GeSiMEx: Verallgemeinerbarkeit und Einfachheit in mechanistischen Erklärungen

Erklärungen in den Neurowissenschaften werden oft durch Modelle von Mechanismen geliefert. Viele Hirnmechanismen enthalten jedoch eine große Anzahl verschiedener Komponenten und erstrecken sich über mehrere Ebenen der Organisation. Infolgedessen stehen Neurowissenschaftler oft vor einem Entscheidungsproblem: Welche Komponenten und Ebenen sollen in ein Modell aufgenommen werden? Oder ganz einfach: Welches Modell ist das beste unter einer Reihe konkurrierender mechanistischer Modelle auf mehreren Ebenen?

Um solche Auswahlprobleme zu lösen, verwenden Neurowissenschaftler unter anderem mehr oder weniger explizite Maße für Einfachheit und Verallgemeinerbarkeit. Die Einfachheit zielt auf Fragen wie: Wie viele Ebenen sollten einbezogen werden, um ein bestimmtes Verhaltens- oder kognitives Phänomen mechanistisch zu erklären? Wie genau sollten die Komponenten und Interaktionen dieser verschiedenen Ebenen beschrieben werden? Derartige Überlegungen zur Einfachheit sind von ganz anderer Natur als die klassischen Verfahren zur Kurvenanpassung. Die Verallgemeinerbarkeit betrifft Fragen wie: Auf wie viele Phänomene sollte ein bestimmtes Modell anwendbar sein, und über wie viele Individuen und Arten sollte es verallgemeinert werden können? Bei der Entwicklung von Modellen für mehrstufige Gehirnmechanismen ist es von größter Bedeutung, die manchmal widersprüchlichen Kriterien der Einfachheit und der Verallgemeinerbarkeit in Einklang zu bringen.

Die übergreifende Forschungsfrage dieses Projekts betrifft die Normen und Praktiken, nach denen Einfachheit und Verallgemeinerbarkeit als Kriterien für die Entwicklung von Modellen von Mehrebenenmechanismen in den Neurowissenschaften angewandt werden. Indem auf der Grundlage mehrerer eingehender Fallstudien ermittelt wird, wie diese Kriterien in der aktuellen neurowissenschaftlichen Forschung angewandt werden und werden sollten, soll dieses Projekt klären, wie die besten mechanistischen Erklärungen auf mehreren Ebenen entwickelt und ausgewählt werden. Damit soll es nicht nur zu einer verbesserten philosophischen Konzeption mechanistischer Erklärungen in den Neurowissenschaften beitragen, sondern auch normative Leitlinien für die aktuelle wissenschaftliche Forschung liefern.

Konkret verfolgt dieses Projekt vier Ziele: (1) Die Entwicklung eines verbesserten philosophischen Konzepts für mechanistische Erklärungen auf mehreren Ebenen in den Neurowissenschaften, wobei der Schwerpunkt auf Einfachheit und Verallgemeinerbarkeit als Kriterien für die Angemessenheit von Erklärungen liegt. (2) Formulierung eines Konzepts der Einfachheit als Kriterium für die Bewertung der erklärenden Angemessenheit von mechanistischen Erklärungen auf mehreren Ebenen. (3) Formulierung eines verbesserten Verständnisses der Generalisierbarkeit in der mechanistischen Erklärungspraxis. (4) Schließlich besteht ein wissenschaftliches Ziel darin, normative Richtlinien für die Modellentwicklung und -auswahl zu formulieren, die in der zukünftigen neurowissenschaftlichen Forschung verwendet werden sollen.

Das Projekt besteht aus zwei eng miteinander verzahnten Teilprojekten, die von zwei Forschungsteams an der Universität Witten/Herdecke und der Universität Magdeburg durchgeführt werden.
Dieser Text wurde mit DeepL übersetzt am 10.11.2025

GeSiMEx: Generalizability and Simplicity in Mechanistic Explanations

Explanations in neuroscience are often delivered by models of mechanisms. However, many brain mechanisms contain a large number of distinct components and span several levels of organization. As a consequence, neuroscientists often face a choice problem: Which components and levels should be included in a model? Or simply: Which model is the best one among a set of rival multi-level mechanistic models?

In order to resolve such choice problems, neuroscientists use more or less explicit simplicity and generalizability measures, among other criteria. Simplicity targets questions such as: How many levels should be included in order to mechanistically explain a particular behavioral or cognitive phenomenon? How precisely should the components and interactions of these various levels be described? Simplicity considerations of this kind are of a very different nature than classical curve-fitting procedures. Generalizability concerns questions such as: To how many phenomena should a particular model apply, and over how many individuals and species should it generalize? Balancing the sometimes conflicting dual criteria of simplicity and generalizability is of paramount importance when developing models of multi-level brain mechanisms.

The overall research question of this project concerns the norms and practices by which simplicity and generalizability are applied as criteria for the development of models of multi-level mechanisms in neuroscience. By determining on the basis of several in-depth case studies how these criteria are, and should be, applied in current neuroscientific research, this project aims to clarify how the best multi-level mechanistic explanations are developed and selected. Thus, it is expected to not only contribute to an improved philosophical conception of mechanistic explanation in neuroscience, but to also deliver normative guidelines for current scientific research.

More concretely, the aims of this project are fourfold: (1) Generally, to develop an improved philosophical account of multi-level mechanistic explanation in neuroscience, with an emphasis on simplicity and generalizability as criteria of explanatory adequacy. (2) To articulate an account of simplicity as a criterion for assessing the explanatory adequacy of multi-level mechanistic explanations. (3) To articulate an improved understanding of generalizability in mechanistic explanatory practice. (4) Finally, a scientific objective is to articulate normative guidelines for model-development and model-selection to be used in future neuroscientific research.

The project will consist of two closely inter-locked subprojects, carried out by two research teams at Witten/Herdecke University and the University of Magdeburg.