Forschung für Laien erklären, ohne sie zu verfälschen

Warum wissenschaftliche Erklärungen besondere Sorgfalt verlangen

Wissenschaftliche Forschung untersucht Fragen mit festgelegten Methoden. Ihre Ergebnisse sind deshalb mehr als persönliche Meinungen, aber sie sind nicht automatisch endgültige Wahrheiten. Eine gute Erklärung für Laien muss beides sichtbar machen: Was wurde tatsächlich untersucht, und welche Grenzen hat die Aussage?

Die größte Gefahr liegt nicht darin, Fachbegriffe wegzulassen. Problematisch wird es, wenn beim Vereinfachen wichtige Bedingungen verschwinden. Aus einer Untersuchung an einer bestimmten Gruppe wird dann eine Aussage über alle Menschen. Aus einem Zusammenhang wird eine Ursache. Aus einem statistischen Hinweis wird eine Gewissheit. Verständliche Wissenschaftskommunikation darf solche Verschiebungen nicht erzeugen.

Eine hilfreiche Leitfrage lautet: Welche Aussage ist durch die Daten gedeckt, und welche Aussage geht darüber hinaus? Wer diese Grenze beachtet, kann auch komplexe Forschung in klarer Sprache erklären.

Zuerst die Forschungsfrage präzise bestimmen

Bevor ein Ergebnis zusammengefasst wird, sollte die Forschungsfrage geklärt werden. Sie besteht häufig aus mehreren Teilen:

• Welche Personengruppe oder welches Material wurde untersucht?
• Welche Einflussgröße oder Maßnahme stand im Mittelpunkt?
• Womit wurde verglichen?
• Welches Ergebnis wurde gemessen?
• Über welchen Zeitraum fand die Untersuchung statt?

Diese Fragen verhindern, dass ein einzelner Befund aus seinem Zusammenhang gelöst wird. Eine Studie zu Lernenden in einer bestimmten Altersgruppe beantwortet beispielsweise nicht automatisch die Frage, ob dieselbe Methode bei Erwachsenen oder bei Kindern mit anderen Lernvoraussetzungen gleich wirkt.

Auch der Untersuchungsgegenstand muss genau benannt werden. „Lernerfolg“ kann eine Prüfungsnote, die Erinnerungsleistung nach mehreren Wochen, die Bearbeitungszeit oder die Fähigkeit zur Anwendung in einer neuen Situation bedeuten. Diese Messgrößen sind nicht austauschbar. Eine gute Erklärung sagt daher nicht nur, dass etwas „wirkt“, sondern woran die Wirkung festgestellt wurde.

Studientypen unterscheiden und ihre Aussagekraft einordnen

Verschiedene Forschungsdesigns beantworten unterschiedliche Fragen. Kein Design ist für jede Frage gleichermaßen geeignet.

Eine Befragung kann zeigen, was Menschen angeben oder wahrnehmen. Daraus folgt nicht zwingend, dass ihr Verhalten objektiv so aussieht. Eine Beobachtungsstudie kann einen Zusammenhang zwischen zwei Merkmalen finden, ohne zu beweisen, dass das eine Merkmal das andere verursacht. Ein Experiment kann Ursachen besser prüfen, ist aber nicht immer möglich oder ethisch vertretbar.

Für medizinische Fragen werden systematische Übersichtsarbeiten und Metaanalysen häufig herangezogen. Die Cochrane Collaboration beschreibt in ihren methodischen Leitlinien, wie solche Übersichten geplant, bewertet und auf mögliche Verzerrungen geprüft werden können. Auch eine Metaanalyse ist jedoch kein automatischer Beweis. Sie verbindet die Ergebnisse mehrerer Studien, deren Qualität und Vergleichbarkeit zunächst beurteilt werden müssen.

Zusammenhang und Ursache nicht verwechseln

Wenn zwei Merkmale gemeinsam auftreten, spricht man zunächst von einer Korrelation oder einem statistischen Zusammenhang. Daraus können mindestens drei Erklärungen folgen:

1. Das erste Merkmal beeinflusst das zweite.
2. Das zweite Merkmal beeinflusst das erste.
3. Ein weiterer Faktor beeinflusst beide.

