Ας τα πάρουμε λίγο απ' την αρχή. Η αντιπροσωπευτική τάξη δεν έχει διακριτές τιμές για να πεις "να δυο μαθητές του 12 και ένας του 13"· είναι φάσμα. Ως εκ τούτου δεν έχει νόημα να κάνεις εξετάσεις για να βρεις αυτούς τους μαθητές του 12 και να πάρεις τόσους όσους χρειάζονται για να αντιστοιχούν στην μέση τάξη. Δεύτερον, αν οι εξετάσεις χρησιμοποιηθούν με τέτοιον τρόπο, δεν έχει νόημα η διεξαγωγή τους. Αν είναι να διαλέξεις τελικά Χ 12άρηδες και Υ 15άρηδες, μπορείς να τους διαλέξεις κατευθείαν με βάση τις υπάρχουσες επιδόσεις τους. Τρίτον, θα ήθελα να δω τα στοιχεία που επιβεβαιώνουν τα παραπάνω, γιατί σε βλέπω πολύ εύκολα να τα δέχεσαι χωρίς έλεγχο (confirmation bias*). Ποιο είναι αυτό το "μεγαλύτερο ποσοστό"; Ποιος είναι ο "σημαντικός αριθμός" των 10άρηδων; Ποιο είναι το "σημαντικό ποσοστό" μεταναστών; Πώς διασφαλίζεται το αντιπροσωπευτικό της κοινωνικής διαστρωμάτωσης;
Θα είχα μικρότερες αμφιβολίες για τα παραπάνω αν δεν προηγούνταν εκείνος ο τραγικός ορισμός του πειράματος. Ήρθε η ώρα να επεκταθώ, αν και εν πολλοίς με κάλυψε η SBE. Εγώ θα πιάσω συγκεκριμένα αυτό:
Το πείραμα είναι μία δραστηριότητα που «περιορίζει» το φαινόμενο σε ένα ειδικό και εν πολλοίς κατασκευασμένο πλαίσιο συνθηκών και μέσα σ’ αυτό διατυπώνονται οι κατάλληλες ερωτήσεις και προκύπτουν τα ανάλογα συμπεράσματα για να ακολουθήσει η διαδικασία της γενίκευσης των εφαρμογών.
Μια πειραματική διάταξη, εφόσον στοχεύει να τεστάρει εργαστηριακά -γιατί υπάρχουν και μη εργαστηριακά τεστ- κάτι που για τον άλφα ή βήτα λόγο είναι μη πρακτικό να ελεγχθεί στις αυθεντικές του συνθήκες, στήνεται με τέτοιον τρόπο ώστε να προσομοιώνει όσο το δυνατόν καλύτερα τις αυθεντικές συνθήκες. Ο μόνος "περιορισμός" που μπορεί να συμβεί αφορά την κλίμακα κι αυτό γίνεται μόνο σε πειράματα όπου η διαφορά κλίμακας δεν επηρεάζει θεμελιώδεις παράγοντες, όπως τις δυνάμεις (π.χ. το νερό συμπεριφέρεται πολύ διαφορετικά σε μικρές κλίμακες, όπως φέρ' ειπείν όταν πλησιάζουμε την κλίμακα όπου η επιφανειακή τάση γίνεται πιο σημαντική απ' την βαρύτητα). Από την άλλην, αν τεστάρεις ένα κομμάτι ομοιογενούς υλικού, μπορείς θεωρητικά να πεις ότι από το ειδικό βγάζεις συμπεράσματα για το γενικό, αλλά αυτή θα είναι μια δήλωση κενή ουσίας, αφού η συμπεριφορά ομοιογενούς υλικού είναι ίδια υπό ίδιες συνθήκες, ασχέτως κλίμακας. Τώρα, αν θέλεις να κάνεις πείραμα πάνω σε ένα φαινόμενο και περιορίσεις τα χαρακτηριστικά του ή τις συνθήκες κάτω από τις οποίες συμβαίνει, σε καμμιά περίπτωση δεν μπορείς να βγάλεις συμπεράσματα γενικευτικά. Αν, για παράδειγμα, ελέγξεις τον ρυθμό καθίζησης του Χ εδάφους υπό φορτίο, δεν μπορείς να βγάλεις συμπέρασμα για τον ρυθμό καθίζησης ενός άλλου τύπου εδάφους, απλά και μόνο με συσχέτιση. Για να βρεις τις παραμέτρους που ορίζουν τον ρυθμό καθίζησης, θα πρέπει να τεστάρεις ένα εύρος υλικών και πάλι θα πάρεις συμπεράσματα μόνο για υλικά που ανήκουν στην ίδια ομάδα (π.χ. άλλη μηχανική συμπεριφορά έχουν οι άμμοι, άλλη τα χαλίκια // άλλο αποτέλεσμα θα πάρεις από μια εκπαιδευτική μέθοδο σε παιδιά με μαθησιακά προβλήματα, άλλο σε παιδιά ευκατάστατων οικογενειών, άλλο σε μαθητές πάνω από κάποιο ψυχολογικό βαθμολογικό όριο, κτλ).
