Der Umbruch der Theorie: Post-Theorie, Korrelationismus und die epistemische Ungerechtigkeit der Big Data Wissenschaft

Im Jahr 2008 prophezeite der Chefredakteur von Wired Magazine, Chris Anderson, berühmt, dass Big Data und die Datenwissenschaftsmethoden, die zu ihrer Ausschöpfung verwendet werden, das Ende der Theorie herbeiführen würden. Eineinhalb Jahrzehnte später, mehr oder weniger, sind unsere wissenschaftlichen Methoden und Theorien über die Welt nicht gänzlich obsolet geworden. Nicht einmal annähernd. Es ist jedoch sicher zu sagen, dass Techniken der Big Data-Analyse sowohl in der akademischen Forschung als auch in der öffentlichen Verwaltung und in der Wirtschaft Einzug gehalten haben, und dabei einen starken Eindruck darauf hinterlassen, wie Theorien und Konzepte in Problemlösungen wahrgenommen und mobilisiert werden. In der Ära der Big Data Wissenschaft müssen Theorien keine Voraussetzungen für die Untersuchung mehr sein, sondern lediglich Werkzeuge zur Rahmung einer Ausgrabung nach Korrelationen in massiven Datensätzen. Diese Veränderung in der Einstellung zur Nutzung von Theorien verlagert die Aufmerksamkeit von Kategorien und Konzepten hin zu modellgenerierten Korrelationen und Klassifikationen. Der theoretische Bollwerk der Wissensgebiete wird durch die domänenagnostischen Maschinen- und Deep Learning-Analysewerkzeuge, die von der Datenwissenschaft ermöglicht werden, geschwächt. Korrelationismus, Post-Theorie-Denken und Domänenagnostizismus gefährden das Risiko einer von der Datenwissenschaft verursachten epistemischen Ungerechtigkeit mit Auswirkungen, die weit über die Grenzen der Wissenschaft hinausgehen. Diese sich verändernden Einstellungen zur Nutzung von Theorien werden durch zwei unterschiedliche Fälle untersucht: die Reaktion der britischen Regierung auf Covid-19 und das maschinelles Lernen gesteuerte Hedging-Programm der Investmentbank J. P. Morgan, ‚deep hedging‘.