Ein Beispiel aus dem Bildungsbereich: Lernende, die häufiger freiwillig lesen, erzielen möglicherweise bessere Ergebnisse bei bestimmten Sprachtests. Daraus folgt nicht ohne Weiteres, dass allein das Lesen die besseren Ergebnisse verursacht. Möglich sind auch Unterschiede in der verfügbaren Lernzeit, der Unterstützung durch das Umfeld, den bisherigen Sprachkenntnissen oder der Motivation.

Eine verständliche Erklärung benennt daher die Stärke der Schlussfolgerung. Statt „Lesen verbessert nachweislich jede Sprachleistung“ wäre je nach Studiendesign eine vorsichtigere Formulierung angemessen: „Die Untersuchung fand einen Zusammenhang zwischen häufigem Lesen und höheren Ergebnissen in dem verwendeten Sprachtest.“ Erst wenn das Design und die Auswertung kausale Aussagen stützen, darf die Erklärung stärker formuliert werden.

Unsicherheit gehört zum Ergebnis

Forschung arbeitet häufig mit Stichproben, weil nicht alle Menschen, Texte, Schulen oder Situationen untersucht werden können. Von den Beobachtungen in der Stichprobe wird auf eine größere Grundgesamtheit geschlossen. Dieser Schluss ist mit Unsicherheit verbunden.

Ein Konfidenzintervall beschreibt, in welchem Bereich ein geschätzter Wert unter bestimmten statistischen Voraussetzungen plausibel liegt. Es ist kein Versprechen, dass der wahre Wert mit einer bestimmten Wahrscheinlichkeit in genau diesem einzelnen Intervall liegt. Für eine Erklärung ohne statistische Überladung genügt häufig der Hinweis: „Die Schätzung ist nicht punktgenau; die Daten lassen einen Bereich möglicher Werte zu.“

Auch der p-Wert wird oft missverstanden. Er gibt nicht die Wahrscheinlichkeit an, dass eine Hypothese wahr oder falsch ist. Er beschreibt, wie gut die beobachteten Daten mit einer bestimmten Nullhypothese vereinbar sind, wenn die zugrunde liegenden Annahmen gelten. Ein kleiner p-Wert beweist weder eine wichtige Wirkung noch eine gute Studie.

Ebenso wichtig ist die praktische Größe eines Effekts. Ein statistisch auffälliger Unterschied kann im Alltag gering sein. Umgekehrt kann ein moderater Unterschied für eine bestimmte Gruppe bedeutsam sein. Deshalb sollten, wenn sie vorliegen, neben p-Werten auch Effektgrößen, Unsicherheitsbereiche und die konkrete Messgröße erklärt werden.

Messung, Vergleich und Verzerrungen prüfen

Ergebnisse hängen davon ab, wie ein Merkmal gemessen wurde. Ein einzelner Test erfasst möglicherweise nur einen Ausschnitt einer Fähigkeit. Eine Selbstauskunft kann durch Erinnerung, Erwartungen oder den Wunsch nach einer bestimmten Antwort beeinflusst werden. Bei Leistungsdaten muss geklärt werden, ob die verwendete Aufgabe tatsächlich das untersuchte Merkmal abbildet.

Besondere Aufmerksamkeit verdient die Vergleichsgruppe. Wenn eine Gruppe eine neue Lernmethode nutzt und bessere Ergebnisse erzielt, ist die Frage entscheidend, womit sie verglichen wurde. Eine Wartegruppe, eine übliche Unterrichtsform und eine andere aktive Methode liefern jeweils unterschiedliche Informationen. Fehlt ein sinnvoller Vergleich, bleibt die Interpretation begrenzt.

Zu den möglichen Verzerrungen gehören unter anderem:

• Auswahlverzerrung: Die untersuchten Personen unterscheiden sich systematisch von der Zielgruppe.
• Ausfallverzerrung: Bestimmte Teilnehmende brechen häufiger ab als andere.
• Erwartungseffekte: Wissen über die Gruppenzugehörigkeit beeinflusst Verhalten oder Bewertung.
• Publikationsverzerrung: Auffällige Ergebnisse werden eher veröffentlicht oder wahrgenommen als unauffällige.
• Überanpassung: Ein Modell beschreibt die untersuchten Daten gut, lässt sich aber auf neue Daten schlecht übertragen.

