Sachverhalt, auf den sich diese Beobachtung bezieht. Messgeräte können ungenau sein, Menschen können sich irren und Daten können unvollständig sein.

Deshalb behandeln wir auf dieser Seite nicht jeden Eintrag einer Datenbank automatisch als „Tatsache“. Gemeint ist eine überprüfbare beschreibende Aussage, deren Datenbasis, Definition und Messkontext ausreichend klar sind.

Ein Satz wie „Das Modell klassifizierte 92 von 100 betrachteten Fällen korrekt“ ist zunächst eine Tatsachenbehauptung. Ob er wirklich zutrifft, hängt jedoch beispielsweise davon ab, welche Fälle gemeint sind, wie „korrekt“ definiert wurde und ob die Auswertung fehlerfrei durchgeführt wurde.

Philosophische Begrenzung Auch außerhalb des Buches ist „fact“ kein philosophisch trivialer Begriff. Die Stanford Encyclopedia of Philosophy dokumentiert unterschiedliche Theorien und Verwendungen des Faktenbegriffs. Diese Wissensseite beansprucht deshalb keine abschließende philosophische Definition. Stanford Encyclopedia: Facts

Interpretation: Welche Bedeutung schreiben wir den Daten zu?

Buchaussage Das Buch verwendet die Abwanderungsrate von 18 Prozent als wiederkehrendes Beispiel. Die Aussage, dass diese Rate 18 Prozent beträgt, beschreibt zunächst einen beobachteten Zustand. Aussagen wie „Die Kunden sind unzufrieden“ oder „Die Konkurrenz wird stärker“ gehen darüber hinaus.

Sie verbinden die beobachteten Daten mit zusätzlichen Annahmen. Genau darin liegt Interpretation: Sie stellt einen Bedeutungszusammenhang her, der nicht einfach als weitere Spalte im Datensatz enthalten ist.

Buchaussage Interpretationen sind deshalb nicht beliebig. Das Buch nennt Kriterien guter Interpretationen: Sie sollen die vorhandenen Daten berücksichtigen, logisch nachvollziehbar sein, alternative Erklärungen offenhalten und grundsätzlich überprüfbar bleiben.

Eine mögliche Erklärung darf also weiter gehen als die beobachteten Daten. Sie sollte dann aber auch als mögliche Erklärung kenntlich bleiben und nicht sprachlich zu einer bereits bewiesenen Tatsache werden.

Bewertung: Nach welchen Kriterien ist etwas gut, schlecht oder akzeptabel?

Buchaussage Bewertungen beziehen Tatsachen und Interpretationen auf Ziele, Werte, Interessen, Anforderungen oder Normen. Die Aussage „Die Genauigkeit beträgt 90 Prozent“ beantwortet deshalb noch nicht die Frage, ob dieses Ergebnis gut genug ist.

Für ein bestimmtes Empfehlungssystem kann ein Leistungswert für den vorgesehenen Zweck ausreichend sein. In einem anderen Anwendungskontext mit wesentlich schwereren Folgen von Fehlentscheidungen können deutlich strengere Kriterien gelten. Die Bewertung benötigt also zusätzliche Anforderungen.

Kriteriengebundene Präzisierung Eine Bewertung muss deshalb nicht vage oder rein persönlich sein. Werden Kriterien vorab transparent definiert, kann die Aussage „Das Modell erfüllt das festgelegte Leistungsziel“ wiederum anhand dieser Kriterien überprüft werden. Die Festlegung oder Übernahme des Leistungsziels beruht jedoch auf zusätzlichen Anforderungen, Zielen, Risiken, Normen oder Wertentscheidungen; sie folgt nicht aus der gemessenen Genauigkeit allein.

Warum aus einer Beschreibung nicht automatisch eine Handlungsnorm folgt

Buchaussage Kapitel 7 greift die klassische Unterscheidung zwischen Aussagen darüber, was der Fall ist, und Aussagen darüber, was getan werden sollte, auf. Das Buch nutzt sie, um zu zeigen, dass zwischen Daten und Handlungsempfehlungen zusätzliche Ziel- oder Wertannahmen liegen.

Ein Unternehmen kann beispielsweise feststellen, dass eine Mehrheit der Kundschaft eine bestimmte Funktion bevorzugt. Daraus folgt allein noch nicht, dass ausschließlich diese Funktion weiterentwickelt werden sollte. Zusätzlich müsste begründet werden, welche Ziele zählen und wie beispielsweise Minderheiteninteressen, langfristige Innovation, Kosten oder andere Anforderungen gewichtet werden.

Philosophischer Kontext Die Stanford Encyclopedia erläutert Humes bekannte Beobachtung zum Übergang von „is“ zu „ought“: Auf einer verbreiteten Lesart benötigt eine evaluative Schlussfolgerung zusätzlich zu reinen Tatsachenprämissen mindestens eine evaluative Voraussetzung. Zugleich weist die SEP ausdrücklich darauf hin, dass die genaue Interpretation von Humes Passage umstritten ist. Stanford Encyclopedia: Metaethics

Ein Data-Science-Ergebnis in drei Aussageebenen

Buchbeispiel Kapitel 8 verwendet ein Machine-Learning-Modell mit 95 Prozent korrekt klassifizierten Testfällen, um die Übergänge sichtbar zu machen.

