Andere Links:
|
Information gemäß William Dembski
- Einführung
- Information definiert
- Komplexität
- Komplexe spezifizierte Information
- Intelligent Design
- Erhaltung der Information
- Wo Dembski irrt
Einführung
Die Informationsideen von Dembski, eines sehr wortreichen Autors, werden in Intelligent Design als Theorie der Information [4] hervorgehoben. Das Ziel des Artikels ist es, "(1) darzustellen, wie Information zuverlässig erkannt und gemessen werden kann, und (2) ein Erhaltungsgesetz zu formulieren, das die Entstehung und den Fluss von Information regelt." Man erkennt sofort, dass Dembski im zweiten Absatz über etwas ganz anderes spricht als Shannon, Chaitin und Kolmogorov, wenn er feststellt: "Weder Algorithmen noch Naturgesetze sind in der Lage, Information zu erzeugen."
Information Definiert[Oben]
Dembski definiert Information wie folgt:
Für die Existenz von Information muss es eine Vielzahl unterschiedlicher Möglichkeiten geben, von denen jede eintreten könnte. Wenn eine dieser Möglichkeiten tatsächlich eintritt und die anderen ausgeschlossen werden, wird Information realisiert. Tatsächlich kann Information in ihrem allgemeinsten Sinne als die Realisierung einer Möglichkeit zum Ausschluss anderer definiert werden (beachten Sie, dass diese Definition sowohl syntaktische als auch semantische Information umfasst).
Dembski schlägt daraufhin vor, -log 2 p als Maß für die Information eines Ereignisses mit Wahrscheinlichkeit p zu verwenden, genau dieselbe Verwendung wie Shannon. Dembskis Definition steht jedoch deutlich im Kontrast zu Shannons Betrachtung der durchschnittlichen Information einer Informationsquelle, die aus dem statistischen Ensemble ihrer möglichen Ausgabesequenzen resultiert.
Komplexität[Oben]
Anschließend beschreibt Dembski komplexe Information und behauptet, dass die Größe -log2p ein Komplexitätsmaß ist.
Information ist ein komplexitätstheoretischer Begriff. Tatsächlich ist die hier beschriebene Informationsmessgröße als rein formales Objekt eine Komplexitätsmessgröße (vgl. Dembski, 1998, Kap. 4). Komplexitätsmaße entstehen immer dann, wenn wir Zahlen auf Grade der Kompliziertheit zuweisen. Eine Menge von Möglichkeiten wird oft unterschiedliche Grade der Kompliziertheit aufweisen, die von extrem einfach bis extrem kompliziert reichen. Komplexitätsmaße weisen nicht-negative Zahlen auf diese Möglichkeiten zu, sodass 0 dem einfachsten und _ [sic] dem kompliziertesten entspricht. Beispielsweise wird die rechnerische Komplexität immer in Bezug auf entweder Zeit (d. h. Anzahl der Rechenschritte) oder Speicherplatz (d. h. Größe des Speichers, meist in Bits oder Bytes gemessen) oder eine Kombination beider gemessen. Je schwieriger ein rechnerisches Problem ist, desto mehr Zeit und Speicherplatz werden benötigt, um den Algorithmus auszuführen, der das Problem löst. Bei Informationsmaßen wird der Grad der Kompliziertheit in Bits gemessen. Gegeben ein Ereignis A mit Wahrscheinlichkeit P(A), I(A) = -log2P(A) misst die Anzahl der Bits, die mit der Wahrscheinlichkeit P(A) verbunden sind. Wir sprechen daher von der „Komplexität von Information" und sagen, dass die Komplexität von Information zunimmt, wenn I(A) zunimmt (oder, entsprechend, wenn P(A) abnimmt). Wir sprechen auch von „einfacher" und „komplexer" Information, je nachdem, ob I(A) wenige oder viele Bits Information bedeutet. Diese Komplexitätsbegriff ist für die Biologie wichtig, da nicht nur der Ursprung von Information in Frage steht, sondern auch der Ursprung von komplexer Information.
Beachten Sie, dass Dembski aus irgendeinem Grund hier die rechnerische Komplexität erwähnt, sie jedoch nicht spezifisch mit einer Informationsmessgröße verknüpft, was zwar gut ist, da die beiden Konzepte nicht identisch sind – die Implikation ist jedoch fragwürdig.
