1. 관찰을 정확하게 예측하거나 설명하지 못한다 : 이것이 가장 근본적인 이유입니다. 모델이 실제 데이터와 일치하지 않는 예측을 지속적으로 생성하는 경우 개정 또는 교체가 필요합니다. 이것은 다음과 같습니다.
* 불완전한 이해 : 이 모델은 설명하려는 시스템에 대한 불완전한 정보를 기반으로 할 수 있습니다.
* 지나치게 단순화 : 이 모델은 너무 단순한 가정을 만들고 실제 세계의 복잡성을 포착하지 못할 수 있습니다.
* 새로운 발견 : 새로운 관찰 및 데이터는 이전에 알려지지 않은 시스템의 측면을 보여 주므로 모델을 업데이트해야합니다.
2. 새로운 증거와 모순됩니다. 과학이 진행됨에 따라 기존 모델에 도전하는 새로운 증거가 나타날 수 있습니다. 이 증거는 다음과 같습니다.
* 새로운 실험 : 실험은 모델의 재평가를 강요하는 예상치 못한 결과를 나타낼 수 있습니다.
* 신기술 : 기술의 발전은보다 정확한 측정 및 관찰을 허용하여 이전 모델과의 불일치로 이어질 수 있습니다.
* 새로운 이론 : 새롭고 포괄적 인 이론의 발전은 이전 모델을 쓸모 없게 만들 수 있습니다.
3. 너무 복잡하거나 다루기 어려워진다 : 복잡성이 필요하지만 모델은 너무 복잡 해져 이해, 해석 또는 적용하기가 어렵습니다. 이로 인해 진행 상황을 방해하고 단순화 또는 새로운 접근법이 필요합니다.
4. 더 이상 의도 된 목적에 유용하지 않습니다 : 과학적 이해가 발전함에 따라 모델의 목표와 응용이 변할 수 있습니다. 한때 특정 목적에 유용한 모델은 새로운 응용 프로그램에 구식이거나 부적절해질 수 있습니다.
요약 :
과학적 모델은 끊임없이 발전하고 있습니다. 그것들은 절대적인 진실이 아니라 오히려 우리 주변의 세상을 이해하는 데 도움이되는 도구입니다. 그들은 새로운 정보가 나타날 때 세련되고 조정되어 궁극적으로 자연 세계에 대한 더 깊고 정확한 이해로 이어집니다.
