Содержание

МОДЕЛЬНЫЙ ЭКСПЕРИМЕНТ В ПРОЦЕССЕ СОЗДАНИЯ КОНЦЕПТУАЛЬНОЙ МОДЕЛИ СИСТЕМЫ БЕЗОПАСНОСТИ ГОСУДАРСТВА | Гордич

1. Гордић М. Модални експеримент у истраживању потецијалног система безбедности државе, Медија центар Одбрана, Београд, 2011.

2. Гордић М., Даниловић Н., Благојевић С. Савремени системи безбедности, Завод за издавање уџбеника, Београд, 2015.

3. Гордић М., Термиз Џ., Танчић Д. Методолошки основи истраживања безбедности, одбране и тероризма, Европски универзитет, Брчко 2015.

4. Козић, П., Методологија научноистраживачког рада, Београд, 1994.

5. Милосављевић, С. Истраживање политичких појава, Институт за политичке студије, Центар за омладину и пионире Палилуле, Београд, 1980.

6. Милосављевић, С., Радосављевић, И. Основи методологије политичких наука, Службени гласник, Београд, 2000.

7. Милосављевић, С., Радосављевић, И. Репетиторијум из методологије друштвених истраживања, Институт за политичке студије ФПН, Београд, 1975. (проширено и допуњено издање 1988).

8. Михаиловић, Д., Методологија научних истраживања, Факултет организационих наука, Београд, 1999.

9. Раденковић, Б., Станојевић, М., Марковић, А. Рачунарска симулација, Факултет организационих наука, Саобраћајни факултет, Београд, 1999.

10. Раденковић, Б., Интерактивни симулациони систем за дискретну стохастичку симулацију организационих система и његова реализација на мини и микро рачунарима, Докторска теза, Универзитет у Београду, ФОН, Београд, 1989.

11. Стратегијски преглед одбране, Београд, 2009.

12. Стратегија одбране Републике Србије, Београд, 2009.

13. Шешић, Б. Општа методологија, Научна књига, Београд, 1974.

14. Шешић, Б. Основи методологија друштвених наука, Научна књига, Београд, 1984. http://www. seattlerobotics.org/srs-home.htm

Эксперимент модельный — Энциклопедия по экономике

При знаковом (формализованном) моделировании моделями служат знаковые образования какого-либо вида схемы, графики, чертежи, формулы и т. д., причем знаковые образования и их элементы всегда задаются вместе с законами, по которым можно оперировать с ними. Важнейшим видом знакового моделирования является математическое моделирование, осуществляемое средствами языка математики и логики. Поскольку все изложение, следующее далее в этой книге, будет посвящено математическим моделям, мы не будем сейчас рассматривать эти модели подробно и сразу перейдем к другому типу идеальных моделей — к моделям интуитивным. При интуитивном моделировании не используют четко фиксированных знаковых систем оно протекает, как принято говорить, на модельном уровне . Такое моделирование часто встречается в тех областях науки, где познавательный процесс находится еще на начальной стадии. Например, в физике, несмотря на всю ее строгость, в областях, находящихся на границе возможной формализации, с успехом применяются исследования на основе интуитивных моделей. Такие исследования принято называть мысленными экспериментами .  [c.23]

Модельный эксперимент (и имитационный в том числе) имеет более сложную структуру (рис. 34). Новыми обозначениями здесь являются МО — модель объекта, ТО — теоретические представления об объекте, ТМ — теоретические представления о модели. Экспериментатор строит модель объекта в соответствии с теоретическими представлениями об объекте. Этот переход от объекта к его модели  [c.235]

Таким образом, главное отличие модельных экспериментов от натурных состоит в переходе от изучаемого объекта к его модели, а затем — от модели к изучаемому объекту. На этом, с одной стороны, основаны преимущества модельного исследования с другой стороны, это создает дополнительные трудности.  [c.236]

Тем не менее имитационные эксперименты обладают огромным преимуществом они позволяют провести модельный эксперимент с такими объектами, с которыми натурные эксперименты неосуществимы либо принципиально, либо по экономическим или этическим соображениям. Принципиально неосуществимы, например, эксперименты с прошлым. Из экономических соображений нельзя проводить натурные эксперименты с различными вариантами управления экономикой страны. Из этических соображений неосуществимы многие эксперименты с участием людей. В тех же случаях, когда натурные эксперименты возможны, имитация позволяет значительно уменьшить затраты на исследование.

Другим преимуществом имитационных экспериментов является возможность значительно сократить продолжительность исследования, что во многих случаях имеет принципиальное значение.  [c.237]

Основные этапы исследования экономических процессов на основе их математических моделей были кратко описаны в первой главе книги. Сейчас мы снова вернемся к ним, рассмотрев их с позиций имитационного эксперимента. Это позволит читателю, с одной стороны, более подробно изучить этапы модельного (в данном случае — имитационного) исследования, и, с другой стороны, лучше оценить особенности проведения прикладных имитационных экспериментов.  [c.238]

Далее идет этап построения модели. В имитационном эксперименте, кроме обычных для модельного исследования формулировки модели и оценки ее параметров, важную роль играют выбор языка программирования на ЭВМ, создание специальных машинных средств, необходимых для проведения имитационного исследования, а также проверка модели.  [c.239]

До сих пор мы говорили о достоинствах фундаментального имитационного исследования, которое в значительной степени помогает обойти трудности, связанные с натурным экономическим экспериментом. В то же время имитационные эксперименты имеют один существенный недостаток будучи модельным, т. е. теоретическим исследованием, они не могут дать ответа на вопрос о верности проверяемых гипотез. Такой ответ может дать, как мы уже говорили, только продолжительная практическая реализация решений, основанных на этих гипотезах. Это ограничение, однако, не умаляет достоинств модельных исследований, поскольку они могут успешно использоваться для доказательства ошибочности многих произвольных гипотез, получивших широкое распространение при построении экономико-математических моделей.  [c.294]

Применить к уравнениям системы обычный и косвенный методы наименьших квадратов. Сравнить полученные оценки. Сравнить полученные регрессионные уравнения с модельными (12.1)— (12.2). Повторить эксперимент несколько раз.  [c.288]

Кроме того, наука имеет в своем распоряжении такой испытанный метод, как модельный эксперимент (см.  [c.420]

Мы постараемся в этой статье более пристально рассмотреть те вопросы, которые при экспериментах с макроэкономическими производственными функциями, как правило, представляются гораздо менее важными по сравнению с получением статистически удовлетворительных оценок параметров функции. Это вопросы типа что взять в качестве измерителя выпуска — валовой внутренний продукт или национальный доход Что будет, если труд считать воспроизводимым в модели ресурсом Споры, все еще продолжающиеся вокруг аппарата производственных функций, неизменно затрагивают проблему распределения доходов по предельным продуктам живого и овеществленного труда. Имеет ли место такое распределение в действительности Существует ли в реальной экономике непосредственная связь между величинами предельных производительностей и ценами на единицу соответствующих ресурсов Именно эти вопросы находятся в центре полемики. Нам представляется, что ответ на них должен быть отрицательным уже потому, что в реальной экономике есть лишь цены ресурсов, в то время как их предельные производительности — понятие исключительно модельное, предполагающее строго фиксированную цель развития, а потому не имеющее однозначно измеряемого аналога в реальности.  [c.50]

РЕГРЕССИОННЫЙ АНАЛИЗ И УПРАВЛЕНИЕ МОДЕЛЬНЫМ ЭКСПЕРИМЕНТОМ  [c. 242]

Эксперимент в экономике способствует проникновению в сущность изучаемых явлении, т. е. построению и проверке научных теорий. Правда, здесь поставить его сложнее, чем, например, в физике, потому что экономисту почти никогда не удается выделить явления в чистом виде и отвлечься от случайных, посторонних воздействий. Тем не менее с помощью специальных приемов постановка экономического эксперимента в реальных условиях возможна. Кроме того, наука давно имеет в своем распоряжении такой испытанный метод, как модельный эксперимент.  [c.35]

Модельные эксперименты упрощенно отражают реальные экономические процессы однако у них есть то преимущество, что они позволяют многократно воспроизводить те или иные экономические ситуации.  [c.36]

Отсутствует теоретико-модельный анализ результатов эксперимента, который должен включать разработку альтернативных объяснений результатов эксперимента для того, чтобы планировать экспериментальные процедуры, исключающие влияние артефактов разработку и построение статистических моделей для сравнения показателей экспериментальной группы с показателями контрольных групп, и на этой основе корректировать планы экспериментальных процедур с целью повышения точности и надежности результатов эксперимента.

 [c.7]

Концептуально аппарат математической теории планирования эксперимента ориентируется на две основные постановки задачи, различающиеся целевой направленностью. Так, если целью исследования является максимизация полезного эффекта в операции при ограничениях на затраты активных ресурсов, а сам полезный эффект модельно выражается, например, стремлением к обеспечению максимума выходного результата, то задача установления оптимальных параметров управления операцией сведется к стремлению максимизировать выходной результат при ограничениях на затраты. По такой схеме формулируется, например, задача как можно более точного воспроизведения «механизма ситуации» при ограничении затрат на моделирование. Альтернативная задача — задача, в которой целью ЛПР является стрем-  [c.118]

При использовании принципа экономико-математического моделирования многократно могут быть уменьшены материальные и трудовые затраты, присущие экспериментальным подходам, дающим, как правило, лишь крупицы нужной информации. Вычислительный модельный эксперимент не подвластен каким-либо ограничениям — математическая модель может быть безопасно испытана в любых мыслимых и немыслимых условиях.  [c.12]

После анализа событий выбирается наиболее раннее и модельное время продвигается до момента наступления этого события. При этом считается, что состояние системы не изменяется между двумя соседними событиями. Затем определяется реакция системы на выбранное событие, в частности определяется характер и момент наступления нового особого состояния (события), и т. д. Процедура повторяется до завершения периода моделирования Т. Данный принцип называют принципом особых состояний . Модель в этом случае работает, перепрыгивая от одного события к другому, значительно экономя машинное время моделирования. Очевидно, что между реальным временем и временем работы модели в процессе имитации функционирования исследуемой системы нет ничего общего. Поскольку имитационный эксперимент выполняется на ЭВМ, как правило, с очень высоким быстродействием, время работы модели весьма незначительно (минуты).

Такое отражение в ЭВМ реального процесса называют сжатием времени , преимущества которого становятся очевидными, если попытаться получить эту же информацию, используя реальную моделируемую систему.  [c.83]

Было бы большой ошибкой рассматривать стресс-тестирование как чисто модельный эксперимент, единственной целью которого является прогноз будущих убытков. Скорее, его можно уподобить учебной тревоге, в ходе которой проверяется готовность всех элементов и структур организации к наступлению кризисной ситуации. Пессимистический сценарий может не реализоваться на практике именно потому, что заранее были приняты меры предосторожности и устранены хотя бы некоторые узкие места , а это позво-  [c.596]

Основной причиной, диктующей необходимость такого подхода является высокая сложность и трудоемкость решения поставленных задач. Преодоление существующих методологических проблем теории управления запасами и оценки временных рядов требуют использования сценарных вариантов модельного эксперимента, что обуславливает тщательное изучение конкретных особенностей реального предприятия.  [c.216]

Отметим также, что программа моделирования позволила дополнительно установить функциональные связи между параметрами системы управления запасами и информационными параметрами системы внутренней отчетности и осуществить выбор рабочих значений параметров последней из систем, обеспечивающих минимально-допустимую ошибку оценки состояния запасов при различных значениях внешних факторов. Кроме того, в ходе модельного эксперимента был получен качественно важный вывод о том, что влияние задержки информации о состоянии запасов на качество управления запасами в условиях раздельного действия основных внешних факторов случайной природы (поставки и спроса) с идентичными вероятностными характеристиками равнозначно в статистическом смысле и в среднем не зависит от абсолютных значений моментных характеристик этих факторов (математического ожидания и дисперсии). Данный результат позволяет упростить процедуру исследований и синтеза СУ запасами в той ее части, которая относится к фильтрации случайных воздействий, т. е. при выборе рационального значения страхового запаса г. Одновременно, данный вывод можно распространить и на решение задачи выбора допустимой задержки информации о продажах, если при этом выполняется условие равенства объемов страхового запаса.  [c.219]

Во всех предыдущих параграфах главы, посвященной имитационным экспериментам, описывались прикладные имитационные исследования, цель которых состояла в решении какой-либо конкретной экономической задачи, связанной с прогнозированием или выбором наилучшего решения о воздействии на анализируемую в исследовании экономическую систему. При этом предполагалось, что уже разработаны принципы построения математических моделей для экономических объектов, к которым относится изучаемая система. Что же делать в том случае, когда нет достаточно хорошего представления о некоторых процессах, важных с точки зрения цели исследования В этом случае можно попытаться описать эти процессы моделями типа черного ящика , т. е. заменить причинное описание некоторыми статистическими закономерностями. Такой подход чаого применяется в экономико-математических моделях (см., например, анализ механизма экономического стимулирования, описанный в пятом параграфе третьей главы). Если же обойти таким образом описание недостаточно изученных вопросов не удается, то прикладное модельное исследование проводиться не может, так как в имитационном эксперименте из-за неадекватности математической модели будут получены результаты, не соответствующие реальности. В этом случае необходимо предварительно осуществить фундаментальные исследования, направленные на разработку принципов построения моделей явлений, интересующих исследователя. Подчеркнем, что фундаментальные исследования — это долгая и сложная работа, которая не может быть осуществлена попутно, в прикладном исследовании.  [c.292]

В экономических исследованиях ситуация принципиально иная. Разработаны отдельные математические модели, применимость которых изучена мало или не изучена вообще, а о стройной системе обоснованных моделей и говорить не приходится. Более того, практически еще совсем не разработаны сами принципы проверки адекватности моделей и методов — а ведь в экономике эта задача является значительно более сложной из-за отсутствия возможности проведения натурного эксперимента. Поэтому явно недостаточное внимание к этой проблеме является удручающим. Все же в последнее время число исследований, посвященных этой теме, несколько увеличилось, так что можно надеяться, что в ближайшие годы работы данного направления получат более широкий размах, в результате чего не в столь отдаленном будущем будут разработаны обоснованные принципы моделирования экономических объектов, т. е. будет создан фундамент, на котором будет построено здание адекватных и взаимно согласованных математических моделей экономических процессов, аналогичное зданию математических моделей природных явлений. Этот оптимизм основывается на том, что уже сейчас имеется определенное понимание необходимости разработки общих принципов построения экономических моделей и превращения их в единую систему. Сегодня очень важно, чтобы это понимание было доведено до широкого круга специалистов, связанных с практическим использованием математических моделей и методов в экономических расчетах,— ведь именно они сталкиваются с трудностями, возникающими при внедрении математических методов в экономический анализ. Поэтому нужны учебные пособия, основанные не столько на прагматической или математической точке зрения, сколько на общем фундаменте — на теории математических моделей экономических процессов. Попытка написать такой учебник была предпринята в конце семидесятых годов 10. П. Иваниловым и Л. В. Лотовым ), которые в своей книге реализовали модельный подход к проблемам использования математических методов в экономике. Книга вызвала определенный интерес читателей. В настоящее время она широко используется в различных учебных заведениях, а также для самообразования. Все же, когда возник вопрос о  [c.8]

