지금까지의 해답은 데이터 자체 에 중점을 두 었으며 이는 현재 사이트와 그에 대한 결함에 적합합니다.
그러나 나는 성향에 의한 계산 / 수학적 역학 학자이므로 토론과 관련이 있기 때문에 모델 자체에 대해서도 조금 이야기 할 것입니다.
제 생각에이 논문의 가장 큰 문제 는 Google 데이터 가 아닙니다 . 역학의 수학적 모델은 항상 지저분한 데이터를 처리하며, 내 생각에는 상당히 간단한 감도 분석으로 해결할 수 있습니다.
나에게 가장 큰 문제는 연구자들이 연구에서 항상 피해야하는 "성공에 두려웠다"는 것이다. 그들은 데이터에 적합하기로 결정한 모델, 즉 표준 SIR 모델에서이를 수행합니다.
간단히 말해, SIR 모델 (감수성 (S) 감염성 (I) 회복됨 (R))은 감염성 질병을 겪을 때 인구의 건강 상태를 추적하는 일련의 미분 방정식입니다. 감염된 개인은 감수성이있는 개인과 상호 작용하여 감염시킨 다음 복구 된 범주로 이동합니다.
다음과 같은 곡선이 생성됩니다.
아름답 지 않습니까? 그리고 네, 이것은 좀비 전염병입니다. 긴 이야기.
이 경우 빨간색 선은 "Facebook 사용자"로 모델링되는 것입니다. 문제는 이것입니다 :
기본 SIR 모델에서 I 클래스는 결국 무의식적으로 zero에 접근합니다 .
반드시 일어나야합니다. 좀비, 홍역, Facebook 또는 Stack Exchange 등을 모델링하는 것은 중요하지 않습니다. SIR 모델로 모델링하는 경우 불가피한 결론은 감염성 (I) 클래스의 인구가 약 0으로 떨어집니다.
SIR 모델에 대해 매우 직관적 인 확장 기능이있어이를 사실로 만들지 못합니다. 회복 된 (R) 클래스의 사람들을 다시 감수성 (S)으로 되돌릴 수 있습니다 (실제로 이것은 페이스 북을 "I 'm에서 다시 돌아 가지 않을 것 "으로 돌아가거나"언젠가 다시 갈 수도 있습니다 "), 또는 새로운 사람들이 인구에 들어 오게 할 수도 있습니다 (티미와 클레어가 처음으로 컴퓨터를 가져 오는 일은 거의 없을 것입니다).
불행하게도, 저자는 이러한 모델에 적합하지 않았습니다. 이것은 우연히 수학적 모델링에서 널리 퍼져있는 문제입니다. 통계 모델은 변수 패턴과 데이터 내에서의 상호 작용을 설명하려는 시도입니다. 수학적 모델은 현실에 대한 주장 입니다. SIR 모델을 많은 것에 맞출 수 있지만 SIR 모델을 선택 하는 것도 시스템에 대한 주장입니다. 즉, 정점에 도달하면 0으로 향합니다.
또한 인터넷 회사는 전염병 모델과 비슷하게 보이는 사용자 유지 모델을 사용하지만이 문서에 제시된 것보다 훨씬 더 복잡합니다.