1.4 Modeller i naturfag

Hvordan forstår vi det vi ikke kan se?

Hvordan ser et atom egentlig ut på innsiden? Hva skjer inne i en levende celle? Hvordan beveger planetene seg gjennom solsystemet over hundrevis av år? Noen ting i naturen er rett og slett umulige å se direkte – enten fordi de er altfor sma, altfor store, altfor raske, eller altfor langsomme.

Det er her forskere tar i bruk et av sine kraftigste verktøy: modeller. En modell er en forenklet framstilling av noe i virkeligheten som hjelper oss å forstå, forklare og forutsi naturlige fenomener. Tenk på en modell som en slags «oversettelse» av noe komplisert til noe vi kan gripe fatt i.

I dette kapittelet skal vi se på de ulike typene modeller forskere bruker, forstå hvorfor modeller har både styrker og svakheter, og lære å lage og vurdere modeller selv. Vi kommer også til å følge en av vitenskapshistoriens mest fascinerende utviklinger: hvordan modellen av atomet har forandret seg gjennom mer enn to hundre år etter hvert som forskere har oppdaget nye ting.

Fire typer modeller

Modeller i naturfag er verktøy som hjelper oss å visualisere noe vi ikke kan se direkte, forklare hvordan noe fungerer, forutsi hva som vil skje, og teste ideer uten å gjøre eksperimenter på den virkelige tingen. Det er viktig å forstå at en modell alltid er en forenkling – den viser ikke alt, men fokuserer på det som er viktigst.

Den første typen er fysiske modeller – modeller du kan ta på og se på i tre dimensjoner. En cellemodell laget av leire viser de ulike delene inne i en celle. Et skjelett i naturfagrommet viser hvordan kroppen er bygd opp. En globus er en modell av jorden. Styrkene er at de er lette å forstå og visuelt tydelige, men de viser bare form og struktur og har sjelden riktig størrelse.

Den andre typen er matematiske modeller – basert på tall, ligninger og formler. Formelen for tyngdekraft, F er lik m ganger g, er en matematisk modell. Vaervarslingen du leser på mobilen er resultatet av enorme matematiske modeller. Populasjonsvekst i en dyreart kan beskrives med ligninger. Disse modellene er presise og kan brukes til å forutsi framtiden, men de kan være vanskelige å forstå uten matematikkunnskaper.

Den tredje typen er konseptuelle modeller eller begrepsmodeller. Disse forklarer ideer og sammenhenger, ofte gjennom diagrammer og tegninger. Vannets kretsløp som viser fordamping, nedbor og grunnvann er en konseptuell modell. Det samme er næringssjeder der piler viser hvem som spiser hvem. De er gode til å kommunisere sammenhenger, men kan overse viktige detaljer.

Den fjerde typen er datamodeller eller simuleringer – modeller som kjorer på datamaskiner og kan simulere komplekse systemer. Klimamodeller simulerer framtidig temperatur på jorden. Pandemisimuleringer forutsier smittespredning. Disse kan håndtere enormt komplekse systemer, men de er avhengige av kvaliteten på dataene som legges inn. Som forskere sier: «Garbage in, garbage out» – feil data inn gir feil resultater ut.

Atomet: En modell i stadig utvikling

En av de beste måtene å forstå modeller på er å se hvordan en og samme modell har utviklet seg over tid. Historien om atommodellen er et perfekt eksempel.

I 1803 foreslo John Dalton at atomer er solide, udødelige kuler – de minste byggesteinene i all materie. Alle atomer av samme grunnstoff var like. Dette var en god start, men den forklarte ikke alt.

Sa, i 1904, oppdaget J.J. Thomson at atomer inneholder negativt ladede partikler som han kalte elektroner. Han foreslo rosinebolle-modellen: atomet var en positiv masse med elektroner spredt utover, som rosiner i en bolle.

Men i 1911 skjot Ernest Rutherford alfapartikler mot en tynn gullfolie og oppdaget noe overraskende: de fleste partiklene gikk rett gjennom, men noen få sprett tilbake. Han konkluderte med at atomet før det meste er tomt rom, med en liten, tung, positiv kjerne i sentrum og elektroner som beveger seg rundt.

I 1913 bygde Niels Bohr videre på dette og foreslo at elektronene beveger seg i faste baner, eller skall, rundt kjernen – litt som planeter rundt solen. Denne modellen kunne forklare hvorfor hydrogen sender ut helt bestemte lysfarger.

Pa 1920-tallet kom så den moderne kvantemekaniske modellen, som viste at vi egentlig ikke kan si nøyaktig hvor et elektron er. I stedet finnes elektronene i «sannsynlighetsskyer» rundt kjernen – omrader der det er mest sannsynlig å finne dem.

Hvorfor endret modellen seg hele tiden? Fordi forskere stadig gjorde nye eksperimenter som avdekket ting de gamle modellene ikke kunne forklare. Hver ny modell var bedre enn den forrige, men ingen av dem var perfekt. Og det er nettopp poenget: modeller er ikke «sannheten» – de er verktøy som forbedres når vi lærer mer.

Styrker, svakheter og den viktige erkjennelsen

Alle modeller har både styrker og svakheter, og det er avgjorende at du forstår begge deler for å bruke modeller riktig.