Komplexes, spezifisches Information[Oben]
Dembski unterscheidet weiterhin zwischen spezifizierter und nicht spezifizierter komplexer Information:
Nun ist die Information, die uns als rationale Nachforscher im Allgemeinen und als Wissenschaftler im Besonderen interessiert, nicht die Realisierung willkürlicher Möglichkeiten, die keinen Mustern entsprechen, sondern vielmehr die Realisierung eingeschränkter Möglichkeiten, die tatsächlich Mustern entsprechen. Es gibt noch mehr. Musterhafte Information ist zwar ein Schritt in die richtige Richtung, reicht aber noch nicht ganz für spezifizierte Information aus. Das Problem besteht darin, dass Muster nachträglich konstruiert werden können, sodass sie anstatt dazu beizutragen, Information zu erläutern, lediglich von bereits realisierter Information abgelesen werden...
Spezifizierte Information ist immer musterhafte Information, aber musterhafte Information ist nicht immer spezifizierte Information. Für spezifizierte Information reicht nicht jedes Muster aus. Wir unterscheiden daher zwischen „guten" Mustern und „schlechten" Mustern. Die „guten" Muster werden von nun an Spezifikationen genannt. Spezifikationen sind die unabhängig vorgegebenen Muster, die nicht einfach von Information abgelesen werden. Im Gegensatz dazu werden die „schlechten" Muster als Konstruktionen bezeichnet. Konstruktionen sind die nachträglich gebildeten Muster, die lediglich von bereits existierender Information abgelesen werden...
Der Unterschied zwischen spezifizierter und unspezifierter Information kann nun wie folgt definiert werden: Die Realisierung einer Möglichkeit (d. h. Information) ist spezifiziert, wenn die Möglichkeit unabhängig von ihrer Realisierung mittels eines Musters identifizierbar ist. Ist dies nicht der Fall, dann ist die Information unspezifisch. Beachten Sie, dass diese Definition eine Asymmetrie zwischen spezifizierter und unspezifierter Information impliziert: Spezifizierte Information kann nicht zu unspezifierter Information werden, obwohl unspezifizierte Information zu spezifizierter Information werden kann. Unspezifizierte Information muss nicht unspezifisch bleiben, kann aber zu spezifizierter Information werden, wenn unser Hintergrundwissen zunimmt. Zum Beispiel stellt eine kryptographische Übertragung, deren Kryptosystem wir noch nicht gebrochen haben, unspezifizierte Information dar. Sobald wir das Kryptosystem jedoch brechen, wird die kryptographische Übertragung zu spezifizierter Information.
Für die mathematische Behandlung wird der Leser auf Dembskis Buch „The Design Inference" von 1998 verwiesen.
Dembski schlägt zwei Nebenbedingungen zur Unabhängigkeitsbedingung zwischen Mustern und Information vor:
(1) eine Bedingung für die stochastische bedingte Unabhängigkeit zwischen den fraglichen Informationen und bestimmten relevanten Hintergrundwissen; und
(2) eine Handhabbarkeitsbedingung, wonach das fragliche Muster aus dem vorgenannten Hintergrundwissen konstruiert werden kann.
Beide Punkte, die er anmerkt, lassen sich nicht leicht formalisieren. Er stellt jedoch fest, dass es in der Praxis einfach zu bestimmen ist, ob ein Muster unabhängig von einer Möglichkeit gegeben ist, „wenn das Muster vor der Verwirklichung der Möglichkeit gegeben ist." Das Leben, so stellt er fest, ist ein Fall, in dem ein Muster nach der Verwirklichung einer Möglichkeit gegeben ist, doch er behauptet, es repräsentiere dennoch komplexes spezifiziertes Information oder CSI.
Dembski schreibt einer Reihe von Eigenschaften zu CSI:
Es ist die CSI, die für Manfred Eigen das große Rätsel der Biologie darstellt, und die er hoffentlich schließlich in Bezug auf Algorithmen und Naturgesetze zu entschlüsseln gedenkt. Es ist die CSI, die für Kosmologen der Feinabstimmung des Universums zugrunde liegt und die verschiedene anthropische Prinzipien zu verstehen versuchen (vgl. Barrow und Tipler, 1986). Es ist die CSI, die David Bohms Quantenpotentiale extrahieren, wenn sie das Mikrowelt nach dem von Bohm „aktive Information" genannten Phänomen durchsuchen (vgl. Bohm, 1993, S. 35-38). Es ist die CSI, die es Maxwells Dämon ermöglicht, ein thermodynamisches System zu überlisten, das sich dem thermischen Gleichgewicht nähert (vgl. Landauer, 1991, S. 26). Es ist die CSI, auf der David Chalmers eine umfassende Theorie des menschlichen Bewusstseins begründen möchte (vgl. Chalmers, 1996, Kap. 8). Es ist die CSI, die innerhalb der Kolmogorov-Chaitin-Theorie der algorithmischen Information die Form hochkomprimierbarer, nicht-zufälliger Ziffernfolgen annimmt (vgl. Kolmogorov, 1965; Chaitin, 1966).