Για να δώσω ένα άλλο παράδειγμα, αν προσπαθήσεις να βρεις πειραματικά την σχέση ανάμεσα στην ταχύτητα πτώσης ενός αντικειμένου και της μάζας του, θα καταλήξεις σε λάθος συμπεράσματα αν περιορίσεις τις συνθήκες κάτω από τις οποίες αυτό συμβαίνει, που είναι και ο λόγος που στην εποχή του Αριστοτέλη πίστευαν λανθασμένα ότι η ταχύτητα με την οποία πέφτει το αντικείμενο έχει να κάνει με το βάρος του αντικειμένου. Αντιθέτως, αν, όπως ορίζει η λογική του πειράματος, ελέγξεις το φαινόμενο κάτω από ένα σωστά κατανεμημένο εύρος συνθηκών, θα καταλήξεις κάποια στιγμή στην σωστή σχέση.
Ο άνθρωπος που είπε το παραπάνω, που είναι χρωματισμένο μπλε, κάνει μια σημαντική παρανόηση ανάμεσα σε ελεγχόμενες εργαστηριακές συνθήκες και κατασκευασμένες συνθήκες. Μια ελεγχόμενη συνθήκη σε εργαστηριακό περιβάλλον είναι μια συνθήκη που διασφαλίζεται ότι δεν θα αποτελεί αστάθμητο παράγοντα. Αυτό δεν σημαίνει ότι είναι τεχνητή ή περιορισμένου εύρους των αληθινών ορίων, αλλά ότι ξέρουμε τις τιμές που παίρνει όταν κάνουμε μετρήσεις. Αυτό το κάνουμε για να μπορούμε να εξάγουμε όσο το δυνατόν πιο ακριβή συμπεράσματα, να περιορίσουμε δηλαδή την αβεβαιότητα λόγω αστάθμητων παραγόντων.
Ας πάρω ένα άλλο παράδειγμα, που αφορά οργανικούς ιστούς, μιας και το θέμα μας είναι η απόδοση ζωντανών οργανισμών (ανθρώπων). Αν θέλω να ελέγξω την εφελκυστική αντοχή ξύλου οξιάς και διαλέξω από πριν ξύλο από συγκεκριμένα περιβάλλοντα, συγκεκριμένων ηλικιών και συγκεκριμένου υποείδους, δεν θα καταφέρω να βρω την σωστή σχέση ανάμεσα στα μηχανικά χαρακτηριστικά του ξύλου και της τελικής αντοχής του, γιατί, όντας ανομογειονές υλικό, τα μηχανικά χαρακτηριστικά του εξαρτώνται από έναν αριθμό παραμέτρων τις οποίες μπορώ να αξιολογήσω σωστά μόνο με σωστά επιλεγμένο στατιστικό δείγμα. Αυτό θα μου δώσει τις τελικές συσχετίσεις όλων των παραγόντων και πώς διαμορφώνονται μεταβάλλοντας μια παράμετρο την φορά (που είναι και η μέθοδος που ουσιαστικά εισήγαγε ο Μπόυλ· ίσως η σημαντικότερη συνεισφορά του στην επιστήμη).
Το ίδιο φυσικά συμβαίνει και με κάθε τι που αφορά δείγματα. Ας πούμε, πώς φαντάζεσαι ότι μετράμε την μέση θερμοκρασία της επιφάνειας του πλανήτη και πώς προκύπτει το συμπέρασμα ότι διαρκώς αυξάνεται; Hint: όχι μετρώντας την θερμοκρασία προεπιλεγμένων πόλεων. Αλλά ειδικά όταν διεξάγεις πείραμα, υπάρχει τεράστια διαφορά ανάμεσα στο να επιλέγεις τις συνθήκες και στο να τις ελέγχεις. Σε ένα πείραμα δεν "περιορίζουμε" τις συνθήκες, προσπαθούμε να ελέγξουμε όσο το δυνατόν μεγαλύτερο εύρος συνθηκών, καθώς παντού στην φύση και στην στατιστική υπάρχουν σημεία καμπής, σημεία μπρος και πίσω απ' τα οποία τα φαινόμενα και οι συμπεριφορές μεταβάλλονται, όπως για παράδειγμα όταν μιλάμε για κρίσιμη μάζα για την έκρηξη ουρανίου, κρίσιμη ταχύτητα σε ένα υδραυλικό άλμα, μετάβαση από την κβαντική κλίμακα στην κλασική, κτλ.
* όλοι οι άνθρωποι πέφτουμε θύματα αυτού και δεν έχω κανένα πρόβλημα να μου το επισημαίνουν όταν μού συμβαίνει.