Einordnung Diese präzisere Formulierung vermeidet, Wörter wie „leistungsfähig“, „gut“ oder „zuverlässig“ automatisch genau einer Ebene zuzuweisen. Solche Begriffe können je nach Definition bereits interpretative und evaluative Anteile miteinander verbinden.

Sprachlich unsichtbare Übergänge sind besonders riskant

Buchbeispiel Ein Rückgang der Plattformnutzung um zwölf Prozent kann eine Tatsachenbeschreibung sein. Die Aussage „Die Nutzer verlieren das Vertrauen in die Plattform“ ist dagegen bereits eine Deutung. Saisonale Veränderungen, technische Probleme, andere Nutzungsgewohnheiten oder geänderte Messverfahren wären ebenfalls mögliche Erklärungen.

Noch eine Ebene weiter liegt eine Aussage wie „Deshalb muss die Plattform grundlegend umgebaut werden“. Dafür braucht es nicht nur eine Interpretation des Rückgangs, sondern auch Kriterien dafür, welche Ziele verfolgt werden, welche Alternativen existieren und welche Folgen akzeptabel sind.

Einordnung Wörter wie „zeigt“, „beweist“, „offensichtlich“, „erfolgreich“, „schlecht“, „fair“ oder „inakzeptabel“ sollten deshalb nicht automatisch verboten werden. Sie sind vielmehr Signale dafür, nach der Begründungsstufe und den zugrunde liegenden Kriterien zu fragen.

Zwischen Daten und Behauptung liegt eine argumentative Brücke

Buchaussage Kapitel 13 greift Stephen Toulmins Argumentationsmodell auf. Das Buch beschreibt eine praktische Struktur aus Daten oder Belegen, einer Behauptung und einer Begründung, die beide miteinander verbindet.

Das ergänzt die Dreiteilung dieser Seite: Wenn Daten eine weitergehende Interpretation oder Schlussfolgerung stützen sollen, muss sichtbar werden, warum die Daten diese Behauptung tragen sollen.

Argumentationstheorie Cambridge University Press beschreibt The Uses of Argument als Toulmins Untersuchung der rationalen Rechtfertigung von Behauptungen. Cambridge University Press

Purdue OWL erläutert die bekannte didaktische Darstellung des Toulmin-Modells mit Claim, Grounds, Warrant, Backing, Qualifier und Rebuttal. Insbesondere der Warrant macht die Annahme sichtbar, die Gründe und Behauptung verbindet. Purdue OWL: Toulmin Argument

Die Trennung bedeutet nicht: „Alles ist nur Meinung“

Buchaussage Gerade weil Interpretationen überprüft und Bewertungen begründet werden können, führt die Trennung nicht in Beliebigkeit. Unterschiedliche Interpretationen können unterschiedlich gut zu den Daten passen. Bewertungen können auf expliziten oder verschleierten Kriterien beruhen.

Kritisches Denken besteht deshalb nicht darin, jede Aussage gleichermaßen anzuzweifeln. Es fragt vielmehr, welche Art von Aussage vorliegt und welche Begründung diese Art von Aussage benötigt.

Einordnung Auch die drei Ebenen selbst sind keine hermetisch getrennten Kästen. Eine Definition kann bereits Wertentscheidungen enthalten, eine Interpretation kann evaluative Sprache nutzen und eine kriteriengebundene Bewertung kann überprüfbare Tatsachen über die Erfüllung dieses Kriteriums enthalten. Gerade deshalb ist die explizite Analyse nützlich.

Ein praktisches Prüfschema für datenbasierte Aussagen

Redaktionelle Synthese Aus den Buchkapiteln lässt sich ein einfaches Prüfschema ableiten. Es ist kein standardisiertes Messinstrument, sondern eine redaktionelle Arbeitshilfe.

1. Beschreibenden Kern isolieren. Welche Beobachtung, Kennzahl oder Messung wird tatsächlich behauptet?
2. Definition und Kontext prüfen. Auf welche Daten, Zeiträume, Gruppen, Metriken und Messbedingungen bezieht sich die Aussage?
3. Interpretationsschritt markieren. Welche Bedeutung, Erklärung oder Vermutung wird zusätzlich eingeführt?
4. Alternative Deutungen suchen. Welche anderen Erklärungen wären mit denselben Daten vereinbar?
5. Bewertungskriterium offenlegen. Nach welchem Ziel, Schwellenwert, Risiko, Wert oder welcher Norm wird beurteilt?
6. Handlungsschritt gesondert begründen. Warum folgt gerade diese Entscheidung und nicht eine Alternative?

Quellen und Einordnung