Die Unterschiede zwischen den Roboterexperimenten und den menschlichen Experimenten in den Zeitreihen, den FRFs und den geschätzten Parametern waren größer als die zwischen Computersimulationen und menschlichen Experimenten. Ein wahrscheinlicher Grund dafür ist, dass die mechanischen Komponenten des Roboters zusätzliche Ungenauigkeiten aufgrund von Totzonen, Reibung usw. verursachen, die im Steuerungsmodell des Roboters unberücksichtigt blieben. Die Fähigkeit des IC-Modells, den Roboter trotz dieser unüberlegten Effekte zu stabilisieren, deutet auf eine erhebliche Robustheit des Steuerungsmechanismus hin. Diese Robustheit ist auch ein wichtiger Aspekt bei der Kontrolle des menschlichen Gleichgewichts, was den Beweis dafür, dass die Kontrolle des menschlichen Gleichgewichts durch einen so einfachen Rückkopplungsmechanismus, wie er im IC-Modell beschrieben wird, erklären kann, weiter unterstützt. Für jede Bedingung der experimentellen Daten wurde ein lineares Modell angepasst, um das Gleichgewichtsverhalten zu beschreiben. Die hohen VAF des Modells passt darauf hin, dass das Modell die Daten gut erklärt. Die geschätzten Parameter, die aus menschlichen Experimenten gewonnen wurden, sind mit früheren Studien vergleichbar und zeigen eine sensorische Neugewichtung, d. h. eine Änderung der Verwendung sensorischer Informationen (z. B. Abnahme des Propriozeptivgewichts) mit sich ändernder Störamplitude und sensorischem Zustand (d.

h. mit zunehmender Störungsamplitude und Öffnung der Augen; Peterka, 2002; Cenciarini und Peterka, 2006; Pasma et al., 2015). Auch eine Erhöhung der reflexiven Steifigkeit wurde mit zunehmender Störamplitude festgestellt, die mit früheren Studien im Überein steht (Peterka, 2002). Sobald die mathematischen Modellierungsstudien weitgehend charakterisiert sind und ihr Zweck bestimmt wurde, ist es wichtig, ein besseres Verständnis über einige der Begriffe zu gewinnen, die verwendet werden, um die technischen Aspekte des in einer Studie verwendeten Modells zu beschreiben. Wurde beispielsweise die Heterogenität zwischen verschiedenen Individuen einbezogen oder welche Simulationsmethoden wurden verwendet, um die Modellergebnisse zu erhalten? Die folgende Liste enthält einige der am häufigsten verwendeten Begriffe in mathematischen Modellierungsstudien in verschiedenen Bereichen der Epidemiologie. Die Begriffe in Abschnitt 3.1 werden bei der Bewertung der technischen Aspekte im Zusammenhang mit der Modellentwicklung und -struktur helfen. Die Begriffe in Abschnitt 3.2 beziehen sich auf die Modellkalibrierung und -validierung. Modell dichotomies, die den Umfang und die Ansätze zu mathematischen Modellen in der Epidemiologie von Infektionskrankheiten beschreiben Ein Begriff, der Prozesse beschreibt, um zu beurteilen, wie gut ein Modell funktioniert und wie anwendbar die Ergebnisse auf eine bestimmte Situation sind.26 Es gibt fünf Haupttypen der Validierung: Gesichtsvalidierung (subjektives Expertenurteil darüber, wie gut das Modell das Problem darstellt, das es anspricht); interne Validierung (interne Konsistenz, Überprüfung und Adressaten, ob sich das Modell wie beabsichtigt verhält und ordnungsgemäß implementiert wurde); Kreuzvalidierung (konvergente Gültigkeit, Modellergebnisse werden durch andere Modelle bestätigt); externe Validierung (Modellergebnisse prognostizieren Ergebnisse, die in einer realen Umgebung oder in einem Datensatz erzielt wurden, der sich von dem für die Modellentwicklung verwendeten unterscheidet); Die vorausschauende Validierung (modellvorhergesagte Ereignisse werden später durch reale Beobachtungen bestätigt).7, 27 Ein Vorhersagemodell kann zukünftige Ereignisse vorhersagen, wie z. B. den Verlauf einer Epidemie in einer bestimmten Population unter verschiedenen Szenarien, während ein beschreibendes Modell zuvor beobachtete Phänomene beschreibt und/oder erklärt, wie die Wirksamkeit vergangener Interventionen. Quantitative Modelle liefern eine numerische Schätzung eines Interventionseffekts auf Modellvariablen und sind daher auf hochwertige Daten angewiesen, um die Modellparameter zu informieren. Qualitative Modelle sind in der Regel relativ einfache Modelle, die nur Einblicke in die Richtung eines Effekts geben, aber nicht seine genaue Größe.

Dennoch können sie verwendet werden, um die Zusammenhänge zwischen Modellvariablen und den Einfluss spezifischer Parameter auf die Gesundheitsergebnisse gründlich zu untersuchen (siehe auch Analytische Lösung). Qualitative Modelle können auch nützlich sein, um das Potenzial für unbeabsichtigte Folgen von Interventionen zu untersuchen, die über die direkt beabsichtigten Effekte hinausgehen, die in RCTs beobachtet worden sein könnten.


Warning: count(): Parameter must be an array or an object that implements Countable in /homepages/43/d473804928/htdocs/wp-includes/class-wp-comment-query.php on line 399