Модельные эксперименты упрощенно отображают реальные экономические процессы, однако у них есть преимущество, что они позволяют многократно воспроизводить те или иные экономические ситуации. Такими же свойствами обладают эксперименты, которые можно было бы назвать человеко-моделъными при них экономическое поведение людей изучается в искусственных, лабораторных условиях. Это, в частности, деловые игры. Пример постановки такого Э.э. см. в ст. «Олигопольные эксперименты «.  [c.420]

Идеи планирования целенаправленного поведения на основе прежнего опыта легли в основу таких понятий, как акцептор действия П. К. Анохина, принцип физиологии активности Н. А. Бернштейна [10]. Удобным объектом для выяснения роли программирования в целенаправленном поведении у животных и у человека является система управления движениями глаза. Проведенные эксперименты показали, что для данного углового расстояния аремя и скорость скачкообразного движения глаз строго постоянны. Эти факты свидетельствуют о том, что скачкообразные движения глаз являются реализацией заранее сформированной в нервной системе программы. При этом выявляется четкая зависимость между начальной скоростью скачка глаз и его амплитудой— по мере увеличения начальной скорости скачка его амплитуда увеличивается. Модельное представление этого процесса рассмотрено в [98].  [c.32]

Однако, несмотря на то что в большинстве случаев существующие математические схемы не в состоянии описать достаточно полно сложные экономические объекты, их значение велико. Они позволяют, используя имитационный подход, снимать с себя значительное число ограничений, накладываемых тем или иным математическим аппаратом путем подмены в необходимых случаях аналитических выражений модельным экспериментом. Таким образом, сохраняя стройность той или иной математической схемы, имитационный эксперимент в необходимых случаях разрешает проблемы, не разрешимые в рамках данного математического подхода. В частности, при имитационном моделировании СМО снимаются требования орди-  [c.249]

Полиэтилен. Гранулированный полиэтилен низкого давления применяется для изготовления моделей и модельных элементов способом литья в пресс-формы. Изделия з полиэтилена прочны, эластичны упруги, поэтому обеспечивается достаточно плотная посадка в соединениях шкантовой и седловой конструкций. Способом экструзии из полиэтилена низкого давления ь порядке эксперимента изготавливались также модельные трубки. Однако они оказались недостаточно жесткими [c.214]

Одним из новых путей высокоэкономичного производства электроэнергии, особенно перспективного для создания мощных электростанций, является магнито-гидродинамический (МГД) метод преобразования тепла в электрическую энергию. Важное преимущество этого метода состоит в том, что к. п. д. мощных электростанций с МГД-генераторами могут достигать 50—55%. Как сообщалось в печати, эксперименты на комплексной модельной энергетической установке в СССР позволили разработать инженерную методику расчета основных агрегатов электростанции нового типа, экспериментально исследовать и отработать основные узлы и агрегаты электростанций с МГД-генератором. Это дало возможность спроектировать и приступить к строительству крупной энергетической установки полупромышленного типа с МГД-генератором мощностью 25 тыс. кет.  [c.224]

Какими способами можно добыть необщедоступную информацию Ответ на этот вопрос зависит от причин «необщедоступности» информации. Например, если специальных мер по сокрытию информации никто не предпринимает, ЛПР может получить недостающую ему информацию путем организации и проведения натурного или модельного эксперимента. Если же информация скрывается намеренно, ЛПР потребуется прибегнуть к помощи разведки, перехвату сведений и данных, расшифровке информации или применить какие-то другие специальные приемы. Разведка или спецсредства — это дело особенное и дорогое. Однако и натурный эксперимент тоже недешев. Особенно, если эксперимент масштабный и проводится в условиях действия неоднозначного «механизма ситуации». Чтобы сэкономить ресурсы, ЛПР следует прибегнуть к математическому экспериментированию (эксперименту с математической моделью). Строгое научное планирование такого эксперимента поможет количественно установить его параметры, оптимальные в отношении эффективности будущих решений и действий ЛПР. Однако пока аппарат математической теории планирования эксперимента не является достаточно совершенным. В основном он ориентирован на исследование случайных «механизмов ситуации».  [c.118]

Кратко охарактеризуем первые два, основываясь на подходе этапа И. В. Максимея [32] (изложение методов математической теории планирования эксперимента, организации проведения модельных расчетов и обработки их результатов выходят за рамки настоящего учебника).  [c.401]

МОДЕЛЬНЫЙ ЭКСПЕРИМЕНТ — Студопедия

Когда прямой эксперимент невозможен или затруднен (например, экономически невыгоден), то прибегают к Модельному эксперименту. В модельном эксперименте исследуется не сам объект, а его модель.Это обычно материальная модель. С введением модели структура эксперимента усложняется. Усиливается теоретическая сторона исследования (т. к. необходимо обосновать отношения подобия между моделью и объектом, а затем экстраполировать на этот объект полученные данные.

Метод экстраполяции =перенос знаний с одной предметной области на другую (ненаблюдаемую, неизученную). Его функция – оптимизация процесса познания (НАПРИМЕР, МЫ МОЖЕМ ОПРЕДЕЛЯТЬ ЗАКОНОМЕРНОСТИ В ОДНОМ ВИДЕ И ПЕРЕНОСИТЬ ИХ НА ДРУГИЕ ВИДЫ). Процедура переноса знаний (лишь частично самостоятельна) входит в такие методы, как индукция, аналогия, моделирование, математическая гипотеза, статистические методы и т. д.

Факты

НАБЛЮДЕНИЕ, ИЗМЕРЕНИЕ, ЭКСПЕРИМЕНТ, МОДЕЛЬНЫЙ ЭКСПЕРИМЕНТ дают ФАКТУАЛЬНОЕ ЗНАНИЕ О МИРЕ.

Но! Термин «факт» (от лат. «сделанное, свершившееся») неоднозначен. Это может быть:

· совокупность фактов – эмпирическая основа для выдвижения гипотез


· факты имеют решающее значение в опровержении или подтверждении теории

СОС: идея позитивизма: факт как нечто, абсолютно независимое от теории. Это фактуализм.

СДС: наука никогда не имеет дело с «чистыми фактами» (Бор, Эйнштейн). Информация, собранная эмпирическими методами, не может быть прямо введена в корпус научного знания. Она нуждается в интерпретации, которая исходит из определенных теоретических предпосылок. Перед нами зависимость фактов от теории =). При смене теорий происходит изменение всего фактуального базиса науки. Это уже идея неокантианцев, постпозитивистов. Это теоретизм.

Это две крайние тенденции: верное решение в том, что научный факт, обладая теоретической нагрузкой, относительно независим от теории, поскольку в своей основе он детерминирован материальной действительность.

А. Уайтхед отмечал, что научное познание представляет собой соединение двух слоев. Один слой складывается из непосредственных данных, полученных конкретным наблюдением. Другой – наш общий способ постижения мира. Это слой наблюдения или Концептуальный слой Причем первый всегда интерпретируется вторым.

Факт науки имеет свою структуру:

  1. Объективная оставляющая (реальные процессы, события, структуры).
Это исходная основа
2. Информационная составляющая (фиксирует конкретную информацию)
3. Практическая детерминация факта (обусловленность факта существующими в данную эпоху возможностями наблюдения)
4. Когнитивная детерминация факта (зависимость от исходной теории)

*Факты должны быть эмпирически истинными, т. е. их истинность устанавливается опытным путем. Должно быть обобщение = обработка некоторого множества данных.


Как знание научные факты отличаются:

СОС (с одной стороны): высокой степенью истинности, вероятности, поскольку в них фиксируется «непосредственное данное». *Факт дискретен, т. е. он состоит из нескольких частей, принадлежит определенному времени и пространству. Он очищен от случайностей.

СДС (с другой стороны): факт еще и относителен, релятивен, т. е. он способен к дальнейшему уточнению

Чтобы получить факты, важны научные предпосылки, особенно в естествознании (там факты, как правило, уже сразу предстают в «теоретических одеждах». Там используются приборы, где уже заложены теоретические схемы.

Модели и эксперименты — это одно и то же

У. Мяки


Модели и эксперименты используются в самых разных сферах исследований; взаимодействуя, они обогащают, но вместе с тем и ограничивают друг друга. В данной статье мы не будем обращаться к проблемам самого этого взаимодействия, а сосредоточимся на соотношении понятий модели и эксперимента. Ответ на вопрос о сущности моделей и экспериментов будет обусловлен именно таким способом рассмотрения. Верное, но вполне ожидаемое утверждение состояло бы в том, что модель и эксперимент во многом схожи, между ними можно проследить несколько важных аналогий. Более спорным и неожиданным было бы их отождествление. Чтобы обосновать это положение, нам следует подробнее изучить оба понятия и проанализировать два более общих термина — репрезентация и изоляция.

Модель как репрезентация и изоляция

Мы будем считать модель репрезентацией (теорий, данных или реальности (1)). Репрезентация характеризуется двумя ключевыми особенностями: представление (то есть собственно репрезентативный аспект) и сходство (2). Модели заменяют для нас представляемые ими системы, поэтому мы не исследуем эти реальные системы непосредственно, а сосредоточиваемся на свойствах и динамике, которые демонстрируют их «представители». Эпистемологический смысл этой деятельности состоит в том, что свойства таких «суррогатных» систем исследуются непосредственно, чтобы косвенным образом получить информацию о реальных системах. Например, животные изучаются как «представители» людей, а большие системы математических уравнений анализируются в качестве представителей «большого взрыва».

Причины, по которым используются системы-субституты, различны: они могут быть этическими (например, в медицинских исследованиях предпочтительно было бы использовать животных, а не людей), экономическими (непосредственное исследование интересующей нас системы может оказаться слишком дорогим) и эпистемологическими (исследуемые системы недоступны, поскольку они слишком малы, слишком велики, слишком отдаленны в пространстве или времени или слишком сложны). И лишь в терминах простых репрезентативных систем можно анализировать сложные системы реального мира, так чтобы на задаваемые нами вопросы можно было отыскать ответ. В рамках модельных систем мы получаем результаты, которые, как предполагается, могут прояснить некоторые факты, происходящие в реальном мире. Такая позиция вполне согласуется с научной практикой экономистов, когда они исследуют, «что происходит в модели», а затем переходят к анализу реальной экономики.

Не всякая система-субститут сможет успешно выполнить возложенную на нее репрезентативную функцию. Модели должны так или иначе походить на отражаемые ими реальные системы. И если исследователи в области медицины зачастую могут рассматривать животных как полноценную замену человека, то экономисты и другие представители общественных наук, соотнося свои модели с реальным миром, сталкиваются с серьезными трудностями. За последние два века ключевая методологическая проблема экономической теории была связана с тем, насколько точно теоретические модели отражают реальность. Ведь строить хорошо интерпретируемые и удобные модели-субституты, модели-репрезентации, исследовать их, чтобы получать конкретные и определенные результаты, сравнительно просто, сложнее это делать с учетом ограничений, связанных с требованием сходства моделей с реальностью. Существует давняя традиция обвинять экономическую теорию в том, что данное требование не выполняется, что усилия сосредоточиваются на построении теоретических модельных миров, весьма отдаленных от мира реального, — а затем этими системами-субститутами подменяют значительно более сложные системы реального мира.

Мы полагаем, что такая критика и, в более общем плане, склонность или способность задавать вопросы, касающиеся проблемы сходства, могут играть роль критерия при идентификации чего-либо в качестве модели.

Заметим, что создатель или пользователь модели могут оказаться радикальными инструменталистами: с их точки зрения, модель и не должна ни в каком смысле походить на ту или иную реальную систему. А значит, ни о какой модели в такой ситуации не может идти и речи, ведь, чтобы она была, с необходимостью следует поставить вопрос о сходстве (это могут сделать те, кто пользуется моделью, или любые другие члены исследовательского сообщества). Само сходство может трактоваться различным образом: часто создатель или пользователь модели считает, что она должна походить на изучаемую систему в одном отношении, а другие члены сообщества полагают, что необходимо сходство в каком-то ином аспекте.

Таким образом, модели можно рассматривать с семантической (то есть связанной с понятиями репрезентации и сходства) и познавательной (связанной с косвенным получением информации об изучаемой системе) точек зрения. Прагматический же аспект моделирования связан с функциями моделей. В качестве репрезентаций их можно рассматривать как четырехместное отношение: модель М — это объект, используемый агентом А для репрезентации системы S с целью Р. Включение в анализ прикладных функций модели предполагает выявление прагматических ограничении на то, с какой стороны и до какой степени модель должна походить на реальность.

Итак, рассмотрев общие характеристики моделей, мы видим, что онтология моделей должна быть очень гибкой (3). Почти все может служить моделью для чего угодно, модели можно конструировать, привлекая для этого любой материал. Они могут быть физическими объектами, диаграммами, рисунками, вербальными утверждениями, системами математических уравнений, абстрактными объектами и т. д. Эта гибкость — одно из необходимых условий отождествления моделей и экспериментов. Другое условие основано на идентификации важного свойства большинства экспериментов: они допускают различные манипуляции со стороны исследователя. Обычно он может менять потенциально важные переменные более обширной, чем экспериментальная, системы, чтобы нейтрализовать их воздействие в контролируемой ситуации эксперимента. Иными словами, система объектов подвергается манипуляции, чтобы изолировать некоторый выделенный набор свойств и каузальных отношений от остального мира. Изолированная система — это простой и контролируемый мир в миниатюре, в противовес сложному и непредсказуемому реальному «большому» миру. Отождествление моделей и экспериментов должно относиться именно к этим манипулируемым системам.

Эксперименты — это модели

Вначале рассмотрим указанное отождествление, используя понятие экспериментальной системы в общепринятом смысле — как особую организацию (расстановку) вещей, обычно осуществляемую в лаборатории. Такие системы проектируются, а затем создаются и исследуются не ради них самих. Они служат отражениями неких не экспериментальных, реальных систем — материальными моделями, описывающими определенные аспекты остального мира. Это не значит, что экспериментальные ситуации нереальны, они просто искусственны, созданы человеком. Как пишет Ч. Плотт, «адекватность экспериментальных методов основана на утверждении, что лабораторные рынки — это «реальные» рынки: принципы экономической теории применимы там в той же степени, что и повсюду. Настоящие люди находятся в погоне за настоящей прибылью в контексте реальных правил. Простоту лабораторных рынков по сравнению с естественными, встречающимися в действительности рынками не следует смешивать с вопросами об их реальном статусе в качестве рынков» (4). Чтобы сконструировать систему-субститут, экспериментатор модифицирует и представляет в «очищенном» виде некоторые важные фрагменты мира. В экспериментальных моделях эти фрагменты изолируются путем фиксации значений внешних параметров, описывающих «остальной мир». Если выражаться более точно, контролируются другие потенциально значимые каузальные факторы, способные нарушить интересующую исследователя взаимосвязь.

