Modèle mécaniste empirique

Deux problèmes majeurs surviennent: 1. les modèles descriptifs ne sont-ils pas des modèles plus abstraits sur le cadran de détail? 2. les détails ne sont-ils pas différents pour les différentes questions et objectifs? Y at-il vraiment n`importe quel genre d`échelle de détail «absolu»? Cependant, un tel réductionnisme n`est vraiment complet que lorsque l`on peut prendre les parties mécanistes et reconstruire la fonction du système complet. Cette dernière étape est vraiment le pervision de la modélisation computationnelle, qui permet de simuler précisément les mécanismes constitutifs d`une manière entièrement contrôlée et explicite, et de mesurer toutes les propriétés du système résultant. On peut ensuite utiliser le modèle pour générer de nouvelles prédictions, qui, si elles sont confirmées, prêtent encore plus d`habileté à l`idée que le modèle capture les caractéristiques essentielles du système. Quelqu`un pourrait-il illustrer cette différence avec un court exemple. J`ai utilisé et de comprendre les principes d`un modèle statistique (régression multiple, etc), mais n`ont pas rencontré des exemples simplistes d`un modèle mécanistique et je ne comprends pas ce que la différence serait dans la pratique. L`approche actuellement populaire de la modélisation descriptive du comportement est basée sur le cadre bayésien (voir modélisation des cultures pour plus de détails). La logique clé derrière cette approche est que vous n`avez pas à se soucier exactement comment le cerveau fonctionne mécanistiquement, vous avez juste besoin de croire qu`il est à peu près optimal dans ce qu`il fait. Le cadre bayésien fournit divers moyens optimaux d`intégrer l`information bruyante et probabaliste, et sans doute c`est beaucoup de ce que le cerveau fait. Compte tenu des différents succès de cette approche, il est clair que le cadre bayésien fournit une bonne caractérisation globale de certains aspects du comportement humain. Cependant, parce qu`elle évite une prise en compte minutieuse des mécanismes sous-jacents, il n`y a aucune garantie qu`elle fournira une description exacte, car le niveau de détail est augmenté, et en effet, certains travaux récents sur l`apprentissage moteur montrent qu`un modèle bayésien n`est pas précis à certains égards importants.

En fin de compte, toute approche qui désavouait explicitement l`approche mécaniste semblerait le faire à ses risques considérables. Cela étant dit, je ne pense pas que les deux concepts s`excluent mutuellement. Certains modèles mécanistiques/biophysiques peuvent également être statistiques en même temps. Il s`agit d`avoir suffisamment de données et de contraintes pour être en mesure d`adapter le modèle ou non. Dans cet exemple, vous pouvez penser à un modèle mécaniste comme juste un modèle plus détaillé. Ce n`est pas toujours vrai, mais c`est peut-être souvent le cas. Il est très possible de créer un modèle descriptif plus détaillé qui peut avoir diverses non-linéarités et des dépendances temporelles qui pourraient finir par décrire le résultat net de tous les éléments mécaniques sous-jacents, mais sans une certaine attention particulière à réellement comprendre les mécanismes sous-jacents et en reliant les éléments des équations à eux, ce n`est pas un modèle mécaniste. Un modèle mécaniste est celui où les éléments de base du modèle ont une correspondance directe avec les mécanismes sous-jacents du système modélisé. Les modèles empiriques reposent sur l`observation directe, la mesure et des enregistrements de données étendus.

Les modèles mécanistiques sont basés sur une compréhension du comportement des composants d`un système. Par exemple, vous pouvez observer le changement des marées sur de nombreuses années, et construire un modèle empirique qui vous permet de prédire quand les marées se produiront, sans comprendre comment la terre, la lune et le soleil interagissent. Vous pouvez également créer un modèle mathématique et mécanistique qui utilise les lois de la physique pour prédire les marées. Bien que ce type de convergence soit possible, il semble généralement improbable, d`autant plus que la nature du système sous-jacent devient plus complexe.