Die Erwähnung solcher Grenzen macht eine Erklärung nicht schwächer. Sie zeigt, unter welchen Bedingungen ein Ergebnis belastbar ist.

Vom Fachtext zur verständlichen Erklärung: ein Arbeitsverfahren

Wer eine Studie, einen Forschungsbericht oder eine Pressemitteilung erklären möchte, kann in mehreren Schritten vorgehen.

1. Originalfrage notieren: Formuliere in einem Satz, was untersucht werden sollte. Trenne diese Frage von weitergehenden gesellschaftlichen oder politischen Fragen.
2. Design identifizieren: Suche nach Angaben zu Stichprobe, Vergleich, Zeitraum, Intervention und Messverfahren.
3. Hauptergebnis sachlich wiedergeben: Nenne, was gemessen wurde, ohne bereits eine Ursache oder Empfehlung daraus abzuleiten.
4. Unsicherheit ergänzen: Berücksichtige Streuung, Konfidenzintervalle, fehlende Daten und mögliche Verzerrungen, sofern diese berichtet werden.
5. Reichweite begrenzen: Erkläre, für welche Gruppe, Situation und Zeitspanne die Aussage gilt.
6. Bedeutung übersetzen: Beschreibe, was der Befund im Alltag bedeuten könnte, und trenne diese Einordnung klar vom eigentlichen Ergebnis.
7. Gegenprüfung durchführen: Vergleiche die Zusammenfassung mit dem Abstract, den Ergebnistabellen und dem Abschnitt zu den Limitationen.

Eine nützliche Formulierung besteht aus drei Teilen: „Die Untersuchung fand ...“ beschreibt den Befund. „Das spricht dafür, dass ...“ ordnet ihn vorsichtig ein. „Nicht beantwortet wird dadurch die Frage, ob ...“ markiert die Grenze.

Fachbegriffe übersetzen, ohne ihren Inhalt zu verlieren

Fachbegriffe sollten nicht ersatzlos gestrichen werden. Besser ist es, sie beim ersten Auftreten zu erklären und anschließend gezielt zu verwenden.

Begriffe aus unterschiedlichen Fachgebieten sollten nicht vermischt werden. „Signifikant“ bedeutet in der Statistik etwas anderes als „bedeutsam“ im Alltag. „Theorie“ bezeichnet in der Wissenschaft nicht bloß eine Vermutung, sondern ein systematisch begründetes Erklärungsmodell. Solche Unterschiede verdienen eine kurze Erklärung, weil sie im allgemeinen Sprachgebrauch leicht missverstanden werden.

Quellen bewerten und Aussagen angemessen gewichten

Für die Einordnung einer Forschungsaussage reicht der Titel einer Meldung nicht aus. Sinnvoll ist eine Quellenprüfung auf mehreren Ebenen:

• Wer hat die Untersuchung durchgeführt oder ausgewertet?
• Ist die Originalstudie, ein Bericht oder nur eine Zusammenfassung verfügbar?
• Wurde die Methode nachvollziehbar beschrieben?
• Handelt es sich um eine begutachtete Publikation, einen Vorabdruck oder eine öffentliche Stellungnahme?
• Gibt es mehrere Untersuchungen mit ähnlichen oder widersprüchlichen Ergebnissen?
• Werden Einschränkungen und Unsicherheiten genannt?

Institutionen wie die Deutsche Forschungsgemeinschaft erklären in ihren Leitlinien zur Sicherung guter wissenschaftlicher Praxis, weshalb nachvollziehbare Methoden, sorgfältige Dokumentation und transparente Darstellung für wissenschaftliche Arbeit wichtig sind. Der Deutsche Presserat behandelt in seinem Pressekodex unter anderem die Pflicht zur sorgfältigen Recherche und zur Korrektur von Fehlern. Diese Grundsätze sind auch für allgemeinverständliche Erklärungen nützlich.

Widersprüchliche Ergebnisse müssen nicht bedeuten, dass „die Wissenschaft“ nichts weiß. Unterschiedliche Stichproben, Messmethoden, Zeiträume oder Auswertungen können zu verschiedenen Befunden führen. Eine faire Zusammenfassung benennt den Stand der Evidenz und erklärt, worin die Unsicherheit besteht, statt nur die überzeugendste Einzelstudie auszuwählen.

