UvA Kring Andragologie

Presentatie over: "UvA Kring Andragologie"— Transcript van de presentatie:

1 UvA Kring Andragologie
Simulatie van complexe systemen: een terugkerende uitdaging voor de systeem dynamica Cor van Dijkum Nosmo UvA Kring Andragologie Utrecht University,

2 Complexiteit Een korte geschiedenis:
Henri Poincaré ( ) Het drie lichamen probleem van Newton’s Mechanica: Leidde tot (niet lineaire differentiaal vergelijkingen) die niet op een analytische wijze kunnen worden opgelost Edward Lorenz (1960) Bij de berekening van de toestand van de atmosfeer (gebruikmakend van niet lineaire differentiaal vergelijkingen) bleek dat dezelfde input steeds weer andere uitkomsten gaf Willekeurig kleine veranderingen in de input leidde tot totaal andere output. Chaostheorie

3 Complexiteit Een korte geschiedenis:
Een nieuwe wetenschappelijke theorie, de theorie van complexe systemen, werd het vervolg op de chaostheorie George Cowan stichtte het Santa Fe Institute, in New Mexico, in Mei, 1984. Stephen Wolfram begin het the Center for Complex Systems bij de University of Illinois, in 1986. Beide organisaties werden gesticht om complexiteit te onderzoeken. Zij definiëerden complexiteit als "a chaos of behaviors in which the components of the system never quite lock into place, yet never quite dissolve into turbulence either” (Waldrop, 1992). Complexity lies at the edge of chaos (1988, Norman Packard) within the fine line that lies between order and chaos. Although this region is thin, it is vast, like the surface of the ocean. The edge of chaos is a transition phase, where life itself is thought to be created and sustained. Nicolis & Prigogine (1989) definiëerden als “the ability of a system to switch between different modes of behavior as the environmental conditions are varied”

4 In de sociale wetenschappen? Terug naar de geschiedenis
Herbert Simon (1993): For our purposes, we can regard a system as complex if it can be analysed into many components having relatively many relations among them, so that the behavior of each component depends on the behavior of others. Consider a dynamic system describable by N differential equations in N unknowns. We can represent this system by a matrix of the coefficients of the variables in the several equations. For simplicity of exposition we will assume the equations to be linear and consequently the coefficients of the matrix to be constants. From: Near Decomposability and Complexity: How a Mind Resides in a Brain Carnegie Mellon University. Research supported by the National Science Foundation. Also in: HA Simon - The mind, the brain, and complex adaptive systems, Westview Press

5 Is complexiteit dan lineaire ingewikkeldheid
Is complexiteit dan lineaire ingewikkeldheid ? Terug naar de geschiedenis Dynamic System Theory: John D. Sterman (1994) Much of the literature in psychology and other fields suggests learning proceeds via the simple negative feedback loops. Implicitly, the loops are seen as effectively first-order, linear negative feedbacks that produce stable convergence to an equilibrium or optimal outcome. The real world is not so simple. From the beginning, system dynamics emphasized the multiloop, multistate, nonlinear character of the feedback systems in which we live (Forrester 1961). The decisions of an agent is but one of many feedback loops that operate in any given system. These loops may reflect both anticipated and unanticipated side effects of the decision maker's actions; there may be positive as well as negative feedback loops; and these loops will contain many stocks (state variables) and many nonlinearities. Natural and human systems have high levels of dynamic complexity. From: Learning in and about complex systems. System Dynamics Review Vol. 10, nos. 2-3 (Summer-Fall 1994):

6 Complexity is more than Complicated
The real world is not so simple. It is complicated: multiloop, multistate Many actors, a lot of interdependencies between actors, many influencing variables, several cause-effect relations, multiple values to take care. Besides that the real world is more than that. It is complex: nonlinear character of the feedback systems in which we live (Forrester 1961). Dat werd gerealiseerd door systeem dynamische auteurs Al in 1988 Een speciaal nummer van System Dynamics Review gewijd aan De beschrijving en simulatie van complexe systemen.

7 Complexity In 1988 Een speciaal nummer van System Dynamics Review
Met artikelen van Sterman over Deterministic chaos in human behavior Allen over Dynamic models of evolving systems Andersen over Chaotic structures in generic management models Mosekilde over Deterministic chaos in the beer production‐distribution model Chen over Empirical and theoretical evidence of economic chaos Rasmussen over Bifurcations and chaotic behavior in a simple model of the economic long wave. Toro over Qualitative analysis of system dynamics ecological models Alle auteurs gebruikten geavanceerde wiskundige begrippen uit de niet lineaire wiskunde, zoals: Niet lineaire differentiaal vergelijkingen Deterministic chaos Bifurcations En Lyapunov exponents