В рамках разработанной Верноном Смитом версии экспериментальной экономики предложены обширный терминологический словарь и набор условий, поясняющих идеи изоляции и контроля. В его словаре теория (или теоретическая модель) состоит из описания трех компонентов: окружающей среды, института и поведения, — и дает результаты, относящиеся к поведению в заданных условиях окружающей среды и в контексте данного института. При тестировании такой модели на данных, полученных в ходе полевых исследований, окружающая среда и институт не контролируются, и таким образом мы проводим комплексную проверку теоретических предпосылок по поводу всех трех компонентов одновременно. Успех или неудача подобных проверок не играют решающей роли ни для одного из элементов теории. Напротив, в условиях эксперимента исследователь стремится контролировать окружающую среду и институт, тестируя предпосылки о поведении (5). Те или иные взаимосвязи между тремя указанными компонентами изолируются от возможных возмущений при помощи различных типов контроля. В соответствии с более ранними положениями Смита, для успешной нейтрализации некоторых из потенциально значимых каузальных факторов необходимо выполнение четырех условий (6): ненасыщаемость предпочтений, определенность (ясный характер) взаимосвязи между выбором и вознаграждением, доминирующий характер вознаграждений в лаборатории по отношению к возможным издержкам или выгодам от участия в эксперименте и частный, конфиденциальный характер выбора. При выполнении этих условий исследователи обычно рассчитывают на то, что варьирование различных ситуаций поможет изолировать интересующие их закономерности.

Склонные к поведенческому анализу экономисты-экспериментаторы, видимо, потребуют более детального обсуждения этих условий, чтобы можно было ставить эксперименты и получать информацию об индивидуальных предпочтениях и поведении, которые могут существенно зависеть от контекста и конкретной процедуры исследования (7). Но даже если при дизайне экспериментов эта зависимость от контекста и процедуры не учитывается, следует контролировать многие аспекты поведения, чтобы изолировать основные интересующие нас процессы. Споры внутри экспериментальной экономики ведутся не о том, следует ли выделять те или иные явления, а о том, что именно нужно изолировать и какие условия подлежат контролю (8).

Для решения многих практических вопросов нам не избежать обсуждения проблем сходства моделей-субститутов и реального мира. Применимы ли выводы из анализа модели-субститута к исследуемой системе? Можно ли перенести причинно-следственные связи, обнаруженные в изолированных «мини-мирах», на неизолированные «макромиры»? В экспериментальной экономике этот вопрос стоит особенно остро: при данных условиях экспериментирования схожи ли в должном смысле экспериментальные системы с реальными (9)? Присутствие этих вопросов в научных дискуссиях еще раз подтверждает, что экспериментальные системы рассматриваются как модели — они связаны с проблемами репрезентации и сходства между означающим и означаемым.

Модели — это эксперименты

Модели представляют собой лаборатории для экономистов-теоретиков. С этим утверждением согласятся большинство ученых, многие говорили об этом специально. Подобно естествоиспытателям, изучающим искусственные миры в экспериментальных ситуациях, созданных в лабораториях, экономисты-теоретики создают и изучают искусственные миры своих моделей (10). Конечно, не все виды моделей стоит рассматривать в качестве экспериментов, но есть один тип, обладающий ключевыми свойствами экспериментирования: речь идет о моделях, основанных на изоляции (11).

Рассмотрим физический эксперимент, основанный на изолировании фрагментов мира для изучения некоторых его свойств, без осложнений, сопряженных с влиянием экзогенных факторов. Аналогия с теоретическим моделированием очевидна: если при физическом эксперименте используются методы каузального контроля, то при моделировании вводятся определенные предпосылки, с помощью которых исследователь может эффективно контролировать окружающую среду. В предпосылках элементы окружающей среды считаются постоянными, отсутствующими, нулевыми, пренебрежимо малыми, находящимися в нормальном состоянии, внутри определенных интервалов и т. д. Такие идеализирующие предпосылки, которые играют ключевую роль в построении теоретических моделей как систем-субститутов, ложны в принципе, однако необходимы для осуществления требуемой изоляции. Нереалистичные предпосылки — незаменимый инструмент теоретика-экспериментатора.

Мы назвали модели, основанные на теоретической изоляции, мысленными экспериментами. Разница с физическим экспериментом состоит лишь в том, что в последнем контроль и изоляция осуществляются путем физической или каузальной манипуляции, а в мысленном эксперименте — путем конструирования предпосылок (12).

Имея в виду это различие, нетрудно понять, что в теоретических моделях изоляция носит значительно более строгий характер, чем в физических — мы просто абстрагируемся от всех возмущений и усложнений. Как верно замечает В. Смит, «абстракции в лаборатории гораздо менее значительны, чем в экономической теории» (13). В рамках мысленного эксперимента реальность можно подвергнуть сколь угодно жесткому контролю, тогда как при проведении физических экспериментов ученый вынужден признавать наличие множества возможных взаимосвязей или ограничивать их лишь в незначительной степени.

Традиционные упреки в адрес экономической теории состоят в том, что экономические модели — «представители» не сходны достаточным образом с тем, что они представляют, и что этим различием часто пренебрегают, относясь к системам-субститутам так, словно они тождественны реальной системе (14). Лукас осведомлен об этих проблемах и предостерегает против такой ошибки: «Для должного исполнения этой (лабораторной. — У. М.) функции необходимо, чтобы искусственная «модельная» экономика была в ходе рассуждений и дискуссий максимально четко отграничена от реальных экономик. До тех пор, пока будут смешивать утверждения, касающиеся того, как, с нашей точки зрения, реальные экономики реагируют на определенную политику, и верифицируемые утверждения о том, как на них реагирует модель, теорию невозможно эффективно использовать при ответе на вопрос, какие именно точки зрения относительно поведения реальных экономик обоснованны, а какие — нет» (15).

Проверка моделей моделями

Часто думают, что если не единственная, то основная цель экономических экспериментов — тестирование экономических теорий. Разумеется, эксперименты выполняют и другие функции, однако мы кратко остановимся на их роли в проверке теорий. Тестируя теории при помощи лабораторных экспериментов, мы тестируем их в терминах иерархии моделей. Теория проверяется путем тестирования составляющих ее моделей, которые суть ее представители, существенным образом с нею сходные (здесь мы предполагаем различие между теорией и теоретической моделью, которое не всегда осознается экономистами). Тестирование этих теоретических моделей может проводиться при помощи соответствующих экспериментов. В этой части иерархии осуществляется проверка (теоретических) моделей другими (экспериментальными) моделями. Такая структура оценивания и тестирования не будет жесткой — предполагается, что для целей подобного тестирования в ходе экспериментов собирают данные, служащие в качестве фактического материала. Однако для использования этих данных необходимо выстроить из них модели. Модели данных — это репрезентации, в которых богатство и сложность экспериментального материала редуцируются до более простых и управляемых блоков информации (всюду, где эмпирические данные систематически используются для познавательных целей, применяются модели данных, без которых в этом случае не обойтись). Все это означает, что при проверке теорий с помощью экспериментов мы на самом деле тестируем их при помощи моделей как минимум на трех уровнях. Речь идет о тестировании представителей при помощи других представителей, причем на каждом уровне необходимо убедиться в том, что сходство между представителями и тем, что они представляют, достаточно сильно. Поскольку оно никогда не будет совершенным, в структуре тестирования появляется некий «зазор».

Все эти рассуждения связаны с тем, что говорилось выше о жесткости контроля и о том, что в теоретических модельных экспериментах она существенно выше. Отсюда непосредственно следует (учитывая к тому же роль моделей данных), что тестирование теоретических моделей экспериментальным путем, увы, не может быть совершенным.

Тем не менее можно считать, что единственная или главная функция экспериментов — тестирование теорий. Обычные эксперименты могут рассматриваться не как простые модели сложных систем реального мира, а как модели теоретических моделей. Плотт сказал об этом весьма четко: «Как только модели, а не реальная экономика, начали играть центральную роль в научных исследованиях, простота эксперимента и, возможно, даже отсутствие некоторых черт более сложных экономических систем стали серьезным преимуществом. Эксперимент следует расценивать по тем урокам, которые мы извлекаем из него относительно теории, а не по сходству с тем, что когда-то могла сотворить природа» (16). Чтобы функционировать таким образом в отношении теории, средства каузального контроля в эксперименте должны походить на такие же механизмы в теоретических моделях (однако полное соответствие никогда не будет достигнуто). Таким образом, материальный эксперимент становится моделью теоретической модели (в отличие от — или в дополнение к — модели некоторой реальной системы). Плотт недвусмысленно заявляет, что экспериментальные модели не следует оценивать как репрезентации неконтролируемого «большого» мира. В таком случае проблема внешней валидности экспериментов вообще не встает — или в крайнем случае может возникнуть в форме вопроса о соотношении прогнозной силы в контролируемых «малых» мирах и в неконтролируемом «большом» мире (17).

Предположим, нам нужны экономические модели — теоретические, экспериментальные модели, модели данных, которые помогли бы нам получить познавательный доступ к некоторым важным фактам о неконтролируемом «большом» ментальном и социальном мире. Мы должны поставить вопрос о реальном или возможном характере этих теоретических и материальных репрезентаций: что они репрезентируют и на какие типы реальностей они могут походить? К какой реальности они отсылают? Эти вопросы играют ключевую роль в дискуссиях о внешней валидности экономических экспериментов.

Что же касается вопроса о репрезентации, то мы предполагаем, что как теоретические, так и экспериментальные модели репрезентируют «полевую» экономику — смесь всевозможных факторов и эффектов, где условия изоляции не соблюдаются (или выполняются частично, приблизительно, временно). Но на что именно в этом «диком» мире должны походить наши модели? В изолированных мини-мирах теоретических и экспериментальных моделей показывается, что все более или менее упорядочено. Эта ли упорядоченность должна походить на происходящее в неизолированных макромирах? Как это сказывается на прогнозной силе моделей? Зачастую использование моделей в неупорядоченном мире бессмысленно. Возможно, события в мире модели похожи на то, что происходило бы в реальном мире, если бы предполагаемая моделью изоляция была осуществлена. Еще одна альтернатива, кажущаяся нам более привлекательной, — предположить, что по крайней мере для некоторых целей каузальные воздействия и механизмы, изолированные и идентифицированные в моделях, соответствуют тем, что функционируют вне этих моделей (18). Такие предположения нельзя проверить на истинность только с помощью экспериментирования. Но есть модели, которые позволяют нам анализировать и эти возможности: речь идет о метафизических гипотезах, а такие гипотезы описываются в терминах метафизических моделей фундаментального устройства социального мира (19).


Итак, мы показали, что эксперименты и модели — это одно и то же постольку, поскольку теоретические модели и физические эксперименты обладают схожими характеристиками: они суть способы репрезентации, в ходе которой осуществляется изоляция. Существуют два основных различия между ними. Одно носит качественный характер: в случае эксперимента манипуляции носят каузальный характер, а в случае модели — теоретический. Другое различие связано с тем, что в теоретических моделях «жесткость» контроля внешних факторов и изоляции внутренних значительно выше, чем при экспериментах, так как в силу качественного различия между моделями и экспериментами в первых изоляция осуществляется просто при помощи предпосылок.

Для обоснования тождественности моделей и экспериментов нам не понадобился серьезный концептуальный инструментарий — только понятие репрезентации, в котором присутствуют аспекты представления и сходства, а также соображение о том, что в экспериментах присутствует явление изоляции. Разумеется, указанная тождественность не сохраняется при использовании всех возможных значений понятий эксперимента и модели. Скорее речь идет о том, что многие теоретические модели тождественны экспериментам, а многие физические эксперименты — моделям.

Описанная здесь ситуация дает нам возможность расширить наш научный словарь. Мы можем говорить о теоретических и физических (материальных) моделях, о теоретических (или мысленных) и физических экспериментах и — шире — о двух больших классах репрезентаций — теоретических и физических. В контексте экономических экспериментов не следует фиксировать значение слова «физический» так же жестко, как это делается при описании экспериментов в физике или химии. Слово «физический» может пониматься значительно шире, чем просто как «относящийся к физической материи».

Есть и более общий результат, который выше не обсуждался систематически. Имея в виду важнейшую роль иных типов моделей — в статье упоминались модели данных и метафизические модели, — мы не можем не замечать, что в практике любой науки (экономическая теория здесь не является исключением) модели используются постоянно, появляясь в совершенно разных обличиях и контекстах. Поэтому феномен моделей вполне заслуживает того внимания, которое ему начали оказывать экономисты-методологи.

Перевод с английского И. Болдырева


* Maki U. Models are experiments, experiments are models // Journal of Economic Methodology. 2005. Vol. 12, No 2. P. 303-315. Публикуется с разрешения автора.


1 Экономисты обычно не различают «теорию» и «модель», но часто бывает полезно рассматривать модели не только как репрезентации мира, но и как репрезентации теорий, служащие их упрощением или расширением. Модели в этом смысле служат посредниками между теориями и миром или данными (см.: Models as Mediators / М. Morgan, M. Morrison (eds). Cambridge: Cambridge University Press, 1999). Ниже мы сосредоточимся на моделях как на репрезентации мира.

2 См. также: Maki U. Models // The International Encyclopedia of Social and Behavioral Sciences. Vol. 5. Oxford: Elsevier, 2001. P. 9931-9937.

3 См.: Maki U. Models.

4 Plott С. Industrial organization theory and experimental economics // Journal of Economic Literature. 1982. Vol. 20, No 4. P. 1520.

5 Smith V. Theory, experiment and economics // Journal of Economic Perspectives. 1989. Vol. 3, No 13. P. 154 (рус. пер. см.: Смит В. Теория, эксперимент и экономика // Смит В. Экспериментальная экономика. М.: ИРИСЭН; Мысль, 2008. С. 275 — 302).

6 Smith V. Microeconomic systems as an experimental science // American Economic Review. 1982 Vol. 72, No 5. P. 923 — 955 (рус. пер. см.: Смит В. Микроэкономика как экспериментальная наука // Смит В. Экспериментальная экономика. М.: ИРИСЭН; Мысль, 2008. С. 139-200).

