Proseminar — SS 2026
Lektion 2: Einführung in die Systemwissenschaft
Machtasymmetrien, unsichtbare Regeln, Hierarchie — wer entscheidet?
Feedback-Schleifen, Kipppunkte, Pfadabhängigkeit — was passiert danach?
Systemgrenzen, Übertragbarkeit, unbeabsichtigte Folgen — wo gilt das?
Bevor wir modellieren, müssen wir verstehen, was wir modellieren und warum.
“It is soberly true that science has, to date, succeeded in solving a bewildering number of relatively easy problems, whereas the hard problems, and the ones which perhaps promise most for man’s future, lie ahead.”
— Warren Weaver (1948)
Eine Meta-Wissenschaft
Systemwissenschaft untersucht nicht bestimmte Systeme (physikalische, biologische, soziale…), sondern allgemeine Eigenschaften, Dynamiken und Verhaltensweisen von Systemen als solchen.
Einfache Probleme
Wenige Variablen, analytisch lösbar
Unorganisierte Komplexität
Viele Variablen, statistisch behandelbar
Organisierte Komplexität
Viele wechselwirkende Variablen → Systemwissenschaft
Mobus & Kalton (2015), Kap. 1 · Weaver (1948) via Jackson (2024), Kap. 2
Denkt an das Du/Sie-Experiment von letzter Woche:
“[Descartes’ Methode:] jede Schwierigkeit in so viele Teile wie möglich zu zerlegen … beim Einfachsten zu beginnen … und allmählich zum Komplexesten aufzusteigen.”
— René Descartes (1637)
Mobus & Kalton (2015), Kap. 1 · Jackson (2024), Kap. 1
Person entscheidet sich zu rauchen
↓
Rauch gelangt in die Lunge
↓
Krebs
Gehirnentwicklung im Jugendalter, Gruppendruck, Unternehmensmarketing, Nikotinmanipulation, Lobbying, Tabakanbau, Agrochemie, Flussverschmutzung, Versicherungskosten, Steuerpolitik…
Eine “persönliche Entscheidung” ist eingebettet in ein Netzwerk verflochtener Faktoren.
Mobus & Kalton (2015), Kap. 1
Wicked Problems (Rittel & Webber, 1973) sind Probleme, die sich grundsätzlich von “zahmen” technischen Problemen unterscheiden.
Klimawandel
Gesundheitssysteme
Armut & Ungleichheit
Stadtplanung
→ Genau die Probleme, für die wir Systemwissenschaft brauchen.
Rittel & Webber (1973) via Jackson (2024), Kap. 2
War unsere Du/Sie-Entscheidung ein “Wicked Problem”?
Definition
Ein System ist ein Ganzes, bestehend aus wechselwirkenden Komponenten, die untereinander in einer Weise verbunden sind, die sich von ihren Beziehungen zu anderen Elementen unterscheidet. Dieser Unterschied definiert eine Grenze (Boundary).
“A system is a set of things — people, cells, molecules, or whatever — interconnected in such a way that they produce their own pattern of behavior over time.”
— Donella Meadows (2008)
Kernidee: Systemhaftigkeit (systemness) ist eine rekursive Eigenschaft — Systeme bestehen aus Subsystemen, die selbst wieder Systeme sind.
Mobus & Kalton (2015), Kap. 3
Definiert, was zum System gehört und was zur Umgebung. Kann physisch (Zellmembran) oder konzeptuell sein.
Die Teile des Systems — selbst wiederum Systeme mit eigenen Eigenschaften und Interaktionspotentialen.
Verbindungen zwischen Komponenten: Flüsse von Materie, Energie und Information.
“Das Ganze ist mehr als die Summe seiner Teile.” — Aristoteles. Systemeigenschaften, die aus dem Zusammenspiel entstehen.
Systeme sind in strukturellen und funktionalen Hierarchien organisiert — Subsysteme innerhalb von Systemen.
