Modelling in Opasnet

This page is a knowledge crystal of subtype method. The page identifier is Op_en5318
Moderator:Jouni (see all)
This page is a stub. You may improve it into a full page.
Upload data {{#opasnet_base_link:Op_en5318}}

Question

How should modelling be done in Opasnet in practice? This page should be a general guidance on principles, not a technical manual for using different tools.

Answer

All variable pages should have a clear question and a clear answer. The answer should be in a form of a data table, which has all indices (explanatory columns) needed to make the answer unambiguous and detailed enough. If the answer table is large, it might be a better idea to calculate it with the R tool based on Dependencies and Rationale, and only a summary of the result is shown on the page; the full answer is saved into Opasnet Base.

The answer should be a clear and concise answer to the specific question, not a general description or discussion of the topic.

The answer should be convincing to a critical reader who reads the following data and believes it is correct:

The Rationale section of the page.
The Result sections of all upstream variables listed in the Dependencies section.
In some cases, also downstream variables may be used in inference (e.g. in hierarchical Bayes models).
It should be noted that the data mentioned above should itself be backed up by reliable sources, good rationale etc., which again should be backed up ad infinitum (but in practice slightly less).
It should also be noted that ALL information that is needed to convince the reader must be put into the places mentioned and not somewhere else. In other words, when the reader has read the rationale and the the relevant results, (s)he should be able to trust that s(he) is now aware of all such major points related to the specific topic that have been described in Opasnet.
- This is therefore guidance for info producers: if there is a relevant piece of information that you are aware of but it is not mentioned, you should add it.

The indices, i.e. explanatory columns, should match in variables that are causally connected by a causal diagram. This does not mean that they must be the same (as not all explanations are relevant for all variables) but it should be possible to see which parts of the results of two variables belong together. An example is a geographical grid for two connected variables such as a concentration field of a pollutant and an exposure variable for a population. If the concentration and population use the same grid, the exposure is easy to compute. However, they can be used together with different grids, but then there is a need to explain how one data can be converted into the other grid for calculating exposures.

Tärkeintä ei ole kirjata oikeaa vastausta vaan kaikki ehdotukset. Niistä keskustelun kautta seuloutuvat huonot vaihtoehdot pois. Huonojen vaihtoehtojen kirjaaminen on siis olennainen osa metodia. Jos itse oli ymmärtänyt jotain väärin, sen voi korjata jättämättä jälkeä. Mutta jos löytää julkaistua virheellistä tietoa, se on dokumentoitava jotta väärässä luulossa olevia muistutetaan tästä. Mallin tarkkuuden eri vaiheet.

1. Kuvataan muuttujia, riippuvuuksia ja indeksejä jotta ymmärretään rakenne ja saadaan johdonmukaiseksi.

2. Kuvataan piste-estimaatteja jotta saadaan malli pyörähtämään.

3. Kuvataan muuttujien vaihteluvälit jotta voidaan tehdä herkkyystarkasteluja.

4. Kuvataan muuttujat todennäköisyysjakaumina jotta voidaan optimoida.

5. Tämän jälkeen mallin kehitystyötä ohjaa VOI-analyysi.

Rationale

A draft based on own thinking. Not even the topics are clear yet.

Montako lukiolaista tarvitaan korvaamaan 1 asiantuntija? Laske tehokas asiantuntijan opiskeluaika ja se osuus joka siitä tarvitaan ratkaisemaan kyseinen ongelma

Arvaus: 10. Asiantuntijat halveksivat pinnallista tietoa ja heillä on syvällistä. Mikä ero? Kytkennät. Jos 2 asiaa on mahdollisia mutta ei yhtaikaa, asiantuntija tunnistaa tämän mutta maallikko ei. Lukiolaisista saadaan asiantuntijoita opettamalla heille menetelmä kuvata kytkentöjä. Sen jälkeen kaiken tiedon ei tarvitse enää olla 1 ihmisen päässä.

Ihmisten on vaikea hahmottaa, että lukuisia ongelmia voidaan ratkoa kerralla samalla menetelmällä. Sen sijaan yhden ongelman ratkaisuun voidaan motivoida suuria joukkoja, jos aihe on heille tärkeä. Pitäisikö siis löytää se yksi tärkeä asia? Muut sitten alkavat ratketa vahingossa.

Vaikeaa on myös nähdä metatason kysymyksiä eli järjestelmää tai itseä osana isompaa rakennetta, jonka puitteissa ovat myös mahdolliset maailmat ja jonka sisältä ratkaisut löytyvät.

Mielikuvituksen jaloin laji on kuvitella hyviä asioita, jotka voisivat olla mutta eivät ole, sekä niiden ei-olemisen ja olemisen välistä polkua.

Tieteellinen tiede on kuin amerikkalainen unelma: tieteen menetelmin tehdään riittävästi läpimurtoja jotta joka sukupolvelle riittää omat menestystarinansa ja idolinsa, mutta käytännössä tieteen metodi on liian kaukana tutkijan arjesta jotta se todella siihen vaikuttaisi. Niinpä tutkijat elävät illuusion varassa kuten amerikkalaisetkin, ja puurtavat vailla mahdollisuuksia todellisiin tavoitteisiinsa jotka ovat suurempia ja vaikuttavampia kuin mihin tieteen järjestelmä antaa mahdollisuuksia. Tutkijoiden aika ja resurssit menevät 2 asian miettimiseen: mistä saan rahaa ja miten saan ajatuksiani julkaistuksi. Sen sijaan ajatustensa itsensä kehittämiseen on aina liian vähän aikaa. Niinpä ei vain tavoitteet vaan myös kyvyt ovat suuremmat kuin mihin järjestelmä taipuu. Parhaiten pärjäävät toimitusjohtajatyypit, jotka osaavat organisoida rahankeruun, julkaisemisen ja instituutiot oman mielenkiintonsa kohteisiin.

Keywords

References

Related files