Wat hebben gezondheidsverschillen, de energietransitie en klimaatverandering met elkaar gemeen? Het zijn complexe problemen die voortkomen uit vele op elkaar inwerkende factoren op meerdere niveaus –van cellen, tot individuen, tot samenlevingen. Simulatiemodellen zijn nodig om voorspellingen te doen en interventies te ontwerpen voor complexe problemen, maar er is een probleem: er zullen nooit genoeg numerieke data op alle niveaus tegelijk zijn om simulatiemodellen te maken.

Publicatie

Een team van onderzoekers, elk bezig met complexe problemen en verbonden aan het Institute for Advanced Study van de Universiteit van Amsterdam, ontwikkelde een nieuwe systematische methodologie om expertkennis, als aanvulling op numerieke data, op te nemen in de ontwikkeling van simulatiemodellen om complexe problemen aan te pakken. De onderzoekers publiceerden hun nieuwe methodologie in het tijdschrift Psychological Methods.

Simulatiemodel

Ten eerste: waarom zouden we simulatiemodellen nodig hebben om de complexe problemen van onze samenleving aan te pakken? Loes Crielaard van de afdeling Sociale Geneeskunde van het Amsterdam UMC legt uit: ‘Complexe problemen worden meestal niet bestudeerd met simulatiemodellen omdat ze voortkomen uit veel op elkaar inwerkende factoren op meerdere niveaus, wat het ontwikkelen van simulatiemodellen bemoeilijkt. Maar het feit dat er zoveel factoren en niveaus bij betrokken zijn, is ook precies de reden waarom simulatiemodellen belangrijk zijn om complexe problemen te analyseren. Het zou voor ons mensen onmogelijk zijn om te redeneren over of berekeningen te maken voor problemen die zo complex zijn – we hebben een computer nodig om dat voor ons te doen. Simulatiemodellen zijn belangrijke instrumenten om voorspellingen te doen en interventies te ontwerpen in complexe contexten waar veel tegelijk gebeurt. Daarom gebruiken we ze bijvoorbeeld om het weer te voorspellen, verkeersstromen te overzien, COVID-19-beleid te ontwikkelen en voorspellingen te doen over de opwarming van de aarde in verschillende scenario’s in het Intergovernmental Panel on Climate Change (IPCC).’

Numerieke gegevens

Simulatiemodellen zijn belangrijk om de complexe problemen onze samenleving aan te pakken, maar het is niet eenvoudig om simulatiemodellen te ontwikkelen voor dergelijke complexe contexten. Dr. Rick Quax van het Computational Science Lab (CSL) ‘Van oudsher zijn numerieke gegevens belangrijke bouwstenen voor de ontwikkeling van simulatiemodellen, eventueel gecombineerd met methodologieën als machine learning. We weten heel goed hoe dat moet. Numerieke gegevens alleen zijn echter niet altijd voldoende. Sommige dingen zijn gewoon niet te vangen met numerieke gegevens. Een voorbeeld is het concept 'sociale ongelijkheid': het bestaat eigenlijk uit veel verwante concepten, zoals toegang tot gezondheidszorg of onderwijs, en is sterk contextafhankelijk, wat betekent dat één maatstaf voor sociale ongelijkheid in een regio of land misschien niet van toepassing in een ander. In deze scenario's kunnen we het beste de numerieke gegevens aanvullen met kwalitatieve expertkennis - maar daar hebben we geen systematische methodologieën voor.’

Expertkennis

We hebben methodologieën nodig die kunnen compenseren voor een tekort aan numerieke gegevens om simulatiemodellen te ontwikkelen voor de complexe problemen van onze samenleving. Het team ontwikkelde een dergelijke methodologie, waarvan het eerste deel bestaat uit een gestructureerde procedure om experts alles te vragen wat ze weten over een complex probleem dat kan helpen het te simuleren. Het tweede deel beschrijft in detail hoe deze expertkennis vervolgens daadwerkelijk kan worden omgezet in een simulatiemodel met behulp van computationele modelleringstechnieken. Het eindproduct is een simulatiemodel op een computer dat vragen kan beantwoorden over wat er in de toekomst zou kunnen gebeuren en hoe dat zou kunnen veranderen als we proberen in te grijpen. In deze methodologie compenseert expertkennis dus voor numerieke data als bouwsteen voor de ontwikkeling van simulatiemodellen.

Verschillende achtergronden

Het team van onderzoekers van het Institute of Advanced Study heeft ervaring met complexe problemen zoals obesitas, ongelijkheden in chronische stress, de ziekte van Alzheimer en eenzaamheid en houdt zich bijvoorbeeld bezig met pandemiebeheersing en georganiseerde misdaad. Samen hebben ze veel ervaring met het werken met experts met verschillende achtergronden aan complexe problemen. Jeroen Uleman van de afdeling Geriatrie van het Radboud UMC legt uit: ‘De experts waren enthousiast toen we hen uitnodigden om alle factoren uit elk van hun vakgebieden bij elkaar te brengen. Het gelijktijdig observeren van alle factoren en hun interacties was niet iets dat ze konden doen met behulp van traditionele methodologieën.’ Bas Châtel van de afdeling Geriatrie van het Radboud UMC vult aan: ‘We zagen dit als een bevestiging van de duidelijke behoefte aan onze methodologie. Hoe gaan we complexe problemen aanpakken die op meerdere niveaus werken en meerdere disciplines raken, als iedereen alleen blijft werken aan zijn specifieke deelprobleem?’

Research informatie

Artikel in APA PsycNet: Refining the Causal Loop Diagram: A Tutorial for Maximizing the Contribution of Domain Expertise in Computational System Dynamics Modeling.