7 См.: Loomes G. Some lessons from past experiments and some challenges for the future // Economic Journal. 1999. Vol. 109, No 453. P. F35 — F45.

8 См.: Binmore K. Why experiment in economics? // Economic Journal. 1999. Vol. 109, No 453. P. F16 — F24; Loewenstein G. Experimental economics from the vantage point of behavioural economics // Economic Journal 1999. Vol. 109, No 453. P. F25-F34.

9 Экономисты называют это проблемой «внешней валидности» или «параллелизма». См.: Loewenstein G. Op. cit.; Guala F. The problem of external validity (or ‘parallelism’) in experimental economics // Social Science Information. 1999. Vol. 38, No 4. P. 555 — 573; Guala F. On the scope of experiments in economics: comments on Siakantaris // Cambridge Journal of Economics. 2002. Vol. 26, No 2. P. 261-267; Starmer C. Experiments in economics: should we trust the dismal scientists in white coats? // Journal of Economic Methodology. 1999. Vol. 6, No 1. P. 1-30; Siakantaris N. Experimental economics under the microscope // Cambridge Journal of Economics. 2000. Vol. 24, No 3. P. 267-281.

10 P. Лукас пишет об этом так: «Одна из функций теоретической экономики — создать полностью заданные искусственные экономические системы, которые могут служить в качестве лабораторий… где можно тестировать различные варианты экономической политики» (Lucas R. Jr. Methods and problems in business cycle theory // Journal of Money, Credit and Banking 1980. Vol. 12, No 4. P. 696). Лукас подчеркивает, что теоретическое тестирование обходится обществу значительно дешевле, нежели эксперименты над реальной экономикой.

11 См.: Maki U. On the method of isolation in economics // Poznan Studies in the Philosophy of the Sciences and the Humanities. 1992. Vol. 26. P. 19-54.

12 См.: Maki U. On the method of isolation in economics. Следует учитывать, что понятие «мысленный эксперимент» зачастую употребляется в более узком смысле и характеризует ментальные операции, связанные с какими-то конкретными объектами, а это определение не относится к теоретическим моделям. Мысленный эксперимент в таком узком смысле сопряжен с конкретными иллюстрациями. Тем самым аналогия между мысленными и обычными физическими экспериментами оказывается весьма сильной просто потому, что последние также осуществляются путем манипуляции с конкретными объектами, в определенных пространственно-временных границах, с использованием определенных материалов и оборудования. Негативная аналогия состоит в том, что идея контроля не является определяющей для мысленного эксперимента в узком смысле, а для нашего понимания эксперимента она играет ключевую роль. Поэтому для нас мысленный эксперимент — ментальная операция, в которой присутствуют репрезентация, изоляция и манипуляция с использованием теоретических построений и которая должна обладать родовыми свойствами эксперимента.

13 Smith V. Microeconomic systems as an experimental science. P. 936.

14 По поводу чрезвычайно сложной проблемы истинности и ложности моделей и их предпосылок см.: Musgrave A. ‘Unreal assumptions’ in economic theory: The F-twist untwisted // Kyklos. 1981. Vol. 34. P. 377-387; Maki U. Kinds of assumptions and their truth: Shaking an untwisted F-twist // Kyklos. 2000. Vol. 53. P. 303-322; Maki U. Some truths about truth for economists, their critics and clients // Economic Policy-Making under Uncertainty: The Role of Truth and Accountability in Policy Advice / P. Mooslechner, H. Schuberth, M. Schurtz (eds.). Cheltenham: Edward Elgar, 2004. P. 9-39. См. также: Maki U. Theoretical isolation and explanatory progress: transaction cost economics and the dynamics of dispute // Cambridge Journal of Economics. 2004. Vol. 28, No 3. P. 319-346; Maki U. Realism and the nature of theory: A lesson from J. H. von Thunen for economists and geographers // Environment and Planning. 2004. A 36. P. 1719 — 1736.

15 Lucas R. Jr. Op. cit.

16 Plott С. Will economics become an experimental science? // Southern Economic Journal 1991. 57, No 4. P. 906.

17 См.: Wilde L. L. On the use of laboratory experiments in economics // Philosophy in Economics / J. Pitt (ed.). Dordrecht: Reidel, 1982. P. 137-148; Smith V. Microeconomic systems as an experimental science; Starmer C. Experiments in economics: should we trust the dismal scientists in white coats?

18 Ср.: Sugden R. Credible worlds. The status of theoretical models in economics // Fact and Fiction in Economics. Models, Realism, and Social Construction / U. Maki (ed.). Cambridge: Cambridge University Press, 2002. P. 107-136.

19 Сама идея изоляции (будь то в теоретической или в экспериментальной модели) с метафизической точки зрения достаточно нейтральна, чтобы допускать применение всех трех упомянутых метафизических моделей.

Стратегия интеграционных процессов в сфере науки и образования< Назад   Вперед >Россия 2050

Простой эксперимент

При создании модели автоматически создается один простой эксперимент, названный Simulation. Как и следует из его названия, простой эксперимент представляет собой самый простой тип эксперимента. Он запускает модель с заданными значениями параметров, поддерживает режимы виртуального и реального времени, анимацию, отладку модели.

Вы можете создать несколько экспериментов с разными настройками и легко менять текущие настройки запуска модели, запуская тот или иной эксперимент.

Основные

Имя – Имя эксперимента.
Поскольку AnyLogic генерирует для каждого эксперимента соответствующий Java класс, при задании имени эксперимента нужно руководствоваться правилами названия классов в Java. Пожалуйста, начинайте имя эксперимента с заглавной буквы.

Исключить – Если опция выбрана, то эксперимент будет исключен из модели.

Агент верхнего уровня – Здесь задается агент верхнего уровня этого эксперимента. Агент этого типа будет играть роль корня иерархического дерева агентов модели, запускаемой этим экспериментом.

Максимальный размер памяти – Максимальный размер памяти Java, выделенный для данной модели.

Пропустить экран эксперимента и запустить модель – Если опция выбрана, выполнение модели начинается непосредственно после запуска. В модельном окне отображается презентация агента верхнего уровня (по умолчанию это Main). Если вы хотите добавить на презентацию эксперимента графики или элементы управления, чтобы управлять параметрами модели, отключите эту опцию.

Параметры

Здесь пользователь задает актуальные значения параметров агента верхнего уровня модели .

Модельное время

Режим выполнения – Здесь вы можете выбрать режим выполнения модели:

Виртуальное время (максимальная скорость) – Режим виртуального времени. В этом режиме модель выполняется без привязки к физическому времени – она просто выполняется настолько быстро, насколько это возможно. Этот режим лучше всего подходит в том случае, когда требуется моделировать работу системы в течение достаточно длительного периода времени.

Реальное время со скоростью – Режим реального времени. В этом режиме задается связь модельного времени с физическим, то есть задается количество единиц модельного времени, выполняемых в одну секунду. Это часто требуется, когда вы хотите, чтобы анимация модели отображалась с той же скоростью, что и в реальной жизни.

Остановить – Здесь вам нужно задать, когда вы хотите, чтобы моделирование было остановлено. Если вы хотите, чтобы моделирование продолжалось бесконечно, до тех пор, пока вы сами его не остановите, выберите из выпадающего списка Нет. Если же вы хотите, чтобы моделирование длилось до заданного времени или заданной даты, выберите здесь соответственно В заданное время или В заданную дату. В этом случае время остановки будет задаваться элементом управления Начальное время/Начальная дата.

Начальное время – Начальное время моделируемого интервала времени.

Начальная дата – Начальная календарная дата моделируемого интервала времени.

Конечное время – Конечное время моделируемого интервала времени (количество единиц модельного времени, по прошествии которого модель будет остановлена).

Конечная дата – Конечная календарная дата моделируемого интервала времени.

Случайность

Генератор случайных чисел – В стохастических моделях важную роль играет заданное вами начальное число генератора случайных чисел — от этого будет зависеть, будут ли «прогоны» стохастической модели уникальными или воспроизводимыми. Здесь вы можете выбрать, хотите ли вы задать случайное число, чтобы «прогоны» были уникальными, фиксированное число, чтобы они были воспроизводимыми, или вообще задать свой собственный генератор случайных чисел вместо используемого AnyLogic по умолчанию.

Случайное начальное число (уникальные «прогоны») – Если опция выбрана, то «прогоны» модели будут уникальными и не смогут быть воспроизведены в силу того, что при каждом новом запуске модели генератор случайных чисел будет инициализироваться другим числом.

Фиксированное начальное число (воспроизводимые «прогоны») – Если опция выбрана, то генератор случайных чисел модели будет всегда инициализироваться одним и тем же начальным числом (оно задается в поле Начальное число), поэтому все запуски модели будут идентичными и воспроизводимыми.

Нестандартный генератор (подкласс класса Random) – Если по каким-либо причинам вас не устраивает качество стандартного генератора Random, то вы можете использовать вместо него ваш собственный ГСЧ. Для этого создайте его (это должен быть подкласс Java класса Random, например, MyRandom), выберите данную опцию и введите выражение, возвращающее экземпляр класса вашего ГСЧ, в расположенном справа поле, например: new MyRandom() или new MyRandom( 1234 ). Подробнее см. здесь.

Окно

Свойства, расположенные на странице Окно, отвечают за внешний вид и настройки окна модели, которое отображается при запуске эксперимента. Обратите внимание, что размеры окна модели задаются с помощью объекта Рамка и являются общими для всех типов агентов и экспериментов вашей модели.

Заголовок – Заголовок, который будет показан в окне презентации.

Разрешить изменение масштаба и перетаскивание – Если опция выбрана, то пользователь сможет изменять масштаб содержимого окна презентации во время моделирования и перемещать холст окна презентации с помощью мыши (перемещая мышь с нажатой правой кнопкой).

Панель разработчика – Если опция выбрана, панель разработчика будет доступна в окне модели.

Показать панель разработчика при старте модели – [Параметр доступен, если выбрана опция Панель разработчика] Если опция выбрана, панель разработчика будет по умолчанию отображаться в окне модели при каждом запуске эксперимента.

Действия Java

Код инициализации эксперимента – Код инициализации эксперимента, который выполняется, когда эксперимент и его интерфейс уже созданы.

Действие перед запуском каждого эксперимента – Код, который выполняется перед запуском каждого эксперимента.

Действие перед «прогоном» модели – Код, выполняемый перед каждым «прогоном» модели. Этот код запускается при инициализации модели. К этому моменту корневой объект модели уже создан, но модель еще не запущена. Здесь вы можете выполнять действия с элементами агента верхнего уровня, например, присвоить другие значения его параметрам.

Действие после «прогона» модели – Код, выполняемый после каждого «прогона» модели. Этот код выполняется, когда исполняющий модуль завершает выполнение модели (вызывается метод Engine.finished()). Этот код не выполняется, если вы останавливаете модель с помощью кнопки Прекратить выполнение.

Java для экспертов

Импорт – Выражения импорта import, необходимые для успешной компиляции кода класса эксперимента. Во время генерации Java кода эти выражения вставляются перед строкой объявления Java класса эксперимента.

Дополнительный код класса – Здесь вы можете объявить какие-то служебные переменные кода, вложенные классы, константы и методы. Этот код будет вставлен в объявление класса эксперимента. Все объявленные здесь члены класса будут доступны из кода эксперимента.

Аргументы Java машины – [Параметр приложения] Задайте здесь аргументы Java машины, которые будут применяться при запуске модели. Подробное описание возможных аргументов дано на сайте Java Sun Microsystems: http://java.sun.com/j2se/1.5.0/docs/tooldocs/windows/java.html

Аргументы командной строки – [Параметр приложения] Здесь вы можете задать аргументы командной строки, с помощью которых вы хотите передать модели определенные данные. Значения переданных аргументов доступны в Дополнительном коде класса эксперимента с помощью метода String[] getCommandLineArguments()

Специфические

Включить сглаживание – Если опция выбрана, то при отрисовке презентации будет использоваться механизм сглаживания, позволяющий сделать фигуры более гладкими и визуально приятными. Сглаживание позволяет сглаживать линии, которые иначе выглядели бы на анимации ступенчатыми. Однако учтите, что на отрисовку презентации со сглаживанием требуется больше времени.

Адаптивная частота обновления – AnyLogic позволяет изменять частоту отрисовки презентации. Чем больше частоту вы зададите, тем более плавно будет отрисовываться презентация. Выберите здесь, хотите ли вы задать фиксированную частоту отрисовки в кадрах в секунду, либо адаптивную частоту отрисовки, которая будет пересчитываться во время работы модели, чтобы обеспечить указанное отношение между скоростью выполнения и плавностью отрисовки презентации. Чтобы выбрать адаптивную частоту отрисовки, установите этот флажок.

Выбор приоритета (Презентация : Моделирование) – [Доступно, если выбрана опция Адаптивная частота обновления] Если выбран режим обновления с адаптивной частотой, то здесь нужно указать коэффициент отношения скорости выполнения модели к плавности отрисовки презентации
Однако учтите, что отрисовка презентации требует определенного времени, и частая перерисовка замедлит выполнение модели. Поэтому задавайте такую частоту, которая отвечала бы вашим требованиям к модели, обеспечивая либо более плавную отрисовку презентации, либо более быстрое выполнение модели.

Кадров в секунду – [Доступно, если не выбрана опция Адаптивная частота обновления] Если режим обновления с адаптивной частотой отключен, то здесь вы сможете задать частоту отрисовки презентации (в кадрах в секунду). Чем большее значение вы укажете, тем лучше будет выглядеть анимация вашей модели. Однако учтите, что отрисовка презентации требует определенного времени, и частая перерисовка замедлит выполнение модели.

Загрузить агента верхнего уровня из файла сохраненного состояния – Если опция выбрана, то агент верхнего уровня эксперимента будет загружаться из файла сохраненного состояния модели, указанного в расположенном справа поле. Эксперимент будет запущен с того момента модельного времени, когда было сохранено состояние модели.

Модельный эксперимент в океанологии Сазонов К.Е.

Артикул: 00193183

в желания В наличии

Автор: Сазонов К.Е.

Место издания: Санкт-Петербург

ISBN: 978-5-86813-301-5

Год: 2011

Формат: 60×90 1/16

Переплет: Мягкая обложка

Страниц: 93

Вес: 110 г

С этим товаром покупают

Рассматриваются особенности использования модельного эксперимента при изучении характерных для океанологии проблем. Изложение базируется на подробном рассмотрении теории размерности и подобия. Показано применение этих теорий для получения критериев подобия, анализа экспериментальных результатов, а также их использование для решения теоретических задач. Большое внимание уделено описанию успешных модельных экспериментов, выполненных для решения тех или иных океанологических задач. В работе также анализируются примеры некорректного использования модельного эксперимента в океанологии.
Учебное пособие предназначено для студентов, магистров и аспирантов, специализирующихся на изучении сложных физических явлений, протекающих в морской среде. Пособие может быть также использовано представителями и других специализаций, так как большая часть материала, изложенного в пособии, носит общетеоретический характер.

