Uncertainty, sensitivity and scenario analysis: how do they fit together?
Notice bibliographique
Résumé
Dealing with uncertainty is becoming increasingly important in model-based decision support.Various methods have been developed in order to do this, including uncertainty, sensitivity and scenario analysis.Although these different methods serve their purpose, the availability of a large number of methods can make it difficult for practitioners to understand the similarities and differences between them and when the use of one is more suitable than another, resulting in confusion.In addition, researchers often identify with belonging to a group dealing with a particular approach, which can lead to a lack of crossfertilisation and understanding.In order to assist with bridging the gap between researchers working on different approaches to dealing with uncertainty and eliminate confusion for practitioners, the objective of this paper is to examine the relationship between uncertainty, sensitivity and scenario analysis in the context of model-based decision support, and to take the first steps towards establishing common ground between these methods and assess the contexts under which they are most suitable.This is achieved by conceptualising the various methods as different approaches to "sampling" the hyperspace of model inputs, although this is done from different perspectives and for different ends (Figure 1).It is therefore also necessary to think about the assumptions each method is making about the space being explored, and there are benefits to be gained in thinking about how best to sample the space for each purpose.The approaches identified in this conference paper provide a first level of coarse characterisations.Further refinements in categorisation is possible (with the differentiation between narrative and stress testing scenarios as a first example), and likely to be useful.There are connections to be made to other disciplines, such as philosophy and decision theory, regarding the assumptions each method makes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,074 | 0,181 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,003 |
| Bibliométrie | 0,018 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,016 |
| Communication savante | 0,023 | 0,051 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,010 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».