Dembski geht weiter und argumentiert, dass intelligente Kausalität oder Gestaltung notwendig ist, damit CSI entstehen kann. Er argumentiert, dass Gestaltung erkannt werden kann:
Die Realisierung einer unter mehreren konkurrierenden Möglichkeiten, der Ausschluss der übrigen und die Spezifikation der realisierten Möglichkeit umschreiben, wie wir intelligente Ursachen erkennen, oder gleichbedeutend, wie wir Design detektieren.
Intelligent Design [Zurück nach oben]
Dembski behauptet, dass CSI ein Indikator für intelligente Kausalität oder Intelligent Design ist. Er argumentiert, dass CSI nicht aus einer Kombination von Zufall und Notwendigkeit entstehen kann, und dass es daher darauf hindeutet, dass ein unwahrscheinliches Ereignis intelligent ausgewählt wurde:
Falls Zufall und Notwendigkeit, wenn sie allein gelassen werden, kein CSI erzeugen können, ist es möglich, dass Zufall und Notwendigkeit zusammenwirkend CSI erzeugen könnten? Die Antwort lautet Nein. Wenn Zufall und Notwendigkeit zusammenwirken, können die jeweiligen Beiträge von Zufall und Notwendigkeit sequentiell angeordnet werden. Indem man die jeweiligen Beiträge von Zufall und Notwendigkeit sequentiell anordnet, wird deutlich, dass an keinem Punkt der Sequenz CSI erzeugt wird. Betrachten Sie den Fall von Trial-and-Error (Trial entspricht Notwendigkeit und Error Zufall). Einmal als eine grobe Methode zur Problemlösung betrachtet, ist Trial-and-Error in der Einschätzung der Wissenschaftler so gestiegen, dass es nun als die ultimative Quelle von Weisheit und Kreativität in der Natur angesehen wird. Die probabilistischen Algorithmen der Informatik (z. B. genetische Algorithmen – siehe Forrest, 1993) basieren alle auf Trial-and-Error. Ebenso ist der darwinistische Mechanismus von Mutation und natürlicher Selektion eine Trial-and-Error-Kombination, bei der die Mutation den Error liefert und die Selektion den Trial. Ein Error wird begangen, woraufhin ein Trial durchgeführt wird. Aber an keinem Punkt wird CSI erzeugt.
Dembski fasst CSI als Indikator für Design zusammen:
Dieses Argument, das zeigt, dass CSI ein zuverlässiger Indikator für Design ist, kann nun wie folgt zusammengefasst werden: CSI ist ein zuverlässiger Indikator für Design, weil seine Erkennung mit der Art übereinstimmt, wie wir im Allgemeinen intelligente Kausalität erkennen. Im Allgemeinen müssen wir, um intelligente Kausalität zu erkennen, feststellen, dass eines aus einer Reihe von konkurrierenden Möglichkeiten tatsächlich verwirklicht wurde, bestimmen, welche Möglichkeiten ausgeschlossen wurden, und dann die verwirklichte Möglichkeit spezifizieren. Darüber hinaus müssen die ausgeschlossenen konkurrierenden Möglichkeiten lebendige Möglichkeiten sein, ausreichend zahlreich, so dass die Spezifizierung der verwirklichten Möglichkeit nicht dem Zufall zugeschrieben werden kann. In Bezug auf Wahrscheinlichkeit bedeutet dies, dass die spezifizierte Möglichkeit höchst unwahrscheinlich ist. In Bezug auf Komplexität bedeutet dies, dass die spezifizierte Möglichkeit hochkomplex ist. Alle Elemente im allgemeinen Schema zur Erkennung intelligenter Kausalität (d. h., Verwirklichung-Ausschluss-Spezifizierung) finden ihr Gegenstück in komplex spezifizierter Information (CSI). CSI zeigt genau, wonach wir suchen müssen, wenn wir Design detektieren.