The manual considers the features of model experiment application in studying the problems specific to oceanography. The presentation is based on a detailed examination of the theories of dimension and similarity. These theories are shown to be applied to obtaining similarity criteria, analysis of experimental results, as well as solving theoretical problems. Much attention is paid to the successful model experiments carried out to solve a variety of oceanological problems. The book also analyzes examples of incorrect use of model experiment in oceanography.
The manual is intended for undergraduate, Masters and PhD students specializing in the study of complex physical phenomena occurring in the marine environment. The book can also be used for students exploring other research areas, since most of the material presented in the manual is of a general theoretical character.

Содержание
Предисловие
Введение
Глава 1. Основы теории размерности
Глава 2. Примеры применения теории размерности
Глава 3. Подобие и критерии подобия
Глава 4. Модельный эксперимент
Глава 5. Автомодельность и промежуточная асимптотика
Глава 6. Примеры использования модельного эксперимента в океанологии
Глава 7. Примеры некорректного применения теории подобия в океанологических исследованиях
Литература

Contents
Preface
Introduction
Chapter 1. Foundations of the theory of dimension
Chapter 2. Examples of application of the theory of dimension
Chapter 3. Similarity and similarity criteria
Chapter 4. Model experiment
Chapter 5. Self-similarity and intermediate asymptotics
Chapter 6. Examples of model experiment application in oceanography
Chapter 7. Examples of improper use of similarity theory in oceanolo-cal research References

Как был поставлен модельный эксперимент

 

 

Несмотря на кажущуюся парадоксальность первых результатов измерений ширины ударного фронта в космосе, эти данные не были совершенно неожиданными. Уже на протяжении многих лет в лабораториях исследуют так называемые бесстолкновительные ударные волны, в которых переход энергии направленного движения в тепло (диссипация) вызван не столкновением частиц друг с другом, а рассеянием на микрофлуктуациях электромагнитных полей. Источником микрофлуктуаций являются различного рода неустойчивости плазмы.

Новые сведения принесли также измерения на ночной стороне. Оказалось, что взаимодействие солнечного ветра с магнитным полем Земли приводит к образованию шлейфа магнитосферы, вытянутого в сторону, противоположную Солнцу, вдоль оси Солнце — Земля. Напряженность поля на самой оси чрезвычайно мала. Силовые линии выше и ниже оси имеют противоположные направления. Слой, в котором происходит поворот вектора поля на 180°, часто называют «нейтральным».

В экспериментах, выполненных автором совместно с Э. М. Дубининым и Г. Г. Манагадзе (Институт космических исследований АН СССР), для создания искусственного солнечного ветра был применен электродинамический метод ускорения плазмы.

Современный электродинамический ускоритель плазмы состоит из двух коаксиально расположенных металлических цилиндров, присоединенных к импульсному источнику тока. В пространство между цилиндрами (электродами) вводится порция водорода. Напряжение, прикладываемое к электродам, вызывает электрический пробой газа и облачко плазмы, возникшее в результате ионизации водорода, ускоряется электродинамическими силами вдоль оси цилиндров. Это простое на первый взгляд устройство требует тщательной отработки, точной установки интервалов времени между отдельными операциями и подбора оптимальных начальных условий.

Эксперименты проводились в вакуумной камере диаметром 40 см и длиной около 2 м. В качестве модели невозмущенного магнитного поля. Земли было выбрано поле двумерного диполя, образованного двумя параллельными проводниками с токами, текущими во взаимно противоположных направлениях. Расстояние между осями проводников составляло 2 см.

Процессы в плазме, регистрируемые при моделировании, продолжаются от одной десятимиллионной доли секунды до одной стотысячной секунды. Все измерения производились с помощью импульсного осциллографа с записью на пленку. Обычно применялся двулучевой осциллограф для одновременной регистрации данных от двух различных датчиков. При обработке полученных осциллограмм использовались счетные машины. Зеркало казино Goldfishka всегда актуальное только на нашем сайте.

 

Эксперимент с моделью

— обзор

5.1.1 Модели динамики льда

Крупномасштабные динамические модели пакового льда, такие как модель AIDJEX, требуют коротких временных масштабов и изображений с высоким разрешением, охватывающих большие пространственные области. Поскольку ледяной покров существует в регионах с продолжительной темнотой и частой облачностью, необходимость во всепогодных, дневных или ночных датчиках является существенной. Короче говоря, эти модели морского льда являются наиболее требовательными из всех моделей плавучего льда с точки зрения требований к дистанционному зондированию.Таким образом, все описанные выше датчики находят применение в этих моделях.

В периоды темноты или обширной облачности данные дистанционного зондирования, необходимые в качестве входных данных для динамических моделей, могут быть получены с помощью спутниковых активных и пассивных микроволновых датчиков. РСА обеспечит высокое пространственное разрешение и синоптические последовательные изображения, необходимые для картирования векторных полей скорости льда, изменяющегося распределения выступов и полыней, а также изменений краев пакета.Пассивные микроволновые датчики будут предоставлять данные о типе, сплоченности и расходимости льда. Многочастотные пассивные микроволновые датчики также могут в любую погоду предоставлять данные о скорости накопления снега на поверхности, общем количестве снега и температуре поверхности льда (не снега).

В периоды солнечного света и минимальной облачности паковый лед можно наблюдать с помощью видимых и инфракрасных датчиков, а также с помощью микроволн. В этих условиях эти датчики обеспечивают дополнительную температуру на границе раздела воздух / поверхность и знакомые визуальные признаки льда.Последние бесценны из-за огромного опыта визуальных наблюдений сообщества ледовых ученых.

Приведенное выше соединение датчиков для морского льда применимо также к озерному и речному льду с тем важным отличием, что микроволновые датчики можно использовать для определения толщины льда. Такие наблюдения также менее требовательны к системе наблюдений, поскольку задействованы только мезомасштабные области.

Активные микроволновые системы также являются предпочтительными датчиками для сбора данных для динамических моделей шельфовых ледников.Как и в ледяных шапках, в которых они возникают, динамические волны возникают в результате потока, создаваемого изменениями баланса массы. Эти волны имеют амплитуду от нескольких до десятков метров и длину волны от одного до десяти километров, и их легко разрешить спутниковые высотомеры. Кроме того, объекты подземного льда можно наблюдать с помощью спутникового РСА. Ключевым термином в балансе массы шельфовых ледников является скорость их отела, которая впервые может быть точно измерена с помощью повторяющихся наблюдений SAR.

Научное моделирование — Science Learning Hub

В науке модель — это представление идеи, объекта или даже процесса или системы, которые используются для описания и объяснения явлений, которые нельзя испытать напрямую. Модели играют центральную роль в том, что делают ученые, как в своих исследованиях, так и при передаче своих объяснений.

Модели — это мысленно-визуальный способ связи теории с экспериментом, и они направляют исследования, будучи упрощенными представлениями воображаемой реальности, которые позволяют разрабатывать и проверять предсказания экспериментально.

Почему ученые используют модели

Модели имеют множество применений — от предоставления способа объяснения сложных данных до представления в качестве гипотезы. Ученые могут предложить несколько моделей для объяснения или предсказания того, что может произойти в определенных обстоятельствах. Часто ученые спорят о «правильности» своей модели, и в процессе модель будет развиваться или будет отвергнута. Следовательно, модели занимают центральное место в процессе накопления знаний в науке и демонстрируют, насколько научное знание носит предварительный характер.

Представьте себе модель, показывающую Землю — глобус. До 2005 года глобусы всегда были художественным изображением того, как, по нашему мнению, выглядела планета. (В 2005 году был создан первый глобус с использованием спутниковых снимков НАСА.) Первый известный глобус (150 г. до н.э.) не был очень точным. Земной шар был построен в Греции, поэтому, возможно, на нем был изображен лишь небольшой участок земли в Европе, и на нем не было бы Австралии, Китая или Новой Зеландии! Поскольку объем знаний накапливался за сотни лет, модель улучшалась до тех пор, пока к тому времени, когда глобус, сделанный из реальных изображений, был создан, не было заметной разницы между представлением и реальной вещью.

Построение модели

Ученые начинают с небольшого количества данных и с течением времени создают все более и более лучшее представление о явлениях, которые они объясняют или используют для прогнозирования. В наши дни многие модели, скорее всего, будут математическими и запускаются на компьютерах, а не являются визуальным представлением, но принцип тот же.

Использование моделей для прогнозирования

В некоторых ситуациях ученые разрабатывают модели, чтобы попытаться предсказать вещи.Лучшие примеры — климатические модели и изменение климата. Люди не в полной мере осознают влияние, которое они оказывают на планету, но мы действительно много знаем о круговоротах углерода, круговоротах воды и погоде. Используя эту информацию и понимание того, как эти циклы взаимодействуют, ученые пытаются выяснить, что может произойти. Модели также полагаются на работу ученых по сбору качественных данных для их использования в моделях. Чтобы узнать больше о работе по сопоставлению данных для моделей, ознакомьтесь с проектом Арго и работой, проводимой по сбору крупномасштабных данных о температуре и солености, чтобы понять, какую роль океан играет в климате и изменении климата.

Например, они могут использовать данные, чтобы предсказать, каким будет климат через 20 лет, если мы продолжим производить углекислый газ с нынешними темпами — что может случиться, если мы произведем больше углекислого газа, и что произойдет, если мы произведем меньше. Результаты используются для информирования политиков о том, что может случиться с климатом и что можно изменить.

Еще одно распространенное использование моделей — в управлении рыболовством. Рыболовство и продажа рыбы на экспортные рынки — важная отрасль для многих стран, включая Новую Зеландию (на сумму 1 доллар США.4 миллиарда долларов в 2009 году). Однако чрезмерный вылов рыбы представляет собой реальный риск и может привести к разрушению рыболовных угодий. Ученые используют информацию о жизненных циклах рыб, моделях размножения, погоде, прибрежных течениях и средах обитания, чтобы предсказать, сколько рыбы можно выловить из определенного района, прежде чем популяция сократится ниже точки, когда она не сможет восстановиться.

Модели также могут использоваться, когда полевые эксперименты слишком дороги или опасны, например модели, используемые для прогнозирования распространения огня в автодорожных туннелях и возможного возникновения пожара в здании.

Как узнать, работает ли модель?

Модели часто используются для принятия очень важных решений, например, сокращение количества рыбы, которую можно выловить в каком-либо районе, может привести к прекращению деятельности компании или помешать рыбаку сделать карьеру, которая была в его семье в течение нескольких поколений. .

Затраты, связанные с борьбой с изменением климата, почти невообразимы, поэтому важно, чтобы модели были правильными, но часто это случай использования самой лучшей информации, доступной на сегодняшний день.Модели необходимо постоянно тестировать, чтобы видеть, предоставляют ли используемые данные полезную информацию. Ученые могут задать вопрос о модели: соответствует ли она данным, которые мы знаем?

Для изменения климата это немного сложно. Это может соответствовать тому, что мы знаем сейчас, но достаточно ли мы знаем? Один из способов проверить модель изменения климата — запустить ее в обратном направлении. Может ли он точно предсказать, что уже произошло? Ученые могут измерить то, что происходило в прошлом, поэтому, если модель соответствует данным, она считается более надежной.Если он не подходит, пора поработать еще раз.

Этот процесс сравнения прогнозов модели с наблюдаемыми данными известен как «наземная проверка». Что касается управления рыболовством, то наземная проверка включает в себя отбор проб рыбы в разных районах. Если в регионе не так много рыбы, как прогнозирует модель, пора поработать еще раз.

Узнайте больше о наземных проверках с помощью спутников для измерения толщины морского льда. Здесь ученые проверяют спутниковые данные о толщине льда в Антарктиде, чтобы их можно было использовать для моделирования того, как климат Земли, температура моря и уровень моря могут изменяться.

Природа науки

Модели всегда играли важную роль в науке и продолжают использоваться для проверки гипотез и прогнозирования информации. Часто они неточны, потому что у ученых может не быть всех данных. Важно, чтобы ученые тестировали свои модели и были готовы улучшать их по мере появления новых данных. Построение модели может занять время — на создание точного глобуса ушло более 2000 лет — будем надеяться, что точная модель изменения климата займет значительно меньше времени.

Изучение модельных экспериментов — ScienceDaily

То, что учащиеся в школе узнают из модельного эксперимента, зависит от того, насколько похожи модельные субстанции на оригиналы. Об этом сообщила группа под руководством профессора д-ра Катрин Зоммер из Бохума, кафедры химического образования в научном журнале Rubin, научном журнале Рурского университета в Бохуме.

В рамках карусели с различными экспериментами 234 ученика 7-го класса провели модельный эксперимент на предмет взрывов пыли.Затем они выяснили, в какой степени ученики смогли связать эксперимент с фактическим возникновением взрыва мучной пыли на мельнице Роланд в Бремене. Одна группа провела эксперимент с исходным веществом пшеничной муки, вторая группа — с кукурузной мукой аналогичного вида и последняя группа — с черным тонером.

Получение абстрактных знаний

Студенты лучше осознавали связь между реальным контекстом и модельным экспериментом, когда модельная субстанция выглядела более похожей на оригинал: 96.5 процентов группы пшеничной муки сделали связь, так же как и 86 процентов группы кукурузы, но только 56 процентов группы тонера.

Однако данные группы Бохума предполагают, что дети в группе тонера могли получить более общее представление о механизмах взрыва; Теперь исследователи хотят более внимательно изучить эту идею. «То, какое вещество следует использовать для модельного эксперимента — одно, подобное оригиналу, или другое, отличное от оригинала, — зависит от того, чему вы хотите научить детей», — говорит аспирант Кристина Тошка.

Новый аппарат для взрыва пыли

В настоящее время взрыв пыли редко проводится на уроках с использованием исходного вещества пшеничной муки, так как эксперимент часто оказывается безуспешным. Чтобы дать учителям свободу выбора между различными веществами в будущем, доктор Хенниг Штефф и аспирант Томас Филипп Шредер разработали новый аппарат для эксперимента.

Это гарантирует успешный взрыв пыли с различными порохами и источниками воспламенения.Они воспроизвели этот аппарат в мастерской, где работают около сотни учителей, поэтому он уже используется на практике в земле Северный Рейн-Вестфалия, Германия.

Подробная статья в Рубин

Более подробную информацию можно найти в подробной статье в Rubin , научном журнале Рурского университета в Бохуме (http://news.rub.de/english/2016-10-21-chemistry-education-learning-model -эксперименты).

История Источник:

Материалы предоставлены Ruhr-Universitaet-Bochum . Примечание. Содержимое можно редактировать по стилю и длине.