Styrkene er mange: modeller gjør abstrakte eller usynlige ting synlige og lettere å forstå. De forenkler komplekse systemer slik at vi kan jobbe med dem. De gjør det lettere å forklare ideer til andre. De kan brukes til å forutsi hva som vil skje. Og de lar oss teste ideer uten å gjøre farlige eller dyre eksperimenter.

Men svakhetene er like viktige å kjenne til. Alle modeller utelater detaljer, og noen av disse detaljene kan være viktige. Ingen modell er perfekt – alle avviker fra virkeligheten på en eller annen måte. Folk kan tro at modellen ER virkeligheten, ikke bare en representasjon av den. Og modeller fungerer ofte bare under visse forhold.

Den berømte statistikeren George Box så det slik: «All models are wrong, but some are useful» – alle modeller er feil, men noen er nyttige. Dette er en av de viktigste erkjennelsene i vitenskapen. Vi må aldri forveksle modellen med virkeligheten, men vi kan bruke gode modeller som kraftige verktøy for å forstå verden.

Tenk på klimamodeller som et godt eksempel. De kan simulere atmosfære, hav, is og vegetasjon, og teste ulike scenarioer for utslipp. De stettes av historiske data og er basert på fysikkens lover. Men de har også svakheter: vi vet ikke nøyaktig hvor mye CO2 menneskeheten vil slippe ut, skyer er vanskelige å simulere, og selv superdatamaskiner må gjøre forenklinger. Likevel er klimamodeller de beste verktøyene vi har for å forstå og forberede oss på klimaendringer. Når mange ulike modeller fra forskjellige forskergrupper viser samme trend, øker tilliten til resultatene.

En god modell er nøyaktig nok til formålet, enkel nok til å forstå, kan forutsi resultater som stemmer med virkeligheten, er testbar, og kan forbedres når vi lærer mer.

Lage egne modeller: Fra ide til verktøy

Noe av det fineste med modeller er at du kan lage dem selv. Når du lager en modell, følger du en systematisk prosess. Forst definerer du hva du vil forklare: Hva er fenomenet eller systemet du vil modellere? Deretter velger du type modell – skal du bygge noe fysisk, tegne et diagram, eller bruke en matematisk formel?

Sa må du bestemme hva som er viktig. Hvilke deler eller egenskaper må være med i modellen? Hva kan du utelate uten at modellen mister sin nytteverdi? Det er her kunsten ligger: a forenkle nok til at modellen blir oversiktlig, men ikke så mye at den blir misvisende.

Etter at du har bygd modellen, må du teste den. Kan den forklare det du observerer? Kan den forutsi nye ting? Stemmer forutsigelsene med virkeligheten? Og til slutt evaluerer og forbedrer du: hva fungerer bra, hva fungerer dårlig, og hvordan kan du gjøre modellen bedre?

Analogier er en spesiell type uformell modell som brukes mye i naturfag. En analogi er en sammenligning mellom noe ukjent og noe kjent. Når vi sier at atomet er som et lite solsystem, at DNA er som en oppskriftsbok, eller at cellemembranen er som en dorvakt, bruker vi analogier. De gjør abstrakte konsepter lettere å forstå, men det er viktig å vite hvor analogien bryter sammen. Atomet er nemlig IKKE et solsystem – elektroner oppfører seg helt annerledes enn planeter.

Et annet viktig begrep er skala. Fysiske modeller kan sjelden vise riktig størrelse og riktig avstand samtidig. En globus med skala 1:40 000 000 betyr at 1 cm på globusen tilsvarer 400 km i virkeligheten. Noen modeller forstørrer det lille (celler, atomer), andre forminsker det store (solsystem, galakser). Når du bruker en modell, er det viktig å forstå at skalaen er en forenkling – og noen ganger kan den skape misforståelser om de faktiske størrelsesforholdene.

Oppsummering

I dette kapittelet har vi utforsket modeller – et av forskernes viktigste verktøy for å forstå verden. En modell er en forenklet framstilling av noe i virkeligheten som hjelper oss å visualisere, forklare, forutsi og teste ideer.

Vi lærte om fire hovedtyper modeller: fysiske modeller du kan ta på (som en globus), matematiske modeller basert på formler (som tyngdekraftsloven), konseptuelle modeller som viser sammenhenger (som vannets kretsløp), og datamodeller/simuleringer som kjorer på datamaskiner (som klimamodeller).

Gjennom historien om atommodellen så vi hvordan modeller utvikler seg: fra Daltons kuler via Thomsons rosinebolle og Rutherfords kjerne til Bohrs baner og den moderne kvantemekaniske modellen med sannsynlighetsskyer. Hver ny modell ble bedre når forskere gjorde nye oppdagelser.

Vi diskuterte at alle modeller har styrker (forenkler, visualiserer, forutsier) og svakheter (forenkler for mye, kan skape misforståelser, fungerer bare under visse forhold). Det berømte sitatet «All models are wrong, but some are useful» minner oss om at ingen modell er perfekt, men gode modeller er uvurderlige verktøy.

Vi lærte også å lage egne modeller gjennom en systematisk prosess: definere formålet, velge type, bestemme hva som er viktig, bygge, teste og forbedre. Analogier er uformelle modeller som sammenligner noe ukjent med noe kjent, og skala beskriver forholdet mellom modellens størrelse og virkeligheten.

Den viktigste lærdommen: bruk modeller som verktøy, ikke som absolutte sannheter. Vaer alltid kritisk og spor: hva viser modellen, og hva viser den ikke?