Informationserhaltung[Top]
Schließlich schlägt Dembski ein Informationserhaltungsgesetz vor:
Diese starke prohibitive Behauptung, dass natürliche Ursachen nur CSI übertragen, aber niemals originieren können, nenne ich das Gesetz der Informationserhaltung
die er für gültig hält, folgende Konsequenzen hat:
(1) CSI bleibt in einem geschlossenen System natürlicher Ursachen konstant oder nimmt ab.
(2) CSI kann sich nicht spontan erzeugen, endogen entstehen oder sich selbst organisieren (wie diese Begriffe in der Erforschung des Ursprungs des Lebens verwendet werden).
(3) Das CSI in einem geschlossenen System natürlicher Ursachen war entweder ewig im System vorhanden oder wurde zu einem bestimmten Zeitpunkt exogen hinzugefügt (was impliziert, dass das System, obwohl es jetzt geschlossen ist, nicht immer geschlossen war). >
(4) Insbesondere jedes geschlossene System natürlicher Ursachen, das auch einer endlichen Dauer unterliegt, erhielt das CSI, das es enthält, bevor es zu einem geschlossenen System wurde.
Wo Dembski falsch liegt[Oben]
Bei der Definition von komplexer Information vermischt Dembski eine Definition von Information aus Klassischer Informationstheorie (Wahrscheinlichkeit) mit einer modifizierten Definition aus Algorithmischer Informationstheorie (computational length, or Kolmogorov complexity). Erinnern Sie sich daran, dass Dembski Information definierte als -log2 p, wobei p die Wahrscheinlichkeit eines Ereignisses darstellt. Dies entspricht im Wesentlichen Shannons Verwendung in der Klassischen Informationstheorie. Auf der anderen Seite behauptet er weiter, dass -log 2 p ein Komplexitätsmaß ist:
Information ist ein Begriff aus der Komplexitätstheorie. Tatsächlich ist die hier beschriebene Informationsgröße als rein formales Objekt eine Komplexitätsgröße... Gegeben ein Ereignis A mit Wahrscheinlichkeit P(A), misst I(A) = -log2P(A) die Anzahl der Bits, die mit der Wahrscheinlichkeit P(A) verbunden sind. Wir sprechen daher von der „Komplexität der Information" und sagen, dass die Komplexität der Information zunimmt, wenn I(A) zunimmt (oder, entsprechend, wenn P(A) abnimmt).
Bisher hat Dembski die Kolmogorov-Komplexität auf die Shannon-Information angewendet, die aus einem einzelnen Ereignis resultiert. Zumindest lassen andere Teile des Artikels darauf schließen, dass er die Kolmogorov-Komplexität meint, und er stellt dies in diesem Absatz nicht anders dar. Mathematisch ist daran nichts auszusetzen, obwohl die Nützlichkeit überhaupt nicht klar ist. In der zweiten Hälfte des letzten Satzes liegt jedoch ein großer Fehler:
…die Komplexität der Information steigt, wenn I(A) zunimmt (oder, entsprechend, wenn P(A) abnimmt)
Das ist falsch. Im Allgemeinen besteht keinerlei Zusammenhang zwischen der Kolmogorov-Komplexität eines Strings und seiner Wahrscheinlichkeit des Auftretens. Die Kolmogorov-Komplexität eines Strings ist die Länge des kürzesten Programms auf einer Referenz-Universalen Turing-Maschine oder UTM (eine Art verallgemeinerter Computer), das diesen String erzeugt. Sie hängt von zwei Dingen ab: (1) dem Inhalt des Strings und (2) dem Referenzcomputer, von denen keiner mit der Wahrscheinlichkeit des Auftretens des Strings zusammenhängt. Es gibt eine unendliche Anzahl von UTM zur Auswahl. Gegeben einen beliebigen endlichen String, können wir eine UTM finden, auf der die Kolmogorov-Komplexität des Strings beliebig niedrig oder beliebig hoch ist. Die Natur hat keine Präferenz für eine UTM gegenüber einer anderen.
Darüber hinaus, wenn der Inhalt einer Zeichenkette von ihrer Auftrittswahrscheinlichkeit abhängig wäre, wäre die Klassische Informationstheorie, die alle modernen Telekommunikationsformen ermöglicht hat, nicht notwendig. Eines der Grundkonzepte in Shannons Theorie ist, dass die Nutzung eines Informationskanals maximiert wird, indem die Nachrichten so umkodiert werden, dass wahrscheinlichere Nachrichten kürzer und unwahrscheinlichere Nachrichten länger sind. Fano-Shannon-Codes sind ein Beispiel dafür. Wenn die Anzahl der Bits in einer Zeichenkette inhärent mit der Wahrscheinlichkeit zusammenhängen würde, bräuchten wir sie nicht umzukodieren und Fano-Shannon-Codes wären nutzlos.