Отслеживание экспериментов

ML: что это такое, почему это важно и как это реализовать

Позвольте мне рассказать историю, которую я слышал слишком много раз.

”… Мы вместе с моей командой разрабатывали модель машинного обучения, мы провели много экспериментов и получили многообещающие результаты…

… к сожалению, мы не могли точно сказать, что работает лучше всего, потому что мы забыли сохранить некоторые параметры модели и версии наборов данных…

… через несколько недель мы даже не были уверены, что мы на самом деле пробовали, и нам нужно было перезапустить почти все »

— неудачный исследователь машинного обучения.

И правда в том, что когда вы разрабатываете модели машинного обучения, вы проводите множество экспериментов.

Эти эксперименты могут:

  • используют разные модели и гиперпараметры модели
  • используют разные данные обучения или оценки,
  • запускают другой код (включая это небольшое изменение, которое вы хотели быстро протестировать)
  • запускают тот же код в другой среде (не зная, какой PyTorch или Была установлена ​​версия Tensorflow)

И в результате они могут производить совершенно разные оценочные показатели.

Очень сложно отслеживать всю эту информацию. Особенно, если вы хотите организовать и сравнить эти эксперименты и уверены, что знаете, какая установка дала лучший результат.

Вот где на помощь приходит отслеживание экспериментов машинного обучения.

Из этой статьи вы узнаете:

Что такое отслеживание экспериментов машинного обучения?

Отслеживание эксперимента — это процесс сохранения всей связанной с экспериментом информации, которая вам важна для каждого проводимого вами эксперимента.

Отслеживание экспериментов — это процесс сохранения всей связанной с экспериментом информации, которая вам важна для каждого проводимого вами эксперимента. Эти «метаданные, которые вам небезразличны» будут сильно зависеть от вашего проекта, но они могут включать:

  • Сценарии, используемые для запуска эксперимента
  • Файлы конфигурации среды
  • Версии данных, используемых для обучения и оценки
  • Конфигурации параметров
  • Метрики оценки
  • Веса моделей
  • Визуализации производительности (матрица неточностей, кривая ROC)
  • Пример прогнозы на проверочном наборе (распространены в компьютерном зрении)

Конечно, вы хотите, чтобы эта информация была доступна после завершения эксперимента, но в идеале вы также хотели бы видеть часть ее во время проведения эксперимента.

Почему?

Потому что для некоторых экспериментов вы можете (почти) сразу увидеть, что они не могут дать вам лучших результатов. Вместо того, чтобы позволить им работать (что может занять дни или недели), вам лучше просто остановить их и попробовать что-то другое.

Чтобы правильно отслеживать эксперименты, вам нужна какая-то система, которая имеет дело со всеми этими метаданными. Обычно такая система состоит из 3-х компонентов:

  • База данных эксперимента : место, где хранятся метаданные эксперимента, которые можно регистрировать и запрашивать.
  • Панель мониторинга эксперимента : Визуальный интерфейс к базе данных эксперимента.Место, где вы можете увидеть метаданные вашего эксперимента.
  • Клиентская библиотека : Предоставляет методы для регистрации и запроса данных из базы данных экспериментов.

Конечно, вы можете реализовать каждый компонент по-разному, но общая картина будет очень похожей.

Подождите, а это не отслеживание экспериментов, как MLOps или что-то в этом роде?

Отслеживание экспериментов против управления моделями машинного обучения против MLOps

Отслеживание экспериментов (также называемое управлением экспериментами) является частью MLOps: более крупной экосистемы инструментов и методологий, которая занимается операционализацией машинного обучения.

MLOps занимается всеми частями жизненного цикла проекта машинного обучения : от разработки моделей до планирования распределенных обучающих заданий, управления обслуживанием моделей, мониторинга качества моделей в производстве и повторного обучения этих моделей при необходимости.

То есть много разных проблем и решений.

Отслеживание экспериментов сосредотачивается на этапе разработки итеративной модели , когда вы пробуете множество вещей, чтобы довести производительность модели до необходимого вам уровня.

Так чем же отслеживание экспериментов отличается от управления моделями машинного обучения?

Управление моделями ML начинается, когда модели поступают в производство:

  • упрощает перемещение моделей из экспериментальной в производственную
  • помогает с версией модели
  • организует артефакты модели в реестре моделей машинного обучения
  • помогает с тестированием различных версий модели в производственной среде
  • позволяет откатиться к старой версии модели, если новая Кажется, что сходит с ума

Но не все модели развертываются.

Отслеживание экспериментов полезно, даже если ваши модели еще не запущены в производство.

Отслеживание экспериментов полезно, даже если ваши модели еще не запущены в серийное производство. (пока). И во многих проектах, особенно тех, которые ориентированы на исследования, они могут никогда не достичь цели. Но наличие всех метаданных о каждом проводимом эксперименте гарантирует, что вы будете готовы, когда случится этот волшебный момент.


СМОТРЕТЬ СВЯЗАННЫЕ ТЕМЫ
Управление моделями машинного обучения в 2020 году и далее — все, что вам нужно знать
➡️ Управление экспериментами в машинном обучении: как организовать процесс разработки модели
➡️ Лучшие инструменты MLOps, которые вам нужно знать как специалист по данным


Хорошо, если вы немного похожи на меня, вы можете подумать:

Круто, так что я знаю, что такое отслеживание экспериментов.… Но какое мне дело до этого?

Позвольте мне объяснить.

Почему важно отслеживать эксперимент?

Создание инструмента для практиков ML имеет одно огромное преимущество. Вы можете поговорить со многими из них.

И после разговора с сотнями людей, отслеживающих свои эксперименты в Нептуне, я увидел 4 способа, с помощью которых отслеживание экспериментов может действительно улучшить ваш рабочий процесс.

Все ваши эксперименты по машинному обучению собраны в одном месте

Есть много способов проводить эксперименты по машинному обучению или задания по обучению моделей:

  • Частный ноутбук
  • ПК в работе
  • Выделенный экземпляр в облаке
  • Университетский кластер
  • Ядро Kaggle или Google Colab
  • И многое другое.

Иногда вам просто нужно быстро что-то протестировать и провести эксперимент в ноутбуке. Иногда вам нужно развернуть работу по настройке распределенных гиперпараметров.

В любом случае, в ходе проекта (особенно когда над ним работает больше людей) вы можете в конечном итоге разбросать результаты вашего эксперимента по многим машинам.

С системой отслеживания экспериментов , все результаты вашего эксперимента записываются в одно хранилище экспериментов по замыслу. А хранение всех метаданных вашего эксперимента в одном месте, независимо от того, где вы их запускаете, значительно упрощает управление процессом экспериментирования.

«[система отслеживания экспериментов] позволяет нам организовать все наши эксперименты в одном пространстве. Возможность видеть результаты работы моей команды в любое время, когда мне нужно, упрощает отслеживание прогресса и упрощает координацию ». — Майкл Улин, вице-президент по машинному обучению @ Zesty.ai

В частности, централизованное хранилище экспериментов позволяет легко:

  • Поиск и фильтрация экспериментов, чтобы быстро найти нужную информацию
  • Сравните их метрики и параметры без дополнительной работы
  • Разверните вниз и посмотрите, что именно вы пробовали (код, версии данных, архитектуры)
  • Воспроизвести или повторно -запустить эксперименты, когда вам нужно
  • Доступ к метаданным эксперимента, даже если у вас нет доступа к серверу, на котором вы их запускали

Смотрите это представление в приложении

Кроме того, вы можете спать спокойно, зная, что все идеи, которые вы опробовали, надежно сохранены, и вы всегда можете вернуться к ним позже.


ХОТИТЕ ПОДРОБНЕЕ ПО ЭТОЙ ТЕМЕ?
Подробнее об организации экспериментов по машинному обучению


Сравнение экспериментов, анализ результатов, отладка обучения модели с небольшой дополнительной работой

Независимо от того, отлаживаете ли вы учебные прогоны, ищете идеи для улучшения или проводите аудит лучших текущих моделей, сравнение экспериментов имеет важное значение.

Но если у вас нет системы отслеживания экспериментов:

  • способ регистрации может измениться,
  • вы можете забыть записать что-то важное
  • вы можете просто случайно потерять некоторую информацию.

В таких ситуациях такая простая вещь, как сравнение и анализ экспериментов, может стать трудной или даже невозможной.

Благодаря системе отслеживания экспериментов ваши эксперименты хранятся в одном месте, вы следуете одному и тому же протоколу для их регистрации, поэтому эти сравнения могут быть действительно глубокими. И вам не нужно делать много лишнего.

«Отслеживание и сравнение различных подходов заметно повысили нашу продуктивность, позволив нам больше сосредоточиться на экспериментах [и] разрабатывать новые передовые методы в нашей команде…» — Томаш Григель, специалист по данным @idenTT

Правильное отслеживание эксперимента позволяет легко:

  • Сравнить параметры и показатели
  • Наложить кривые обучения
  • Сгруппировать и сравнить эксперименты на основе версий данных или значений параметров
  • Сравнить матрицы неточностей, кривые ROC или другие диаграммы производительности
  • Сравнить лучшие / худшие прогнозы на тестовых или проверочных наборах
  • Просмотр различий в коде (и / или различий в записной книжке)
  • Посмотрите на потребление оборудования во время тренировочных прогонов для различных моделей
  • Посмотрите на пояснения к прогнозам, такие как Важность функции, SHAP или Lime
  • Сравните артефакты расширенного формата, такие как видео или аудио
  • … Сравните все, что вы зарегистрировали

Смотрите это представление в приложении

Современные инструменты отслеживания экспериментов предоставят вам многие из этих функций сравнения (почти) бесплатно.Некоторые инструменты даже доходят до того, что автоматически находят различия между экспериментами или показывают, какие параметры имеют наибольшее влияние на производительность модели.

Когда у вас есть все части в одном месте, вы сможете найти новые идеи и идеи, просто просмотрев все метаданные, которые вы зарегистрировали. Это особенно верно, когда вы работаете не один.

Говоря…

Улучшение совместной работы: узнавайте, что делают все, легко делитесь результатами экспериментов, программно получайте доступ к данным экспериментов

Когда вы являетесь частью команды, и многие люди проводят эксперименты, действительно важно иметь один источник истины для всей вашей команды.

«[Система отслеживания экспериментов] позволяет легко делиться результатами с моими товарищами по команде. Я отправляю им ссылку и говорю, на что смотреть, или создаю представление на панели инструментов экспериментов. Мне не нужно создавать его самому, и все в моей команде имеют к нему доступ ». — Мацей Бартчак, руководитель отдела исследований @Banacha Street


СВЯЗАННЫЕ С
Лучшее программное обеспечение для совместной работы над проектами машинного обучения


Отслеживание экспериментов позволяет вам организовать и сравнить не только ваши прошлые эксперименты, но и увидеть, что пытались сделать все остальные и как это сработало.

Также стало проще делиться результатами.

Современные инструменты отслеживания экспериментов позволяют поделиться своей работой, отправив ссылку на конкретный эксперимент или представление панели мониторинга. Вам не нужно присылать скриншоты или «провести быструю встречу», чтобы объяснить, что происходит в вашем эксперименте. Это экономит массу времени и энергии.

Например, вот ссылка на сравнение экспериментов, которое я провел несколько месяцев назад. Довольно просто, правда?

Помимо совместного использования вещей, которые вы видите в веб-интерфейсе, большинство настроек отслеживания экспериментов позволяют программно получать доступ к метаданным экспериментов. Это пригодится, когда ваши эксперименты и модели переходят от экспериментов к производству.

Например, вы можете подключить инструмент отслеживания экспериментов к платформе CI / CD и интегрировать эксперименты с машинным обучением в рабочий процесс ваших команд. Визуальное сравнение моделей в ветках master и develop (и способ изучения деталей) добавляет еще одну проверку работоспособности перед обновлением производственной модели.


ХОТИТЕ ПОДРОБНЕЕ ПО ЭТОЙ ТЕМЕ?
Подробнее о сотрудничестве над экспериментами машинного обучения с вашей командой ➡️


Смотрите, как работает машинное обучение в реальном времени: управляйте экспериментами из любого места и в любое время

Когда вы тренируете модель на своем локальном компьютере, вы можете в любой момент увидеть, что происходит.Но если ваша модель работает на удаленном сервере на работе, в университете или в облаке, может быть не так просто увидеть , как выглядит кривая обучения, или даже если учебное задание вылетело из строя.

Системы отслеживания экспериментов

решают эту проблему, потому что, хотя разрешение удаленного доступа ко всем вашим данным и серверам может быть серьезным недостатком безопасности, обычно нормально разрешить , позволяя людям видеть ТОЛЬКО метаданные их экспериментов.

Когда вы видите свои текущие эксперименты рядом с вашими предыдущими запусками, вы можете быстро сравнить их и решить, имеет ли смысл продолжать.Вы можете увидеть, что ваше задание облачного обучения завершилось сбоем, и вы можете закрыть его (или исправить ошибку и запустить заново).

Зачем тратить драгоценные часы GPU на то, что не совпадает.

Говоря о графическом процессоре , некоторые инструменты отслеживания экспериментов также отслеживают потребление оборудования . Это может помочь вам увидеть, эффективно ли вы используете свои ресурсы.

Смотрите это представление в приложении

Например, анализ потребления графического процессора с течением времени может помочь вам увидеть, что ваши загрузчики данных работают некорректно или что ваша конфигурация с несколькими графическими процессорами фактически использует только одну карту (что случалось со мной чаще, чем я хотел бы признать) .

«Без информации, имеющейся у меня в разделе мониторинга, я бы не знал, что мои эксперименты выполняются в 10 раз медленнее, чем могли бы. — Михал Кардас, исследователь машинного обучения @TensorCell


ХОТИТЕ ПОДРОБНЕЕ ПО ЭТОЙ ТЕМЕ?
Подробнее о мониторинге экспериментов машинного обучения в реальном времени ➡️


Лучшие практики отслеживания экспериментов

До сих пор мы рассмотрели, что такое отслеживание экспериментов и почему оно важно.

Пора перейти к деталям.

Что следует отслеживать в любом эксперименте с машинным обучением

Как я уже сказал, вид информации, которую вы можете отслеживать, зависит от характеристик проекта.