8 Kunnen wij dus complexe systemen modelleren en begrijpen?
Maar in 1994 schreef Sterman: To understand feedback of causal processes is difficult, even when the feedback is linear Even if our cognitive maps of causal structure were perfect, learning, especially double-loop learning, would still be difficult. In order to use a mental model to design a new strategy or organization we must make inferences about the consequences of decision rules that have never been tried and for which we have no data. To do so requires intuitive solution of high-order nonlinear differential equations, a task far exceeding human cognitive capabilities in all but the simplest systems . From: Learning in and about complex systems. System Dynamics Review Vol. 10, nos. 2-3 (Summer-Fall 1994):

9 Kunnen wij dus complexe systemen modelleren en begrijpen ? Maar !
Skepticisme van Sterman was al zichtbaar in zijn artikel uit 1988 At the same time a number of questions regarding the practical significance of chaos and other nonlinear phenomena in social system modeling remain unresolved. Real social systems are bombarded by broadband noise, and it is well known that such random shocks severely degrade the pointpredictability of most systems. Does the existence of stochastic shocks swamp the uncertainty in trajectories caused by chaos? (p )

10 Kunnen wij complexe systemen modelleren en begrijpen
Kunnen wij complexe systemen modelleren en begrijpen ? In de System Dynamica ? Aanhangers van de of systeem dynamica schijnen te denken dat de wiskunde van complexe systemen te ingewikkeld is en dat daardoor de kloof tussen ‘werkelijke systemen’ en gesimuleerde systemen te groot is. Misschien door de misverstanden die Simon de wereld in bracht. En misschien vanwege het scepticisme van Sterman. Het kan verklaren waarom de veelbelovende start van 1988 en eerder niet heeft geleid tot een doorbraak in het dominerende onderzoeksprogramma van de systeem dynamica Dat wordt weerspiegeld in het aantal artikelen die na 1994 verschijnen in System Dynamics Review. Van 1994 tot 2014 zijn er 4 artikelen verschenen die refereren aan chaos en geen een artikel die refereert aan Lyapunov exponents, ondanks de veelbelovende start van pioneers uit 1988 waarin wel werd gerefereerd aan nuttige begrippen uit de niet lineaire dynamia, zoals als Lyapunov exponents.

11 Een aantal simpele demonstaties
Kunnen wij complexe systemen modelleren en begrijpen ? In de System Dynamica ? A task far exceeding human cognitive capabilities ?! JA Met de vooruitgang in de niet lineaire wiskunde, snellere computers en betere software moet dat lukken ! Een aantal simpele demonstaties

12 Systeem Dynamica: Stella Een voorbeeld van een lineaire differentiaal vergelijking
dpopulation/dt = population*birth%-population*death%

13 Een ander voorbeeld: geremde groei Een niet lineaire differentiaal vergelijking
Vereenvoudigd tot Differentiaal vergelijking van logistische groei (Pierre-François Verhulst 1838): dpopulation/dt= changeparameter*population* {(maxpopulation-population) / maxpopulation }

14 Een ingewikkelder model model met niet lineaire ‘feedback loops’
Eenn empirisch voorbeeld uit de sociale wetenschappen: model van communicatie tussen patiënt and huisarts Dijkum, C. van, Lam N., et al (2008). Non Linear Models for the Feedback between GP and Patients. Cybernetics and Systems, Vienna: Austrian Society for Cybernetic Studies, pp. 629–634. Dijkum, C. (2008), ‘Changing methodologies for research’, Journal of Organizational Transformation and Social Change 5: 3, pp. 267–289

15 Hoe communiceren: huisarts en patiënt?
Patiënt Huisarts

16 Huisarts - Patiënt communicatie
2 personen Een rollenspel Onderwerp: gezondheidsklachten van patiënt Binnen een beperkte tijd

17 Empirische basis STweede Dutch National Survey of General Practice. (NS2) 142 Huisartsen 2784 consultaties opgenomen op video 2094 geobserveerd met RIAS (Roter)

18 Hoe observeren sociale wetenschappers de communicatie ?
Bij voorbeeld: Biomedische vragen Psychosociale informatie Empathie Stemt in RIAS (Roter) 26 categoriëen Voor Huisarts en Patiënt Eenheid van observatie: verbale of non verbale uiting

19 Het ontwikkelen van een simulatie model Causale Hypothesen over Feedback zoals:
Social emotional utterances of the GP stimulates talking of the patient about social emotional topics as well as about biomedical topics. Biomedical utterances of the GP amplifies itself and inhibits social emotional communication of the patient (and vice versa)

20 Een Simulatie Model vanFeedback Een model van de huisarts
Drie Componenten, om te beginnen: Task (biomedical) Social Emotional Process control

21 Een Simulatie Model van Feedback Geprogrammeerd in Stella Drie aan elkaar gerelateerd componenten van geremde groei (referentie voor het model: gekoppelde geremde groei vergelijkingen Van Geert 1991, Eckstein 1998, Maas 2006, Savi 2007 )

22 Een Simulatie Model van Feedback Een model van de Patiënt

23 2 Actoren X (gekoppeld) aan 3 (task, social emotional, process) componenten
Huisarts Patiënt Task Social Emotional Process Feedback loops in logistische differentiaal vergelijkingen: Feedback van het ene proces naar het andere: Met koppelings parameters e : intern en extern

24 Kwalitatieve validatie van het model
Video observatie van een consult Afgebeeld door SPSS in een kwalitatief patroon van ontwikkeling in de tijd

25 Eerst geeft en vraagt de patiënt medische (Task) informatie (rood),
Dan geeft en vraagt de huisarts medische (Task) informatie (yellow). Maar wanneer de huisarts maar doorgaat, valt de patiënt stil in het geven en vragen van medische (Task) informatie.