Quellen und Senken: Systeme tauschen Materie, Energie und Nachrichten mit ihrer Umgebung aus.
Mobus & Kalton (2015), Kap. 3
| Ebene | Name | Beispiel |
|---|---|---|
| 1 | Strukturen & Rahmen | Kristallgitter |
| 2 | Uhrwerke | Sonnensystem |
| 3 | Kontrollmechanismen | Thermostat |
| 4 | Offene Systeme | Biologische Zelle |
| 5 | Niedere Organismen | Pflanze |
| 6 | Tiere | Elefant |
| 7 | Menschen | Selbstbewusstsein, Sprache |
| 8 | Soziokulturelle Systeme | Nationen, Organisationen |
| 9 | Transzendentale Systeme | “Unausweichliche Unbekannte” |
Boulding (1956) via Jackson (2024), Kap. 2
“Virtually everything in the universe, including the universe itself, is a system!”
— Mobus & Kalton (2015)
Ontologisch — reale physische Systeme (Ökosysteme, Organismen, Maschinen)
Epistemologisch — mentale Modelle, unser Verständnis der Welt
Mathematisch — formale Beschreibungen, Gleichungen, Graphen
Computationale Modelle — Simulationen, die “ein Eigenleben entwickeln”
Mobus & Kalton (2015), Kap. 1
Cilliers (1998) via Jackson (2024), Kap. 2 · Kita in Metcalf et al. (2021), Kap. 9
Prinzipien 1–5 gelten für alle Systeme · Prinzipien 6–12 besonders für komplexe adaptive Systeme
Mobus & Kalton (2015), Kap. 1
Wir verstehen, was Systeme sind. Aber wie arbeiten wir mit ihnen?
Definition
Ein Modell ist eine vereinfachte Darstellung eines Systems in einem anderen Medium (z.B. Computerprogramm, Gehirn, Papier), die nur die wesentlichen Elemente enthält und an der Tests durchgeführt (Fragen gestellt) werden können.
“All decisions are made on the basis of models. Most models are in our heads. […] Mental models have serious shortcomings.”
— Jay W. Forrester (1994)
Mobus & Kalton (2015), Kap. 13 · Jackson (2024), Kap. 6
❶ Vorhersage — Wie verhält sich das System unter bestimmten Bedingungen?
❷ Szenario-Tests — Was passiert, wenn wir Parameter verändern? (“What-if”)
❸ Verständnis überprüfen — Produziert unser Modell dasselbe Verhalten wie das reale System?
❹ Design testen — Parameter eines Entwurfs prüfen, bevor wir ihn bauen.
❺ Steuerung — Eingebettete Modelle in Kontrollsystemen (Regelungstechnik).
“Simulation is a third way of doing science. Unlike deduction, it does not provide theorems. Unlike induction, the data comes from a rigorously specified set of rules rather than direct measurement of the real world.”
— Robert Axelrod (1997)
Mobus & Kalton (2015), Kap. 13 · Axelrod (1997) via Terano in Metcalf et al. (2021), Kap. 13
“…to keep oneself unattached in the arena of paradigms, to realise that no paradigm is ‘true’, that every one is a tremendously limited understanding of an immense and amazing universe.” — Donella Meadows (2008)
Mobus & Kalton (2015), Kap. 12 & 13 · Meadows (2008) via Jackson (2024), Kap. 6
Causal Loop Diagrams (CLDs) zur Visualisierung, Stock & Flow-Diagramme für Simulation. Gegründet von Jay Forrester.
Autonome Agenten mit einfachen Regeln → emergentes Gruppenverhalten. Mikro-Verhalten erzeugt Makro-Muster. “Keep It Simple!” (Axelrod)
Optimierung komplexer Systeme mit mathematischen Methoden.
Mobus & Kalton (2015), Kap. 13 · Jackson (2024), Kap. 6 · Terano in Metcalf et al. (2021), Kap. 13
“Those that know do. Those that understand teach.”
— Aristoteles