Тем не менее, есть некоторые вещи, которые вы должны отслеживать независимо от проекта, над которым вы работаете. Это:

  • Код : сценарии предварительной обработки, обучения и оценки, записные книжки, используемые для разработки функций, другие утилиты.Весь код, необходимый для запуска (и повторного запуска) эксперимента.
  • Среда : Самый простой способ отслеживать среду — сохранить файлы конфигурации среды, такие как Dockerfile (Docker), requirements.txt (pip) или conda.yml (conda). Вы также можете сохранить образ Docker в Docker Hub, но я считаю, что сохранять файлы конфигурации проще.
  • Данные : сохранение версий данных (в виде хэша или местоположений в файлах данных) позволяет легко увидеть, на чем была обучена ваша модель.Вы также можете использовать современные инструменты управления версиями данных, такие как DVC (и сохранять файлы .dvc в свой инструмент отслеживания экспериментов).
  • Параметры : сохранение конфигурации запуска абсолютно необходимо. Будьте особенно осторожны при передаче параметров через командную строку (argparse, click, hydra), так как это место, где вы можете легко забыть отслеживать (у меня есть несколько ужасных историй, которыми можно поделиться). Вы можете прочитать эту статью о различных подходах к отслеживанию гиперпараметров.
  • Метрики : ведение журнала оценочных метрик на обучающих, проверочных и тестовых наборах для каждого прогона довольно очевидно.Но разные фреймворки делают это по-разному, поэтому вы можете прочитать эту статью, в которой подробно рассматривается отслеживание метрик в моделях машинного обучения.

Отслеживание этих вещей позволит вам воспроизводить эксперименты, выполнять базовую отладку и понимать, что произошло на высоком уровне.

Тем не менее, вы всегда можете записать больше вещей, чтобы получить еще больше информации.

Что еще можно было отслеживать из

Дополнительные вещи, которые вы, возможно, захотите отслеживать, связаны с типом проекта, над которым вы работаете.

Ниже приведены некоторые из моих рекомендаций для различных типов проектов машинного обучения.

Машинное обучение

  • Вес модели
  • Оценочные диаграммы (кривая ROC, матрица неточностей)
  • Распределения прогнозов

Смотрите это представление в приложении

Глубокое обучение

  • Контрольные точки модели (как во время, так и после обучения)
  • Нормы градиента (для контроля исчезающих или взрывных проблем градиента)
  • Лучшие / худшие прогнозы на проверке / тестовом наборе после обучения
  • Аппаратные ресурсы: особенно полезны при отладке загрузчиков данных и настройки нескольких графических процессоров

Компьютерное зрение

  • Прогнозы модели после каждой эпохи (метки, наложенные маски или ограничивающие рамки)

Смотрите это представление в приложении

Обработка естественного языка

Структурированные данные

  • Снимок входных данных (.head () `для обучающих данных, если вы используете pandas)
  • Важность функций (важность перестановки)
  • Объяснения прогнозирования, такие как SHAP или графики частичной зависимости (все они доступны в DALEX).

Смотрите это представление в приложении

Обучение с подкреплением

  • Возврат эпизода и длина эпизода
  • Общее количество шагов среды, время стены, количество шагов в секунду
  • Потери ценности и функции полиции
  • Агрегированная статистика по нескольким средам и / или запускам

Если вы хотите узнать больше о лучших методах отслеживания экспериментов для обучения с подкреплением, вам действительно стоит прочитать это подробное руководство.

Оптимизация гиперпараметров:

  • Оценка выполнения: показатель, который вы оптимизируете с помощью HPO после каждой итерации
  • Параметры цикла: параметры, проверенные на каждой итерации
  • Лучшие параметры: лучшие параметры на данный момент и лучшие параметры после завершения развертки HPO
  • Таблицы сравнения параметров: есть различные визуализации, которые вы можете регистрировать во время или после обучения, например, график с параллельными координатами или график срезов (кстати, все они доступны в Optuna).

Смотрите это представление в приложении

Как настроить отслеживание эксперимента

Хорошо, это хорошие рекомендации, но как на самом деле реализовать отслеживание экспериментов в своем проекте?

Есть (по крайней мере) несколько вариантов. Самый популярный из них:

  • Таблицы + соглашения об именах
  • Управление версиями файлов конфигурации с помощью Github
  • Использование современных инструментов отслеживания экспериментов

Давай поговорим о них сейчас.

Вы можете использовать электронные таблицы и соглашения об именах (но, пожалуйста, не делайте этого)

Общий подход состоит в том, чтобы просто создать большую электронную таблицу , в которую вы помещаете всю информацию, которую вы можете (метрики, параметры и т. Д.), И структуру каталогов, где вещи названы определенным образом. Эти имена обычно получаются очень длинными, например ‘model_v1_lr01_ batchsize64_ no_preprocessing_ result_accuracy082.h5’ .

Всякий раз, когда вы запускаете эксперимент, вы просматриваете результаты и копируете их в электронную таблицу.

Что в этом плохого?

Если честно, в некоторых ситуациях этого может быть достаточно, чтобы решить ваши проблемы с отслеживанием экспериментов. Возможно, это не лучшее решение, но оно быстрое и простое.

… все может быстро развалиться

Но все может быстро развалиться. Есть (по крайней мере) несколько основных причин, по которым отслеживание экспериментов в электронных таблицах не работает для многих людей:

  • Вы должны не забыть отслеживать их.Если что-то не происходит автоматически, все становится беспорядочно, особенно с большим количеством вовлеченных людей.
  • Вы должны быть уверены, что вы или ваша команда не перезапишете данные в электронной таблице случайно. Таблицы нелегко редактировать, поэтому, если это произойдет, у вас возникнут проблемы.
  • Вы должны не забыть использовать соглашение об именах . Если кто-то из вашей команды испортит это, вы можете не знать, где находятся экспериментальные артефакты (веса моделей, графики производительности) для экспериментов, которые вы проводили.
  • Вы должны создать резервную копию ваших каталогов артефактов (помните, что все ломается).
  • Когда ваша электронная таблица растет, она становится все менее и менее пригодной для использования . Поиск вещей и сравнение сотен экспериментов в электронной таблице (особенно если у вас есть несколько человек, которые хотят использовать его одновременно) — не лучший опыт.

Вы можете версии файлов метаданных в GitHub

Другой вариант — версия всех метаданных вашего эксперимента в Github.

Способ, которым вы можете это сделать, — это зафиксировать показатели, параметры, диаграммы и все, что вы хотите отслеживать, в Github при проведении эксперимента. Это можно сделать с помощью обработчиков post-commit, когда вы автоматически создаете или обновляете некоторые файлы (конфигурации, диаграммы и т. Д.) После завершения эксперимента.

… Github не был создан для… машинного обучения

Может работать в некоторых настройках, но:

    ,
  • .git и Github не предназначены для сравнения объектов машинного обучения.
  • Сравнение более двух экспериментов не сработает . Система Compare in .git была разработана для сравнения двух веток, например, master и develop. Если вы хотите сравнить несколько экспериментов, взгляните на метрики и кривые обучения, которые вам не повезло.
  • Организовать множество экспериментов сложно (если не невозможно). У вас могут быть ветви с идеями или ветвь для каждого эксперимента, но чем больше экспериментов вы запускаете, тем менее полезными они становятся.
  • Вы не сможете отслеживать свои эксперименты в реальном времени , информация будет сохранена после завершения вашего эксперимента.

Что делать вместо этого?

Вы можете использовать один из современных инструментов отслеживания экспериментов

Хотя вы можете попробовать настроить общие инструменты для работы с экспериментами с машинным обучением, вы можете просто использовать одно из решений, созданных специально для отслеживания, организации и сравнения экспериментов.

«В течение первых нескольких десятков прогонов я понял, насколько полным было отслеживание — не только одно или два числа, но и точное состояние кода, снимок модели наилучшего качества, хранящийся в облаке, возможность быстро добавлять заметки по конкретному эксперименту.По сравнению с этим мои старые методы были просто беспорядочными ». — Эдвард Диксон, специалист по данным @intel

У них немного разные интерфейсы, но обычно они работают одинаково:

Шаг 1

Подключитесь к инструменту, добавив фрагмент в свой обучающий код.

Например:

 импортный нептун

neptune.init (...)
neptune.create_experiment () 

Шаг 2

Укажите, что вы хотите регистрировать (или используйте интеграцию фреймворка машинного обучения, которая сделает это за вас):

 нептун.log_metric ('точность', 0,92)

для prediction_image в худшем_predictions:
    neptune.log_image ('худшие прогнозы', prediction_image) 

Шаг 3

Проведите эксперимент как обычно:

 python train.py
 

И все!

Ваш эксперимент регистрируется в центральной базе данных экспериментов и отображается на панели мониторинга эксперимента, где вы можете искать, сравнивать и детализировать любую необходимую информацию.

Смотрите это представление в приложении

Сегодня существует по крайней мере несколько хороших инструментов для отслеживания экспериментов, и я настоятельно рекомендую использовать один из них.Они были разработаны, чтобы рассматривать эксперименты с машинным обучением как первоклассные граждане, и они всегда будут:

  • быть проще в использовании для машинного обучения человека, чем общие инструменты
  • иметь лучшую интеграцию с экосистемой машинного обучения
  • иметь больше ориентированных на эксперименты функций , чем общие решения

ХОТИТЕ ПОДРОБНЕЕ ПО ЭТОЙ ТЕМЕ?
Прочтите, как интегрировать Neptune в вашу кодовую базу ➡️


Следующие шаги

Отслеживание экспериментов — это даже больше, чем инструмент или метод регистрации.Потребуется время, чтобы по-настоящему понять и реализовать:

  • что отслеживать для вашего проекта,
  • как использовать эту информацию для улучшения будущих экспериментов,
  • как улучшить уникальный рабочий процесс ваших команд с ним,
  • когда даже использовать отслеживание экспериментов.

Надеюсь, после прочтения этой статьи вы получите хорошее представление о том, может ли отслеживание экспериментов улучшить ваш (или ваши команды) рабочий процесс машинного обучения.

Хотите начать отслеживать свои эксперименты?

Хотите узнать больше по этой теме?

Вот некоторые дополнительные ресурсы:

Удачных экспериментов!

Якуб Чакон

В основном человек, занимающийся ОД. Создание инструментов MLOps, написание технических материалов, эксперименты с идеями в Neptune.

модель Резерфорда | Определение и факты

Модель Резерфорда , также называемая атомной моделью Резерфорда , ядерный атом или планетарная модель атома , описание структуры атомов, предложенное (1911) физиком из Новой Зеландии Эрнестом Резерфордом.Модель описывала атом как крошечное плотное положительно заряженное ядро, называемое ядром, в котором сосредоточена почти вся масса, вокруг которого на некотором расстоянии циркулирует свет, отрицательные составляющие, называемые электронами, подобно планетам, вращающимся вокруг Солнца. .

Модель атома Резерфорда

Физик Эрнест Резерфорд представил атом как миниатюрную солнечную систему с электронами, вращающимися вокруг массивного ядра, и в основном как пустое пространство, причем ядро ​​занимает лишь очень небольшую часть атома.Нейтрон не был открыт, когда Резерфорд предложил свою модель, в которой ядро ​​состояло только из протонов.

Encyclopædia Britannica, Inc.

Популярные вопросы

Какую модель атома предложил Эрнест Резерфорд?

У атома, по описанию Эрнеста Резерфорда, есть крошечное массивное ядро, называемое ядром. Ядро имеет положительный заряд. Электроны — это частицы с отрицательным зарядом. Электроны вращаются вокруг ядра. Пустое пространство между ядром и электронами занимает большую часть объема атома.

Что такое эксперимент Резерфорда с золотой фольгой?

В кусок золотой фольги попали альфа-частицы, имеющие положительный заряд. Большинство альфа-частиц прошли сквозь него. Это показало, что атомы золота в основном были пустым пространством. У некоторых частиц траектория искривилась под большими углами. Некоторые даже отскочили назад. Это могло произойти только в том случае, если бы внутри атома была небольшая тяжелая область положительного заряда.

Каковы были результаты эксперимента Резерфорда?

Предыдущая модель атома, модель атома Томсона или модель «сливового пудинга», в которой отрицательно заряженные электроны были подобны сливам в положительно заряженном пудинге атома, была опровергнута.Модель атома Резерфорда опиралась на классическую физику. Модель атома Бора, основанная на квантовой механике, построена на модели Резерфорда для объяснения орбит электронов.

Что правильно и неправильно в атомной модели Эрнеста Резерфорда?

Модель атома Резерфорда верна в том, что атом в основном представляет собой пустое пространство. Большая часть массы находится в ядре, и ядро ​​заряжено положительно. Вдали от ядра находятся отрицательно заряженные электроны. Но модель атома Резерфорда использовала классическую физику, а не квантовую механику.Это означало, что электрон, вращающийся вокруг ядра, испускал электромагнитное излучение. Электрон потеряет энергию и упадет в ядро. В модели Бора, использующей квантовую теорию, электроны существуют только на определенных орбитах и ​​могут перемещаться между этими орбитами.

Какое влияние оказала теория Эрнеста Резерфорда?

Эксперимент с золотой фольгой показал, что атом состоит из небольшого массивного положительно заряженного ядра с отрицательно заряженными электронами, находящимися на большом расстоянии от центра.Нильс Бор основывался на модели Резерфорда, чтобы создать свою собственную. В модели Бора орбиты электронов объяснялись квантовой механикой.

Ядро было постулировано как маленькое и плотное, чтобы объяснить рассеяние альфа-частиц на тонкой золотой фольге, как это наблюдалось в серии экспериментов, проведенных студентом Эрнестом Марсденом под руководством Резерфорда и немецкого физика Ганса Гейгера в 1909 году. источник, испускающий альфа-частицы (т.е. положительно заряженные частицы, идентичные ядру атома гелия и в 7000 раз более массивные, чем электроны), был заключен в защитный свинцовый экран.Излучение фокусировалось в узкий пучок после прохождения через щель в свинцовом экране. Перед щелью помещали тонкий срез золотой фольги, а экран, покрытый сульфидом цинка для придания ему флуоресценции, служил счетчиком для обнаружения альфа-частиц. Когда каждая альфа-частица попадала на флуоресцентный экран, он производил вспышку света, называемую сцинтилляцией, которую можно было увидеть в обзорный микроскоп, прикрепленный к задней части экрана. Сам экран был подвижным, что позволяло Резерфорду и его коллегам определять, отклоняются ли какие-либо альфа-частицы золотой фольгой.

Эксперимент Резерфорда с золотой фольгой

В 1909 году Резерфорд опроверг сэра Дж. Дж. Томсоновская модель атома как равномерно распределенного вещества. Поскольку лишь очень немногие из альфа-частиц в его луче рассеивались под большими углами после удара о золотую фольгу, в то время как большинство из них проходило полностью, Резерфорд знал, что масса атома золота должна быть сосредоточена в крошечном плотном ядре.

Encyclopædia Britannica, Inc.