26 Resultaat van simulaties van het model:
De vraag is dan: Kan het simulatie model deze patronen (re)produceren? Resultaat van simulaties van het model: waarin in 3 runs de huisarts (medische) Task uitingen steeds meer werden

27 Kwalitatieve validatie van het Model

28 De sociaal emotionele uitingen (brown: GPSocemo) van de huisarts
stimuleert de sociaal emotionele uitingen van de patiënt (violet: PatientSocemo). Dat stimuleert tenslotte de biomedische uitingen van de patiënt (red:PatientTask), en de biomedische uitingen van de huisarts(yellow: GPTask).

29 Resultaat van simulaties van het model:
Weer de vraag: Kan het simulatie model deze patronen (re)produceren? Resultaat van simulaties van het model: waarin in 3 runs de Sociaal emotionele uitingen van de huisarts (Socemo) talrijker werden

30 Conclusie: Model kan reproduceren: Met kwalitatieve validatie
In het domein van van orde essentiële hypothesen & essentiële patronen in data Social emotional utterances of the GP stimulates talking of the patient about social emotional topics as well as about biomedical topics. Biomedical utterances of the GP amplifies itself and inhibits social emotional communication of the patient(and vice versa)

31 Een volgende stap: herkennen van orde en chaos
Een voorbeeld: model van geremde groei dpopulation/dt= changeparameter*population* {(maxpopulation-population) / maxpopulation } Orde: parameter van verandering < 3 Chaos: parameter van verandering > 3.6

32 Een volgende stap: herkennen van orde en chaos
Een voorbeeld: model van geremde groei Variatie van parameter van verandering tussen and 4

33 Een volgende stap: herkennen van orde en chaos
Een empirisch voorbeeld: communicatie model Huisarts-Patiënt Geprogrammeerd in MATLAB om orde and chaos op te sporen Door het berekenen van lyapunov exponent als je de koppelings parameters varieert (e) Als lyapunov exponent > 0 : chaos Als lyapunov exponent < 0 : periodiek gedrag (orde) S als eenduidige indicator (1=order; 0=chaos) X in chaos and order with related lyapunov exponent and related S (1=order; 0=chaos)

34 Een volgende stap: herkennen van orde en chaos
Een empirisch voorbeeld: communicatie model Huisarts-Patiënt Het gebruik van Lyapunov exponenten (en S) om stabiel periodiek gedrag te herkennen 4 period reflected in S

35 Een volgende stap: herkennen van orde en chaos
Een empirisch voorbeeld: communicatie model Huisarts-Patiënt Een van de verrassende resultaten: Koppelen van pure chaos (CLM) bij 3 componenten A 3 F1 (CLM) F2 (CLM) F3 (CLM) Pure aan elkaar gekoppelde chaos kan periodieke orde produceren 2 period in e [0.0712,0.0715] Stochastic fluctuation of De = reflected in S

36 Bij bepaalde voorwaarden (bijvoorbeeld: 0.9008 < e < 0.9009)
Naar het oorspronkelijke huisarts-patiënt model 2 Actoren X gekoppeld met 3 (task, social emotional, process) componenten Huisarts Patient Task Social Emotional Process Wanneer alle componenten in een staat van chaos zijn: kan dat orde produceren ? Toestand huisarts Toestand Patiënt S=1: indicator Lyapunov JA: DAT KAN Bij bepaalde voorwaarden (bijvoorbeeld: < e < )

37 Wat kan je doen met dit soort simulaties
Wat kan je doen met dit soort simulaties? Als je de patronen herkent, kan je er rekening mee houden en zorgen dat goed terecht komt!

38 Als je dat niet doet …

39 Voor de praktijk: Door te begrijpen:
Om de communicatie te verbeteren tussen huisarts en patiënt Door te begrijpen: Welke patronen van chaos en orde er zijn, hoe je die kunt coördineren en synchroniseren om zo een stabiele uitkomst te bereiken zowel voor de huisarts als voor de patiënt Dat kan je vervolgens koppelen aan en illustreren met de video observaties van de huisartsconsulten Om daarmee een trainingsinstrument te bouwen?

40 DUS: Complexe systemen zijn te simuleren en daardoor beter te begrijpen. Dat kan met systeem dynamische redeneringen en software En dat is te relateren aan ‘real social systems’, ook als daarbij sprake is van “random shocks” dat wil zeggen “stochastische fluctuaties”. Daarmee is de Simulatie van complexe systemen: een terugkerende uitdaging voor de systeem dynamica