Dembski macht einen fantastischen Sprung, indem er annimmt, dass ein Informationsmaß, das aus der Wahrscheinlichkeit eines einzelnen Ereignisses (-log 2 p) und der Kürze des minimalen Algorithmus abgeleitet wird, der benötigt wird, um das Ereignis darzustellen (Chaitin-Kolmogorov), notwendigerweise miteinander verbunden sind. Überraschenderweise fehlt der mathematischen Strenge, die Dembskis Fall unterstützt, die nötige Fundierung. Tatsächlich gibt es keinen Grund, zu schließen, dass zwischen Ereigniswahrscheinlichkeit und Kolmogorov-Komplexität für eine beliebige Informationsquelle ein Zusammenhang besteht.
Als Seitenbemerkung hat die Kolmogorov-Komplexität den Nachteil, nicht berechenbar zu sein, und eignet sich daher als schlechte Metrik.
Natürlich ist Dembski bezüglich dessen, ob er hier wirklich die Kolmogorov-Komplexität meint, recht vage. Es ist möglich, dass er die Shannon-Information-Metrik einfach nur als Komplexitätsmaß bezeichnet, in welchem Fall wir uns fragen müssten, warum er die Terminologie ohne Warnung ändert. Selbst wenn dies das ist, was Dembski meint, bleibt das Problem bestehen, dass die Annahme einer Wahrscheinlichkeit für eine Zeichenkette inhärent mit ihrem Inhalt zusammenhängt.
Ein weiterer großer Fehler findet sich in diesem Abschnitt:
Es ist CSI, das innerhalb der Kolmogorov-Chaitin-Theorie der algorithmischen Information die Form hochkomprimierbarer, nicht-zufälliger Ziffernfolgen annimmt
Dembski hat es verkehrt herum. In der Algorithmic Information Theory von Chaitin und Kolmogorov haben hochkomprimierbare Strings eine niedrige Komplexität/Informationsgehalt, nicht eine hohe Komplexität/Informationsgehalt; und die Komplexität steigt mit größerer algorithmischer Zufälligkeit. Zum Beispiel erwarten wir bei einem allgemeinen Computer, dass das Programm „Drucke eine Million Nullen" deutlich weniger als eine Million Bits zur Beschreibung benötigt. Dies ist ein hochkomprimierbarer String mit sehr geringer Komplexität und sehr geringem Informationsgehalt. Andererseits ist es im Allgemeinen sehr schwierig, zufälliges Rauschen zu komprimieren. Als Mathematiker sollte Dembski dies wissen. Wir könnten natürlich einen grob ineffizienten Computer finden, der dennoch Universal ist, auf dem das Programm „Drucke eine Million Nullen" viele mehr als eine Million Bits zum Codieren erfordert, was ein weiterer Grund ist, Kolmogorov-Komplexität bei der Analyse von Strings zu vermeiden).
Die Wurzeln eines weiteren großen Irrtums liegen hier:
Spezifizierte Information ist immer strukturierte Information, aber strukturierte Information ist nicht immer spezifizierte Information. Für spezifizierte Information reicht nicht jedes beliebige Muster aus. Wir unterscheiden daher zwischen „guten" und „schlechten" Mustern. Die „guten" Muster werden von nun an als Spezifikationen bezeichnet. Spezifikationen sind die unabhängig vorgegebenen Muster, die nicht einfach aus der Information abgelesen werden. Im Gegensatz dazu werden die „schlechten" Muster als Konstruktionen bezeichnet. Konstruktionen sind die nachträglichen Muster, die einfach aus bereits vorhandener Information abgelesen werden...
Die Implikation ist, dass wir bei zwei Mustern auf irgendeine Weise wissen können, welches Muster das andere verursacht hat. Er fährt fort:
Die Unterscheidung zwischen spezifizierter und unspezifierter Information kann nun wie folgt definiert werden: Die Verwirklichung einer Möglichkeit (d. h. Information) ist spezifiziert, wenn unabhängig von der Verwirklichung der Möglichkeit die Möglichkeit mittels eines Musters identifizierbar ist. Ist dies nicht der Fall, dann ist die Information unspezifisch.