Большинство альфа-частиц проходят прямо через золотую фольгу, что означает, что атомы в основном состоят из открытого пространства.Некоторые альфа-частицы слегка отклонялись, что свидетельствовало о взаимодействии с другими положительно заряженными частицами внутри атома. Еще другие альфа-частицы были рассеяны под большими углами, а очень немногие даже отскочили обратно к источнику. (Позднее Резерфорд сказал знаменитую фразу: «Это было почти так же невероятно, как если бы вы выстрелили 15-дюймовым снарядом по куску папиросной бумаги, а он вернулся и попал в вас».) Только положительно заряженная и относительно тяжелая частица-мишень, такая как предполагаемое ядро, могло объяснить такое сильное отталкивание.Отрицательные электроны, которые электрически уравновешивают положительный заряд ядра, считались движущимися по круговым орбитам вокруг ядра. Электростатическую силу притяжения между электронами и ядром сравнивали с гравитационной силой притяжения между вращающимися планетами и Солнцем. Большая часть этого планетарного атома была открытым космосом и не оказывала сопротивления прохождению альфа-частиц.

Модель Резерфорда вытеснила атомную модель «сливового пудинга» английского физика сэра Дж.Дж. Томсона, в котором электроны были погружены в положительно заряженный атом, как сливы в пудинге. Основанная полностью на классической физике, сама модель Резерфорда через несколько лет была заменена атомной моделью Бора, которая включала некоторую раннюю квантовую теорию.

Получите подписку Britannica Premium и получите доступ к эксклюзивному контенту. Подпишитесь сейчас Редакторы Encyclopaedia Britannica. Последней редакцией и обновлением этой статьи был Эрик Грегерсен, старший редактор.

Узнайте больше в этих связанных статьях Britannica:

Эксперимент FireFlux II: полевой эксперимент на основе модели для улучшения понимания взаимодействия огня с атмосферой и распространения огня

U.S. Forest Service
Забота о земле и служение людям

Министерство сельского хозяйства США


  1. Эксперимент FireFlux II: полевой эксперимент на основе модели для улучшения понимания взаимодействия огня и атмосферы и распространения огня

    Автор (ы): Крейг Б. Клементс; Адам К. Кочанский; Дайсуке Сето; Бранифф Дэвис; Кристофер Камачо; Нил П. Ларо; Джонатан Контезак; Джозеф Рестайно; Уоррен Э.Heilman ; Стивен К. Крюгер; Брет Батлер ; Роджер Д. Оттмар ; Роберт Вихнанек; Джеймс Флинн; Жан-Батист Филиппи; Туссен Барбони; Дайан Э. Холл; Ян Мандель; Мэри Энн Дженкинс; Джозеф О’Брайен ; Бен Хорнсби ; Кейси Теске
    Дата: 2019
    Источник: International Journal of Wildland Fire. 28: 308-326.
    Серия публикаций: Научный журнал (JRNL)
    Станция: Северная исследовательская станция
    PDF: Скачать публикацию (3.0 MB)

    Описание Эксперимент FireFlux II был проведен 30 января 2013 года в высокотравной прерии на юго-востоке Техаса в условиях регионального запрета на сжигание и в условиях высокой пожароопасности. Целью эксперимента было лучше понять микрометеорологические аспекты распространения огня. План эксперимента основывался на использовании связанной модели пожара и атмосферы, которая заранее предсказывала распространение пожара. Предварительные результаты показывают, что после возгорания возникло возмущение поверхностного давления, которое усилилось по мере развития фронта пожара и шлейфа, что привело к увеличению скорости ветра на фронте пожара.Вызванный огнем ветер переносил горячие дымовые газы вперед и по ветру от фронта пожара, что приводило к ускорению воздуха через фронт пламени. В целом, в ходе эксперимента был собран большой набор микрометеорологических данных, данных о химическом составе воздуха и поведении при пожаре, которые могут предоставить исчерпывающий набор данных для оценки и тестирования связанных систем моделей пожара и атмосферы.

    Примечания к публикации
    • Посетите веб-сайт Северной исследовательской станции, чтобы запросить печатную копию этой публикации.
    • Наши онлайн-публикации сканируются и записываются с помощью Adobe Acrobat.
    • В процессе захвата могут возникнуть опечатки.
    • Пожалуйста, свяжитесь с Шэрон Хобрла, [email protected], если вы заметите какие-либо ошибки, которые делают эту публикацию непригодной для использования.
    • Мы рекомендуем вам также распечатать эту страницу и прикрепить ее к распечатке статьи, чтобы сохранить полную информацию о цитировании.
    • Эта статья была написана и подготовлена ​​государственными служащими США в официальное время и поэтому находится в открытом доступе.

    Цитирование Clements, Craig B .; Кочанский, Адам К .; Сето, Дайсуке; Дэвис, Бранифф; Камачо, Кристофер; Lareau, Neil P .; Контезак, Джонатан; Рестайно, Джозеф; Heilman, Warren E .; Крюгер, Стивен К .; Батлер, Брет; Оттмар, Роджер Д.; Вихнанек, Роберт; Флинн, Джеймс; Филиппи, Жан-Батист; Барбони, Туссен; Холл, Дайан Э .; Мандель, Ян; Дженкинс, Мэри Энн; О’Брайен, Джозеф; Хорнсби, Бен; Теске, Кейси. 2019. Эксперимент FireFlux II: полевой эксперимент на основе модели для улучшения понимания взаимодействия огня и атмосферы и распространения огня.Международный журнал лесных пожаров. 28: 308-326.

    Процитировано

    Ключевые слова FireFlux II, взаимодействие огня и атмосферы, распространение огня, микрометеорологические аспекты

    Связанный поиск
    XML: Просмотр XML

Показать больше

Показать меньше

https://www.fs.usda.gov/treesearch/pubs/57955

Эксперимент с куклой Бобо Бандуры по социальному обучению

Приводит ли насилие, которое дети наблюдают в телевизионных программах, фильмах и видеоиграх, к агрессивному поведению? Сегодня это острый вопрос, но он также вызывал большой интерес в 1960-х годах, когда психолог провел эксперимент, известный как эксперимент с куклой Бобо, чтобы определить, как дети учатся агрессии посредством наблюдения.

Фон

Приучены ли агрессия и насилие к поведению? В известном и влиятельном эксперименте, известном как эксперимент с куклой Бобо, Альберт Бандура и его коллеги продемонстрировали один способ, которым дети учатся агрессии.

Согласно теории социального обучения Бандуры, обучение происходит посредством наблюдений и взаимодействия с другими людьми. По сути, люди учатся, наблюдая за другими, а затем имитируя эти действия.

Агрессия лежит в основе многих социальных недугов, от межличностного насилия до войны.Поэтому неудивительно, что этот предмет является одним из наиболее изучаемых в психологии. Социальная психология — это подраздел, посвященный изучению человеческого взаимодействия и группового поведения, и ученые, работающие в этой области, провели большую часть исследований человеческой агрессии.

Эксперимент с куклой Бобо

Эксперимент включал в себя знакомство детей с двумя разными взрослыми моделями; агрессивная модель и неагрессивная. После наблюдения за поведением взрослых детей помещали в комнату без модели и наблюдали, чтобы увидеть, будут ли они имитировать поведение, свидетелями которого они были ранее.

Прогнозы

Бандура сделал несколько ключевых предсказаний о том, что произойдет во время эксперимента с куклой Бобо.

  • Мальчики будут вести себя более агрессивно, чем девочки.
  • Дети, которые наблюдали агрессивное поведение взрослого, скорее всего, будут действовать агрессивно даже в отсутствие взрослой модели.
  • Дети с большей вероятностью будут подражать моделям своего пола, чем образцам противоположного пола.
  • Дети, которые наблюдали неагрессивную модель взрослых, будут менее агрессивными, чем дети, которые наблюдали агрессивную модель; группа неагрессивного воздействия также будет менее агрессивной, чем контрольная группа.

Методология

Участниками эксперимента стали 36 мальчиков и 36 девочек, обучающихся в детском саду Стэнфордского университета. Возраст детей составлял от 3 до почти 6 лет, а средний возраст участников составлял 4 года 4 месяца.

Всего было восемь экспериментальных групп. Из этих участников 24 были отнесены к контрольной группе, которая не будет представлена ​​взрослым моделям. Остальные дети были разделены на две группы по 24 участника в каждой.Одна из экспериментальных групп будет представлена ​​агрессивным моделям, а остальные 24 ребенка — неагрессивным моделям.

Эти группы снова были разделены на группы мальчиков и девочек. Затем каждая из этих подгрупп была разделена таким образом, чтобы половина участников познакомилась с моделью взрослого одного пола, а другая половина — с моделью взрослого человека противоположного пола.

Перед проведением эксперимента Бандура также оценил уровень агрессии у детей.Затем группы были сопоставлены в равной степени, чтобы у них был средний уровень агрессии.

Процедуры

Каждый ребенок проходил индивидуальное тестирование, чтобы убедиться, что на его поведение не повлияют другие дети. Сначала ребенка привели в игровую комнату, где было несколько различных заданий для изучения. Затем экспериментатор пригласил в игровую комнату взрослую модель и предложил модели сесть за стол напротив ребенка, который выполнял аналогичные действия.

Через десять минут взрослые модели начали играть с наборами игрушек.В неагрессивном состоянии взрослая модель просто играла с игрушками и все время игнорировала куклу Бобо. Однако в агрессивных модельных условиях взрослые модели яростно нападали на куклу Бобо.

«Модель положила Бобо на бок, села на него и несколько раз ударила его по носу. Затем модель подняла куклу Бобо, подняла молоток и ударила куклу по голове. После агрессии молотка модель агрессивно подбросил куклу в воздух и стал пинать ее по комнате.Эта последовательность физически агрессивных действий повторялась трижды, перемежаясь вербальными агрессивными реакциями ».

Помимо физической агрессии, взрослые модели также использовали словесно-агрессивные фразы, такие как «Kick him» и «Pow». Модели также добавили две неагрессивные фразы: «Он, конечно, крутой парень» и «Он снова и снова возвращается».

После десятиминутного воздействия на взрослую модель каждого ребенка отвели в другую комнату, в которой было несколько привлекательных игрушек, включая кукольный набор, пожарную машину и игрушечный самолетик.Детям разрешили поиграть в течение коротких двух минут, а затем сказали, что им больше не разрешают играть ни с одной из этих заманчивых игрушек. Целью этого было повышение уровня разочарования среди молодых участников.

Наконец, каждого ребенка отвели в последнюю экспериментальную комнату. В этой комнате было несколько «агрессивных» игрушек, включая молоток, трос с нарисованным на нем лицом, дротики и, конечно же, куклу Бобо. В комнате также было несколько «неагрессивных» игрушек, в том числе мелки, бумага, куклы, пластмассовые животные и грузовики.

Затем каждому ребенку разрешили поиграть в этой комнате в течение 20 минут. В течение этого времени оценщики наблюдали за поведением ребенка из-за одностороннего зеркала и оценивали уровень агрессии каждого ребенка.

Результаты

Результаты эксперимента подтвердили три из четырех исходных прогнозов.

  • Бандура и его коллеги предсказали, что дети из неагрессивной группы будут вести себя менее агрессивно, чем дети из контрольной группы.Результаты показали, что, хотя дети обоих полов в неагрессивной группе действительно проявляли меньшую агрессию, чем в контрольной группе, мальчики, которые наблюдали модель противоположного пола, ведут себя неагрессивно, с большей вероятностью, чем дети в контрольной группе, участвовали. в насилии.
  • Дети, подвергшиеся воздействию модели насилия, как правило, имитировали точное поведение, которое они наблюдали, когда взрослого больше не было.
  • Исследователи не ошиблись в своем прогнозе, что мальчики будут вести себя более агрессивно, чем девочки.Мальчики совершали более чем в два раза больше актов физической агрессии, чем девочки.
  • Существовали важные гендерные различия, когда дело дошло до того, соблюдалась ли модель однополого или противоположного пола. Мальчики, наблюдавшие за агрессивным поведением взрослых мужчин, подверглись большему влиянию, чем те, кто наблюдал за агрессивным поведением женщин-моделей. Интересно, что экспериментаторы обнаружили в однополых агрессивных группах мальчики с большей вероятностью имитировали физические акты насилия, а девочки с большей вероятностью имитировали словесную агрессию.

Воздействие и последующие действия

Результаты эксперимента подтвердили теорию социального обучения Бандуры. Бандура и его коллеги считали, что эксперимент демонстрирует, как можно научиться определенному поведению посредством наблюдения и имитации. Авторы также предположили, что «социальное подражание может ускорить или сократить приобретение нового поведения без необходимости подкреплять последовательные приближения, как предполагает Скиннер».

По словам Бандуры, жестокое поведение взрослых моделей по отношению к куклам заставило детей поверить в то, что такие действия допустимы.Он также предположил, что в результате дети могут быть более склонны реагировать на разочарование агрессией в будущем.

В последующем исследовании, проведенном в 1965 году, Бандура обнаружил, что, хотя дети с большей вероятностью будут имитировать агрессивное поведение, если взрослая модель была вознаграждена за его или ее действия, они с гораздо меньшей вероятностью будут имитировать, если увидят, что взрослая модель наказывается или получил выговор за враждебное поведение.

Комментарии и критика

Как и любой эксперимент, исследование куклы Бобо не обходится без критики:

  • Жестокие действия по отношению к кукле сильно отличаются от демонстрации агрессии или насилия в отношении другого человека в реальном мире.
  • Поскольку эксперимент проводился в лабораторных условиях, некоторые критики предполагают, что результаты, наблюдаемые в таких местах, могут не свидетельствовать о том, что происходит в реальном мире.
  • Также было высказано предположение, что на самом деле у детей не было мотивации проявлять агрессию, когда они ударяли куклу Бобо; вместо этого они, возможно, просто пытались доставить удовольствие взрослым.
  • Поскольку данные были собраны немедленно, также трудно понять, каковы могли быть долгосрочные последствия.
  • Некоторые критики утверждают, что само исследование было неэтичным. Они утверждают, что манипулируя детьми, заставляя их вести себя агрессивно, экспериментаторы по сути учили детей быть агрессивными.
  • Исследование может пострадать из-за систематической ошибки отбора. Все участники были выбраны из узкого круга студентов, которые имеют одинаковое расовое и социально-экономическое происхождение. Это затрудняет обобщение результатов на более крупную и разнообразную популяцию.

Слово Verywell

Эксперимент Бандуры остается одним из самых известных исследований в психологии.Сегодня социальные психологи продолжают изучать влияние наблюдаемого насилия на поведение детей. За десятилетия, прошедшие после эксперимента с куклой Бобо, были проведены сотни исследований того, как наблюдение за насилием влияет на поведение детей.

Сегодня исследователи продолжают размышлять над вопросом о том, трансформируется ли насилие, которое дети становятся свидетелями по телевидению, в фильмах или в видеоиграх, в агрессивное или агрессивное поведение в реальном мире.

.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *