Schlagwort-Archive: Dawkins

Glaubt Richard Dawkins an Intelligent Design?

In Diskussionen mit Kreationisten habe ich von Zeit zu Zeit hören, bzw. lesen, können, dass der „Guru aller Atheisten und Schöpfungsleugner“ Richard Dawkins in einem Interview zugegeben hätte Intelligent Design für möglich zu halten, oder sogar zu glauben. Dazu wird dann dieses Video gepostet.
Die Botschaft dabei soll dann natürlich sein, dass Dawkins zwar nicht leugnen kann, dass ID stimmt, sich aber nicht traut Gott als den Designer zu akzeptieren und deshalb kleine grüne Männchen als Designer postuliert.

Selbst, wenn das so stimmen würde, wäre das natürlich kein Argument gegen die Evolution und die Evolutionstheorie. Wissenschaft basiert ja nicht auf der persönlichen Ansicht einiger, weniger Autoritäten, sondern auf aussagekräftigen Daten aus reproduzierbaren Experimenten.

Was aber viel interessanter ist, ist, dass diese Szene aus dem sehr tendenziösen Film „Expelled: No intelligence allowed“ nur ein Teil eines deutlich längeren Interviews mit Dawkins ist, welches die Macher des Films unter fragwürdigen Bedingungen mit ihm geführt hatten.
Dawkins selber schreibt hier dazu:

Toward the end of his interview with me, Stein asked whether I could think of any circumstances whatsoever under which intelligent design might have occurred. It’s the kind of challenge I relish, and I set myself the task of imagining the most plausible scenario I could. I wanted to give ID its best shot, however poor that best shot might be.

Dawkins wurde also gegen Ende des Interviews gefragt, unter welchen Umständen Intelligent Design stattgefunden haben könnte. Da er diese Art von intellektueller Herausforderung mag, hat er sich dann das für ihn plausibelste Szenario ausgedacht und erklärt. Das heißt aber natürlich nicht, dass er dieses Szenario einer gerichteten Panspermie für wahrscheinlicher, als die Entstehung des Lebens auf unserem Planeten ohne einen Schöpfer hält. In der Tat unterstreicht er sogar die Unwahrscheinlichkeit dieses Szenarios.

In dem Interview selber ist noch zu hören, dass man dann auch eine Art Fingerabdruck oder Unterschrift dieses Designers finden können sollte (bei etwa 1:20). Das dieses nicht der Fall ist, spricht schon für sich. Die Macher des Filmes drehen das jedoch so, als ob Dawkins ID für eine seriöse Hypothese halten würde. Dieses geschieht durch die sehr suggestive Frage direkt im Anschluss an Dawkins Szenario:

Wait a second, Richard Dawkins thought Intelligent Design might be a legitimate pursuit?

Außerdem stellt Dawkins klar, dass dieser außerirdische Schöpfer dann jedoch selber über einen evolutiven Mechanismus entstanden sein müsse. Also, dass das Problem nur verlagert würde und letztendlich eine Form von biologischer Evolution den Stein ins Rollen gebracht haben haben müsse (den Kalauer konnte ich mir leider nicht verkneifen).

Es ist also höchst bezeichnend, dass von einem längeren Interview nur noch diese kleine Szene übrig blieb, die dann noch mittels suggestiver Fragen aus dem Off in ihrer Aussage verfremdet wurden. Dieses scheint die filmische Variante des Quote-mining zu sein.

Advertisements

Hinterlasse einen Kommentar

Eingeordnet unter Kreationismus

Die Wieselparade

.
Abbildung 1: Ein Altaiwiesel. Karunakar Rayker / CC BY-SA 2.0 (US)

Gerade fiel mir ein, dass voriges Jahr ein Beitrag auf Panda’s Thumb war,  in dem dazu aufgerufen wurde eigene Versionen von Dawkins Wiesel-Algorithmus zu schreiben und zu veröffentlichen.

Obwohl ich da schon seit über 10 Jahren mich nicht mehr daran gesetzt hatte etwas zu programmieren (und auch vor 10 Jahren sicherlich kein Virtuose darin war), reizte mich die Herausforderung. Leider hatte ich letztes Jahr noch keine Möglichkeit das Resultat auch ins Netz zu stellen.

Das hole ich nun hiermit nach 🙂

# weasel program in Python
# should display "METHINHS IT IS LIKE A WEASEL"

# Importing random classes
import random

# Defining variables
aim = „METHINK IT IS LIKE A WEASEL“ #Defining the aim
pop = []
i = 0
c = 0
mutrate = raw_input(„Please set mutation rate (in %):“) # sets mutation rate in %
mutrate = int(mutrate)
size = raw_input(„Please enter offspring size:“) # setting offspring size
size = int(size)

def umwandel(var): # Converts a list into a string
a = „“
c = 0
while c <= 26:
a = a + (var[c])
c = c + 1
return a

def convert(var): # Converts a string into a list
a = []
c = 0
while c <= 26:
a += [var[c]]
c = c + 1
return a

def zufall(): # Generates a random letter
alphabet = „ABCDEFGHIJKLMNOPQRSTUVWXYZ “
random.seed()
a = random.randrange(0, 27, 1)
b = alphabet[a]
return b

def generate(): # Generates a random string of 28 letters
c = 0
word = „“
while c <= 26:
word += (zufall())
c = c + 1
return word

def mutate(var,mutrate): # mutates each letters in a string of 27 elements with a (mutrate) % likelihood
c = 0
while c <= 26:
random.seed()
a = random.randrange(1,100,1)
if a <= mutrate:
b = zufall()
var = convert(var)
var[c] = b
var = umwandel(var)
c = c + 1
return var

def fittnes(var1,var2): # Compares the level of similarity between 2 strings of 28 elements
c = 0 # The result is an integer
i = 0
while c <= 26:
if var1[c] == var2[c]:
i = i + 1
c = c + 1
return i

def population(var): # Generates a list of strings with (var) random elements
c = 1
b = []
while c <= var:
b += [generate()]
c = c +1
return b

def selection(aim,pop,size): # Selects the element of a list which has the most similarities with a given aim
z = 0
a = „“
f = 0
while z <= size-1: b = pop[z] i = fittnes(aim,b) if i > f:
f = i
a = pop[z]
z = z + 1
return a,f

def offspring(mother,mutrate,size): # Generates a list of mutations from ‚mother‘ with ’size‘ elements
c = 1
children = []
while c <= size:
children += [mutate(mother,mutrate)]
c = c + 1
return children

# Main program

pop = population(size) # Setting a starting population
mother = selection(aim,pop,size) # picks the element from the starting population with the most similarities to the aim
print „Generation “ + str(c)
print „Best fit:“ + mother[0] + “ Similarities:“ + str(mother[1])
print

while i < 27: # loop will run till a complete match
c = c + 1 # counts the generations
pop = offspring(mother[0],mutrate,size) # a new generation will be generated from the last run’s ‚best fit
mother = selection(aim,pop,size) # this generation’s ‚best fit‘
print „Generation “ + str(c)
print „Best fit:“ + mother[0] + “ Similarities:“ + str(mother[1])
print
i = mother[1]

Hinterlasse einen Kommentar

Eingeordnet unter Evolution