Hier haben wir einen weiteren großen Sprung in Dembskis Annahme, dass, wenn ein Muster vor der Realisierung einer Möglichkeit existiert, es kausal sein muss. Jeder, der in Statistik ausgebildet ist, muss die Gefahr kennen, die mit der Annahme von Kausalität einhergeht, nur weil eine Korrelation zwischen zwei Variablen festgestellt wurde. Korrelationen implizieren keine Kausalität zwischen den korrelierten Variablen. Zum Beispiel wurde die Korrelation zwischen Malaria und Sümpfen vor langer Zeit beobachtet. Die Krankheit Malaria wurde fälschlicherweise dem schlechten (mal) Luft (aria) in der Nähe von Sümpfen zugeschrieben. Die Korrelation wurde korrekt festgestellt, aber die Annahme der Kausalität war fehlerhaft. Obwohl ein korrelierendes Muster und eine realisierte Möglichkeit eine verwandte Ursache haben können, kann man nicht annehmen, dass das Muster die realisierte Möglichkeit verursacht hat. Demzufolge ist dieser Vorschlag zur Erkennung von Design höchst verdächtig. Dies ist ein kritischer Fehler.
Um die Sache noch schlimmer zu machen, stützt sich Dembski auf die Kenntnis der Wahrscheinlichkeit eines einzelnen Ereignisses. Im Allgemeinen ist es nicht möglich, die Wahrscheinlichkeit, die mit einem einzelnen Ereignis verbunden ist, zu kennen. Man benötigt statistisches Wissen über den Prozess, aus dem das Ereignis hervorgegangen ist, um seine Wahrscheinlichkeit mit Sicherheit zu bestimmen; oder eine ausreichend große Anzahl von Stichproben, um sie zu schätzen. Das Vorgeben, die Wahrscheinlichkeit hänge irgendwie von der Kolmogorov-Komplexität des Ereignisses ab, hilft nicht weiter.
Seine Argumentation, dass CSI nicht durch eine Kombination aus Zufall und Notwendigkeit (oder Mutation und natürlicher Selektion) entstehen kann, ist ein Argument aus Unwissenheit. Dembski behauptet, dass dies nicht möglich sei, kann dies aber nicht begründen. Er impliziert zudem, dass CSI Informationen über ausgeschlossene Möglichkeiten liefern werde, ohne dies zu zeigen.
Je weiter Dembski geht, desto mehr greift er zu Armwinken. Er liefert keine Beweise für sein so genanntes Gesetz der Erhaltung von Information, das er selbst als einen „starken proskriptiven Anspruch" bezeichnet. Da es sich um einen Anspruch und nicht um ein Gesetz handelt, können und sollten alle darauf basierenden Argumente als Pseudowissenschaft abgelehnt werden.
Es ist interessant, den angegebenen Zweck des Artikels zu kontrastieren:
(1) zeigen, wie Information zuverlässig erkannt und gemessen werden kann, und (2) ein Erhaltungsgesetz formulieren, das die Entstehung und den Fluss von Information regelt
mit seinen weiteren Aussagen weiter unten im Artikel, wenn er zum Kern seines Arguments gelangt:
Dies ist ein weitreichendes Thema, dessen vollständige Aufklärung über den Rahmen dieses Aufsatzes hinausgeht (die Details finden sich in meinem Monographie The Design Inference).
und
Ziel dieses letzten Abschnitts ist es, das Gesetz der Informationserhaltung kurz zu skizzieren (eine vollständige Behandlung wird in Uncommon Descent gegeben, einem Buch, das ich gemeinsam mit Stephen Meyer und Paul Nelson verfasste).
Anders ausgedrückt: Nachdem ein langer Artikel mit oberflächlichen, detailarmen Behauptungen beladen wurde, zunächst die Ankündigung einer tiefgreifenden neuen Prinzipienformulierung im Artikel - leitet Dembski den Leser zu seinem nächsten Buch. Er scheint jedoch die Richtung gewechselt zu haben. Er hat ein ähnlich betiteltes Buch Uncommon Dissent: Intellectuals who find Darwinism Unconvincing herausgegeben, das jedoch nur eine Einleitung von Dembski enthält. Sein „Gesetz der Erhaltung der Information" wird in No Free Lunch dargelegt. Für eine kritische Rezension dieses Buches siehe The No Free Lunch FAQ.
[Oben]