Wie man eine Erklärung des Gehirns testet, die alles zu erklären scheint

Großen Theorien über das Gehirn kann man sich nur schwer entziehen.

Es liegt etwas zutiefst Befriedigendes darin, eine einzige Idee zu finden, die Wahrnehmung, Lernen, Handeln, Halluzinationen, Emotionen und vielleicht sogar das Bewusstsein miteinander zu verbinden scheint.

Die prädiktive Verarbeitung (Predictive Processing) kann sich genau so anfühlen.

Sobald man den Wortschatz beherrscht — Erwartungen (Priors), Vorhersagefehler (Prediction Errors), Präzision (Precision) — fügen sich viele sehr unterschiedliche Phänomene plötzlich in dasselbe Bild ein.

Das ist nützlich.

Aber genau das ist auch der Moment, in dem eine zweite Frage entscheidend wird:

Wenn eine Theorie fast alles erklären kann, woher wissen wir dann, wann sie tatsächlich etwas erklärt hat?

Eine Vorhersage, die nicht verlieren kann

Stellen Sie sich einen Meteorologen vor, der ankündigt:

„Morgen könnte es sonnig, regnerisch, windig oder verschneit sein.“

Was auch immer am nächsten Morgen geschieht, die Vorhersage behält recht.

Doch Recht zu behalten ist nicht dasselbe wie informativ zu sein.

Eine nützliche Vorhersage schließt Möglichkeiten aus. Die Aussage, dass es morgen Nachmittag heftig regnen wird, ist viel riskanter — weil die Realität Ihnen das Gegenteil beweisen kann.

Wissenschaftliche Erklärungen funktionieren auf ganz ähnliche Weise.

Die Tatsache, dass eine Theorie ein Ergebnis im Nachhinein integrieren kann, ist zwar nützlich, aber schwach. Weitaus stärkere Belege entstehen, wenn sich die Theorie im Voraus festlegt — insbesondere dann, wenn eine andere plausible Erklärung etwas Abweichendes vorhersagt.

„Konsistent mit“ ist erst der Anfang

Betrachten wir die Mismatch Negativity (MMN), also die Fehlanpassungsnegativität^[1].

Spielen Sie mehrmals hintereinander denselben Ton ab — Piep, Piep, Piep, Piep — und ersetzen Sie ihn dann plötzlich durch ein abweichendes Signal.

Der abweichende Ton erzeugt eine charakteristische neuronale Antwort.

Predictive Coding bietet eine elegante Interpretation: Die wiederholten Töne etablieren eine Erwartung, der abweichende Ton verletzt diese, und das resultierende Fehlersignal dient der Aktualisierung des inneren Modells^[1].

Diese Erklärung passt gut.

Aber sie ist nicht die einzige.

Neuronen, die auf den wiederholten Ton reagieren, könnten schlicht ermüdet sein, während Neuronen, die auf seltene Töne abgestimmt sind, frisch geblieben sind. Der ungewöhnliche Ton könnte zudem Aufmerksamkeit auf sich ziehen, einfach weil er selten ist.

Diese Mechanismen können ebenfalls eine stärkere Antwort auf den abweichenden Ton erzeugen.

Die MMN ist also durchaus kompatibel mit Predictive Coding. Was sie für sich genommen jedoch nicht tut: Sie identifiziert Predictive Coding nicht eindeutig als den einzigen Mechanismus.

Diese Unterscheidung ist weit über die MMN hinaus von Bedeutung.

Die nützliche Frage lautet nicht einfach:

Kann meine Theorie dieses Ergebnis erklären?

Sie lautet:

Was hat meine Theorie vorhergesagt, was alternative Erklärungen nicht vorhergesagt haben?

Dem Mechanismus näher kommen

Manche Experimente erleichtern die Antwort auf diese Frage.

In einer bekannten Studie bewegten sich Mäuse durch eine virtuelle Umgebung, während Forscher die Aktivität im primären visuellen Kortex aufzeichneten^[2].

Normalerweise erzeugte das Rennen einen passenden visuellen Fluss. Bei einigen Durchgängen wurde der visuelle Fluss jedoch plötzlich gestoppt, während die Maus weiterlief.

Bestimmte Neuronen in den Oberflächenschichten des visuellen Kortex reagierten intensiv auf diese Abweichung^[2].

Das Interessante daran ist, dass die Antwort an die Beziehung zwischen Bewegung und visueller Rückmeldung gekoppelt war — und nicht einfach an visuelle Bewegung als solche.

Das macht diesen Befund mechanistisch informativer als ein generisches Ergebnis nach dem Motto „unerwartete Dinge erzeugen mehr Gehirnaktivität“.

Dennoch sollte man die Schlussfolgerung präzise abgrenzen.

Das Experiment liefert starke Belege dafür, dass der visuelle Kortex der Maus Neuronen enthält, die empfindlich auf sensomotorische Abweichungen reagieren. Es beweist für sich genommen nicht, dass jedes Kortexareal dieselbe Predictive-Coding-Architektur nutzt — oder dass derselbe Mechanismus höheres menschliches Denken erklärt.