Typische Fehler in populären Erklärungen

Einige Formulierungen verkürzen Forschung besonders stark. Aussagen wie „Studie beweist“ sind meist nur dann angemessen, wenn der Kontext sehr eng definiert ist. Häufiger passen Formulierungen wie „Die Ergebnisse sprechen dafür“, „In dieser Untersuchung zeigte sich“ oder „Die Daten liefern Hinweise“.

Auch die Darstellung von Prozentwerten kann irreführend sein. Eine relative Veränderung wirkt ohne Ausgangswert oft größer oder kleiner, als sie praktisch ist. Wenn absolute Angaben vorliegen, sollten beide Perspektiven unterschieden werden. Fehlen die nötigen Werte, darf keine scheinbare Genauigkeit ergänzt werden.

Ein weiterer Fehler ist die Verwechslung von statistischer und praktischer Relevanz. Eine kleine Abweichung kann bei einer großen Datengrundlage statistisch auffällig werden. Das sagt allein noch nicht, ob sie für Lernende, Patientinnen und Patienten oder Familien spürbare Folgen hat.

Schließlich sollte eine Erklärung keine Sicherheit vortäuschen, die die Forschung nicht bietet. Unsicherheit ist keine Schwäche des Textes, sondern eine Information über die Qualität und Reichweite des Wissens.

Eine kurze Checkliste für eigene Texte und Gespräche

Vor der Veröffentlichung oder Weitergabe einer Erklärung helfen diese Fragen:

• Habe ich die Forschungsfrage und die untersuchte Gruppe genannt?
• Ist klar, ob es sich um Beobachtung, Experiment, Befragung oder Zusammenfassung mehrerer Studien handelt?
• Trenne ich Befund, Interpretation und Empfehlung?
• Verwende ich „Ursache“ nur, wenn das Design eine kausale Aussage stützt?
• Erkläre ich zentrale Begriffe beim ersten Gebrauch?
• Habe ich Messmethode, Vergleichsgruppe und Zeitraum berücksichtigt?
• Nenne ich wichtige Einschränkungen, ohne den Text mit nebensächlichen Details zu überladen?
• Kann eine Leserin oder ein Leser erkennen, für wen das Ergebnis gilt und für wen nicht?

Eine gute Erklärung ist nicht die kürzeste mögliche Version. Sie ist die kürzeste Version, in der die entscheidenden Bedingungen erhalten bleiben. Dazu gehören die Frage, die Methode, der Befund, die Unsicherheit und die Reichweite. Wer diese fünf Elemente sichtbar macht, kann Forschung verständlich darstellen, ohne ihre Aussagekraft größer oder kleiner zu machen, als sie tatsächlich ist.

FAQ zur verständlichen Wissenschaftskommunikation

Ist eine wissenschaftliche Studie automatisch zuverlässig?

Nein. Die Zuverlässigkeit hängt unter anderem von Forschungsfrage, Design, Messung, Stichprobe, Auswertung und transparenter Berichterstattung ab. Eine einzelne Studie liefert häufig einen begrenzten Baustein, nicht die abschließende Antwort.

Warum werden wissenschaftliche Ergebnisse manchmal vorsichtig formuliert?

Vorsichtige Formulierungen berücksichtigen Unsicherheit, alternative Erklärungen und die Grenzen der Untersuchung. Sie bedeuten nicht zwingend, dass die Ergebnisse unbrauchbar sind.

Was ist wichtiger: eine große Stichprobe oder ein gutes Studiendesign?

Beides erfüllt unterschiedliche Funktionen. Eine größere Stichprobe kann Schätzungen präzisieren, gleicht aber systematische Fehler nicht automatisch aus. Ein gutes Design muss deshalb gemeinsam mit der Stichprobengröße bewertet werden.

Wie erkenne ich eine übertriebene Schlagzeile?

Achte auf Wörter wie „Beweis“, „immer“, „für alle“ oder „garantiert“. Prüfe anschließend, ob die zugrunde liegende Untersuchung tatsächlich eine solche Reichweite hat und ob Ursache und Zusammenhang sauber unterschieden werden.