مدل ونسیم الک (گوزن)، گرگ ها و تجسم سیستم پویا

ویدیوی برت ویکتور از یک برنامه شیک iPad برای تجسم تعاملی معادلات Lotka-Volterra در حال پخش است:

به طور تصادفی، این موضوع در همان زمانی متوجه من شد که به بحث در مورد معرفی مجدد گرگ اینجا در مونتانا علاقه مند شدم. حتی مدل های ساده هم چیزهای جالبی در مورد پویایی گرگ-گوزن می گویند، که در زمان دیگری در مورد آنها خواهم نوشت (اول باید برای هاری واکسن بزنم).

برای اندیشیدن در مورد پیامدهای ویدئو و پویایی شکارچیان، نسخه‌ای از مدل Lotka-Voltera را در Vensim ساختیم.

بعد از نگاه مجدد به ویدیو، هنوز فکر می کنم عالی است. دو اصل طراحی ویکتور، تجسم همه جا حاضر و دستکاری در متن، برای برقراری ارتباط یک مدل قدرتمند هستند. برخی از جنبه های آنچه نشان داده شده است از زمان معرفی SyntheSim در چند سال پیش در Vensim وجود داشته است، اگرچه با جذابیت کمتر Tufte/iPad. اما سایر ویژگی‌ها، مانند Causal Tracing، به این راحتی کشف نمی‌شوند – برای افراد حرفه‌ای موثر هستند، اما نه برای کاربران جدید. نحوه ظاهر شدن کنترل ها در نوک انگشتان در برنامه iPad بسیار زیبا است. حالت “sweep” نیز هوشمندانه است، بنابراین من یک رویکرد مشابه (شرایط اولیه تصادفی در یک بعد آرایه) را در نسخه خود از مدل پیاده‌سازی کردم. ترفند مورد علاقه من، کنترل دو بعدی شرایط اولیه از طریق نمودار فاز است که کشف تعادل سیستم را آسان می کند.

نرمی و سادگی ویدیو باعث شده است که برخی از خود بپرسند که آیا ابزارهای SD موجود دایناسور هستند یا خیر. از نقطه نظر طراحی، از برخی جهات موافقم، اما فکر می‌کنم SD روش‌های زیادی را نیز توسعه داده است – فقط تا حدی در ابزارها گنجانده شده‌اند – که به شکاف‌های یادگیری می‌پردازد که مستقیماً توسط برنامه در ویدیو برطرف نشده است:

• نمودار جریان – انباشت به خوبی، معادلات و نمودارهای سری زمانی را برای انتقال ساختار با یک مایل کشور، به ویژه با مدل‌هایی که بزرگ‌تر از مرتبه دوم هستند، شکست می‌دهد. بله، درست است که اکثر مردم آنها را درک نمی کنند، اما من فکر می کنم که راه حل آن آموزش است، نه اجتناب. نگاشت بین ODE ها و نمودار جریان-انباشت، بسیار اساسی است، بنابراین من استدلال می کنم که اجتناب از نمودارها تقریباً مستلزم نادیده گرفتن ارائه ساختار شما است. شاید بتوانیم قراردادهای بصری موجود را بهبود ببخشیم، اما من فکر نمی‌کنم که بتوانیم بدون چیزی مانند نمودار جریان سهام انجام دهیم.
• به طور کلی تر، SD تعدادی عادت برای انتقال توضیحات عملیاتی به زبان ساده دارد که به کاربر کمک می کند تا بفهمد چه چیزی در مدل وجود دارد و چگونه کار می کند. خوب است که اینها را رسمی و خودکار کنید.
• برای کاربر خوب است که یک مدل را به عنوان یک مصنوع کاوش کند، مانند یک اسلینکی یا یک اسکیت بورد، اما کمک به کاربر در کاوش محدودیت های مدل (مانند مسئله atto-fox در معادلات Lotka-Volterra) به همان اندازه مهم است. با شناسایی رفتار مشکوک در زمان وقوع و ارائه سرنخ‌هایی برای آزمایش‌هایی که آسیب‌شناسی را آشکار می‌کنند. بررسی واقعیت Vensim یکی از راه‌های انجام این کار است، اگرچه کمتر از آن استفاده می‌شود (حتی توسط سازندگان آن).

همچنین قلمروهای زیادی وجود دارد (که هیچ ابزاری که من از آنها اطلاعی ندارم) را به خوبی پوشش می دهد:

• داشتن معادلات قابل کاوش خوب است، اما آنها نیاز به پشتیبانی دارند – نام متغیرهای قابل درک (مانند برنامه) و اسناد و واحدها (همانطور که در Vensim هنگامی که کاربر روی یک متغیر ارائه می‌شود) کمک کند، اما همچنان احتمالاً شکافی بین آن‌ها وجود دارد. مدل ذهنی کاربر از نحوه عملکرد یک فرآیند و پیاده سازی در ساختار معادله. این امر به ویژه در مواردی حاد است که از رویدادهای گسسته به جریان های پیوسته ادغام شود. باید راهی برای کمک به انتقال منطق انتخاب y = ax + b در مقابل y = x/(1+ax) در مقابل …
• منطقی کردن رفتاری که از یک مدل بیرون می‌آید، به‌ویژه زمانی که فرد با آن ناآشنا باشد، آسان است. خوب است اگر روشی خودکار برای ثبت انتظارات قبلی و مقایسه آنها با خروجی مدل وجود داشته باشد تا کاربر بتواند از تلاش های شبیه سازی ذهنی ناموفق درس بگیرد. در مقیاس های زمانی طولانی تر، یک رویکرد مشابه می تواند ردیابی و ارزیابی پیش بینی های مدل را تسهیل کند.
• خروجی سری زمانی تنها خروجی مدل برای بررسی نیست:
  • در بیشتر موارد، برخی از اجراها نتایج بهتری را نسبت به سایرین نشان می‌دهند. نقشه برداری سطح بازده برای چنین نتایجی، انتخاب سریع سیاست های مطلوب و نامطلوب را ممکن می سازد.
  • عدم قطعیت مهم است، بنابراین استفاده از روش‌های ظریف برای گرفتن توزیع‌های احتمال ذهنی و تجسم تأثیر آنها بر رفتار مدل مفید خواهد بود.
  • مانند نمودارهای فاز، هیچ یک از این مفاهیم برای بسیاری از افراد آشنا نیست، بنابراین ترکیبی از آموزش و ارائه بصری مورد نیاز است.
• در مرور مدل‌های پیچیده، فضای زیادی برای بهبود وجود دارد.
• دیدن رفتار و ساختار خوب است، اما درک اینکه چگونه رفتار از ساختار ظاهر می شود بسیار مفیدتر است. به طور رسمی، این به معنای آنالیز مقدار ویژه/بردار ویژه و روش های مشابه است، مانند اینجا، اینجا و اینجا. در حال حاضر کسری از مصرف کنندگان مدل بالقوه که می توانند یک مقدار ویژه را تفسیر کنند بسیار ناچیز است، بنابراین برای شهودی کردن چنین معیارهایی باید اتفاقات زیادی بیفتد.

این راه طولانی برای گفتن این است که ما به تازگی شروع به خراش دادن سطح احتمالات برای استفاده زیبا، کاربردی و بصری از مدل ها کرده ایم.