คำตอบที่ได้มุ่งเน้นไปที่ข้อมูลตัวเองซึ่งทำให้รู้สึกกับเว็บไซต์นี้อยู่และข้อบกพร่องเกี่ยวกับมัน
แต่ฉันเป็นนักระบาดวิทยาทางคอมพิวเตอร์ / คณิตศาสตร์โดยการเอียงดังนั้นฉันจะพูดเกี่ยวกับตัวแบบนี้ด้วยเช่นกันเพราะมันเกี่ยวข้องกับการอภิปรายด้วย
ในใจของฉันปัญหาที่ใหญ่ที่สุดกับกระดาษไม่ใช่ข้อมูลของ Google แบบจำลองทางคณิตศาสตร์ในการระบาดวิทยาจัดการกับข้อมูลที่ยุ่งเหยิงตลอดเวลาและในใจของฉันปัญหาที่เกิดขึ้นกับมันอาจได้รับการแก้ไขด้วยการวิเคราะห์ความไวตรงไปตรงมา
ปัญหาที่ใหญ่ที่สุดสำหรับฉันก็คือนักวิจัยได้ "ถึงวาระสู่ความสำเร็จ" ซึ่งเป็นสิ่งที่ควรหลีกเลี่ยงในการวิจัย พวกเขาทำสิ่งนี้ในรูปแบบที่พวกเขาตัดสินใจที่จะพอดีกับข้อมูล: แบบจำลอง SIR มาตรฐาน
โดยสังเขปรูปแบบ SIR (ซึ่งย่อมาจากความอ่อนแอ (S) ติดเชื้อ (I) กู้คืน (R)) เป็นชุดของสมการเชิงอนุพันธ์ที่ติดตามสถานะสุขภาพของประชากรในขณะที่มันเป็นโรคติดเชื้อ บุคคลที่ติดเชื้อจะทำปฏิกิริยากับคนที่อ่อนแอและติดเชื้อแล้วจากนั้นก็ย้ายไปที่หมวดที่หาย
นี่จะสร้างเส้นโค้งที่มีลักษณะดังนี้:
สวยใช่มั้ย และใช่อันนี้สำหรับการระบาดของโรคผีดิบ เรื่องยาว.
ในกรณีนี้เส้นสีแดงคือสิ่งที่ถูกจำลองเป็น "ผู้ใช้ Facebook" ปัญหาคือ:
ในรูปแบบเซอร์ขั้นพื้นฐานระดับที่ฉันจะได้และหลีกเลี่ยงไม่ได้ asymptotically เข้าใกล้ศูนย์
มันจะต้องเกิดขึ้น ไม่สำคัญว่าคุณกำลังสร้างแบบจำลองซอมบี้, หัด, Facebook หรือ Stack Exchange ฯลฯ หากคุณสร้างแบบจำลองด้วย SIR ข้อสรุปที่หลีกเลี่ยงไม่ได้คือประชากรในชั้นติดเชื้อ (I) ลดลงเหลือศูนย์ประมาณ
มีส่วนขยายที่ตรงไปตรงมาอย่างมากสำหรับโมเดล SIR ที่ทำให้สิ่งนี้ไม่เป็นความจริง - คุณสามารถมีคนในคลาสกู้คืน (R) กลับมาเป็นคนอ่อนแอ (S) (โดยหลักแล้วนี่คือคนที่ทิ้ง Facebook ไว้จาก "ฉัน ไม่เคยย้อนกลับ "เป็น" ฉันอาจกลับไปซักวันหนึ่ง ") หรือคุณอาจมีผู้คนใหม่ ๆ เข้ามาในประชากร
น่าเสียดายที่ผู้เขียนไม่เหมาะกับโมเดลเหล่านั้น นี่คือปัญหาที่เกิดขึ้นอย่างกว้างขวางในการสร้างแบบจำลองทางคณิตศาสตร์ แบบจำลองทางสถิติคือความพยายามในการอธิบายรูปแบบของตัวแปรและการโต้ตอบภายในข้อมูล แบบจำลองทางคณิตศาสตร์เป็นการยืนยันเกี่ยวกับความเป็นจริง คุณสามารถรับแบบจำลอง SIR ให้พอดีกับสิ่งต่าง ๆ มากมาย แต่ตัวเลือกแบบจำลอง SIR ของคุณก็เป็นสิ่งยืนยันถึงระบบเช่นกัน กล่าวคือเมื่อมันถึงจุดสูงสุดมันจะมุ่งหน้าไปที่ศูนย์
อนึ่ง บริษัท อินเทอร์เน็ตใช้รูปแบบการเก็บข้อมูลของผู้ใช้ที่มีลักษณะเหมือนแบบจำลองโรคระบาด แต่ก็มีความซับซ้อนมากกว่าแบบที่นำเสนอในบทความ