Team Assembly (model)
Материал из Поле цифровой дидактики
| Описание модели | Эта модель коллаборативных сетей показывает, как поведение отдельных людей при формировании небольших команд для краткосрочных проектов может со временем привести к появлению множества крупномасштабных сетевых структур.
|
|---|---|
| Область знаний | Психология, Управление |
| Веб-страница - ссылка на модель | https://ccl.northwestern.edu/netlogo/models/TeamAssembly |
| Видео запись | https://www.youtube.com/watch?v=xIQ801sX2DY |
| Разработчики | Guimera, Uzzi, Spiro, Amaral |
| Среды и средства, в которых реализована модель | NetLogo |
| Диаграмма модели | |
| Описание полей данных, которые модель порождает | |
| Модель создана студентами? | Нет |
Это адаптация модели сборки команды, представленной Guimera, Uzzi, Spiro & Amaral (2005). Правила модели основаны на наблюдениях за сетями сотрудничества, начиная от бродвейских постановок спектаклей и заканчивая научными публикациями по психологии и астрономии.
- Эксперимент
- ask turtles with [count my-links > 10] [die]
- ask turtles with [count my-links = 0 ] [die]
Датасет
Анализ результатов в StatKey
| Обозначение (StatKey) | Полное русское название | Смысл / Интерпретация | Пример значения (агентная модель) |
|---|---|---|---|
| n | Объём выборки (Sample Size) | Количество наблюдений (агентов, школ, регионов) в исходной выборке или бутстрэп-выборке. | n = 56 (56 симуляций NetLogo)
|
| r | Коэффициент корреляции Пирсона | Мера линейной связи между двумя переменными (от −1 до +1). Показывает, насколько сильно изменение одной переменной связано с изменением другой. | r = 0.829 (сильная связь между размером кластера и долей агентов)
|
| slope (или [math]\displaystyle{ b_1 }[/math]) | Угол наклона регрессии (Коэффициент регрессии) | На сколько единиц изменится зависимая переменная [math]\displaystyle{ y }[/math] при увеличении независимой переменной [math]\displaystyle{ x }[/math] на одну единицу. Вычисляется как: [math]\displaystyle{ \text{slope} = r \cdot \frac{s_y}{s_x} }[/math] | slope = +0.019 (при росте числа агентов на 1, доля в гигантском компоненте растёт на 0.019)
|
| intercept (или [math]\displaystyle{ b_0 }[/math]) | Свободный член регрессии (Константа) | Ожидаемое значение зависимой переменной [math]\displaystyle{ y }[/math], когда независимая переменная [math]\displaystyle{ x = 0 }[/math]. Уравнение регрессии: [math]\displaystyle{ \hat{y} = b_0 + b_1 x }[/math] | intercept = +0.155 (базовая доля агентов в кластере при нулевом размере)
|
| Mean ([math]\displaystyle{ \bar{x} }[/math]) | Среднее арифметическое | Центральная тенденция распределения. Сумма всех значений, делённая на их количество: [math]\displaystyle{ \bar{x} = \frac{\sum x_i}{n} }[/math] | Mean = 27.143 (средний размер гигантского компонента)
|
| Standard Deviation ([math]\displaystyle{ s }[/math] или [math]\displaystyle{ SD }[/math]) | Стандартное отклонение | Мера разброса данных вокруг среднего. Показывает типичное отклонение отдельного наблюдения от среднего: [math]\displaystyle{ s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}} }[/math] | SD = 13.172 (разброс размеров кластеров)
|
| p (или [math]\displaystyle{ \hat{p} }[/math]) | Выборочная доля (Proportion) | Доля агентов (или случаев), обладающих определённым свойством. Вычисляется как [math]\displaystyle{ \hat{p} = \frac{k}{n} }[/math], где [math]\displaystyle{ k }[/math] — число успехов. | p = 0.671 (67.1% агентов в гигантском компоненте)
|
| SE (неявно) | Стандартная ошибка (Standard Error) | Стандартное отклонение выборочного распределения статистики (например, среднего или доли). Оценивает точность оценки: [math]\displaystyle{ SE = \frac{s}{\sqrt{n}} }[/math] | (используется для построения доверительных интервалов в StatKey) |
| Bootstrap Sample | Бутстрэп-выборка | Искусственная выборка того же объёма [math]\displaystyle{ n }[/math], полученная случайным отбором с возвращением из исходных данных. Используется для оценки вариативности статистики без предположений о распределении. | n = 56, r = 0.81, slope = +0.018
|
| Original Sample | Исходная выборка | Реальные (или сгенерированные в NetLogo) данные, на основе которых строится бутстрэп-распределение. | n = 56, r = 0.829, slope = +0.019
|