Ein Rahmen ist nicht dasselbe wie ein Mechanismus

Hier müssen breite theoretische Rahmenkonzepte von spezifischen Modellen getrennt werden^[3].

Ein Rahmenkonzept gibt Forschern eine Möglichkeit an die Hand, ein Problem zu strukturieren.

Predictive Processing schlägt beispielsweise vor, Wahrnehmung unter dem Blickwinkel von Erwartungen, eingehenden Belegen, Unsicherheit und Abweichungen zu betrachten.

Das kann nützliche Fragen erzeugen, noch bevor wir die genaue biologische Umsetzung kennen.

Ein Prozessmodell geht weiter.

Es könnte postulieren, dass bestimmte Kortexschichten unterschiedliche Signale tragen, wobei manche Pfade Vorhersagen und andere Abweichungssignale betonen^[4].

Nun hat sich die Theorie verwundbarer gemacht.

Forscher können überprüfen, ob sich diese Schichten tatsächlich wie vorhergesagt verhalten, ob das Unterbrechen eines Pfades das erwartete Signal verändert und ob eine konkurrierende Architektur die Daten besser erklärt.

Diese Verwundbarkeit ist ihre Stärke.

Ein Modell wird wissenschaftlich umso nützlicher, je deutlicher wird, was es zum Scheitern bringen würde.

Das Präzisionsproblem

Prädiktive Erklärungen stützen sich oft auf ein weiteres nützliches Konzept: Präzision (Precision).

Vereinfacht gesagt beschreibt Präzision, wie viel Vertrauen das System in verschiedene Informationsquellen setzt.

Ein sensorisches Signal, das als hochgradig verlässlich eingestuft wird, sollte die Wahrnehmung stärker beeinflussen als ein Signal, das als verrauscht oder unsicher gilt.

Diese Idee ist kraftvoll.

Sie kann jedoch auch gefährlich bequem werden.

Angenommen, jemand ignoriert ein offensichtliches Signal. Wir könnten sagen, dass die sensorische Präzision niedrig war.

Reagiert eine andere Person stark auf dasselbe Signal, könnten wir sagen, dass ihre sensorische Präzision hoch war.

Beide Erklärungen klingen plausibel.

Wenn jedoch das Verhalten selbst der einzige Grund ist, warum wir auf eine hohe oder niedrige Präzision geschlossen haben, und wir diese abgeleitete Präzision dann nutzen, um dasselbe Verhalten zu erklären — drehen wir uns im Kreis.

Latente Variablen sind für sich genommen kein Problem. Die Wissenschaft nutzt ständig nicht beobachtbare Größen.

Die entscheidende Frage ist, ob sie durch etwas außerhalb des Ergebnisses begrenzt sind, das sie erklären sollen — durch eine weitere Messung, eine experimentelle Manipulation, ein registriertes Modell oder die erfolgreiche Vorhersage neuer Daten.

Vier Fragen, die sich zu stellen lohnen

Sie müssen kein Neurowissenschaftler sein, um viele dieser Probleme zu erkennen.

Wenn Sie einer Erklärung des Gehirns begegnen, bringen Sie vier Fragen sehr weit:

1. Was hat das Modell vorhergesagt, bevor das Ergebnis bekannt war?
Wurde das Ergebnis tatsächlich antizipiert oder wurde die Geschichte erst im Nachhinein zusammengefügt?

2. Könnte eine andere plausible Erklärung dasselbe Ergebnis liefern?
Ein Befund, der zu mehreren Modellen passt, unterscheidet nicht eindeutig zwischen ihnen.

3. Sind die verborgenen Parameter unabhängig begrenzt?
Werden Dinge wie Präzision, Erwartungen oder Unsicherheit aus zusätzlichen Belegen geschätzt oder nur eingeführt, damit das Ergebnis passt?

4. Welches Ergebnis würde gegen dieses spezifische Modell sprechen?
Wenn die Antwort „nichts“ lautet, ist die Aussage wahrscheinlich zu vage, um angemessen überprüft zu werden.

Warum dies Predictive Processing nicht zerstört

Nichts von alledem bedeutet, dass Predictive Processing verworfen werden sollte.

Ganz im Gegenteil.

Sein Wert liegt nicht darin, dass es uns eine Phrase liefert, die auf jedes Phänomen geklebt werden kann. Sein Wert liegt darin, dass es zunehmend spezifischere Modelle darüber erzeugen kann, was das Nervensystem tun sollte.

Manche dieser Modelle werden funktionieren.

Manche werden scheitern.

Für manche Befunde werden sich einfachere Erklärungen herausstellen.

Das ist keine Schwäche der Wissenschaft. Das ist genau der Prozess, der aus einem attraktiven Rahmenkonzept eine bessere Theorie des Gehirns macht.

Nach sieben Artikeln, in denen wir gefragt haben, was Vorhersage erklären könnte, lautet die abschließende Frage daher anders:

Was müsste geschehen, damit diese Erklärung falsch ist?

Wenn wir das klar beantworten können, sind wir über eine gute Geschichte hinausgelangt.

Wir haben etwas, das wir tatsächlich testen können.