Modellar og representasjon

T5 er det femte sjølvstendige teoridokumentet i programmet T1–T9. Dokumentet undersøker korleis modellar, målingar, kart, likningar, simuleringar og visualiseringar kan representera avgrensa forhold i røynda, og kva som krevst før ein modell kan tilordnast det som faktisk er.

T1 fastsette røynda som uavhengig grunn. T2 fastsette vilkår for kunnskap og korrigerbarheit. T3 skilde hending, registrering, observasjon, tolking og slutning. T4 skilde uttrykk, meining, referanse, påstand, omfang og tilordning. T5 behandlar den vidare ordninga av slike element i formelle og operative representasjonssystem.

Dokumentet avgjer ikkje åleine om ein bestemt vitskapleg, juridisk, økonomisk, teknisk eller administrativ modell er sann eller forsvarleg. Det fastset skilje og prøvingskrav som må nyttast saman med domenekunnskap, data, observasjon, validering og relevant regelverk.

Representasjon er ei ordna framstilling der noko vert gjort tilgjengeleg gjennom teikn, form, struktur, mål, relasjon eller regel. Representasjonen er sjølv noko som finst, men han er ikkje identisk med det han representerer.

Representasjon kan vera språkleg, visuell, kartografisk, matematisk, statistisk, geometrisk, mekanisk, digital, symbolsk, narrativ eller institusjonell. Kvar form bevarer noko, utelèt noko og innfører bestemte vilkår for bruk.

At ein representasjon er presis, nyttig eller teknisk korrekt, etablerer ikkje automatisk at alle eigenskapane ved representasjonen høyrer til det representerte røyndsforholdet.

Ein modell er ei regelstyrt representasjonsordning som vel ut, strukturerer, forenklar, omformar eller simulerer eigenskapar og relasjonar ved eit oppgjeve objekt eller problemfelt.

Ein modell omfattar vanlegvis eit modellobjekt, eit føremål, utvalde variablar, føresetnader, parameterar, relasjonar, reglar, data, initial- eller grensevilkår og eit gyldigheitsområde. Kva som tel som modellen, må difor avklarast før resultatet vert vurdert.

Modellen må skiljast frå implementasjonen, datagrunnlaget, køyringa, resultatet, visualiseringa, tolkinga og påstanden om kva resultatet betyr i røynda.

Modellar kan ha fleire funksjonar samstundes. Funksjonane må likevel gjerast synlege fordi dei stiller ulike krav til data, prøving og bruk.

Ein modell som er laga for illustrasjon, skal ikkje utan ny grunngjeving brukast som presis forklaring eller avgjerdsmodell. Ein prediktiv modell skal heller ikkje automatisk lesast som årsaksforklaring.

Før modellen vert vurdert, må det identifiserast kva som vert modellert, kva eigenskapar eller relasjonar som er valde ut, kva spørsmålet er, og kva modellen skal brukast til.

Same modell kan vera forsvarleg for eitt føremål og uforsvarleg for eit anna. Eit grovt kart kan tena navigasjon, men vera utilstrekkeleg for presis arealutrekning. Ein risikomodell kan ha verdi på gruppenivå utan å kunna bera ei sikker individuell avgjerd.

Føremålet må difor stå saman med eit uttrykkeleg ikkje-føremål: kva modellen ikkje er utvikla, validert eller autorisert til å avgjera.

• Modellobjekt og analyseeining.
• Utvalde eigenskapar og relasjonar.
• Bruksføremål og mottakar.
• Avgjerder modellen kan påverka.
• Kjende ikkje-bruksområde.
• Krav til kompetanse og ansvar.

Modellar representerer ikkje alt. Dei abstraherer, idealiserer, approksimerer eller reduserer for å gjera eit forhold handterbart og prøvbart.

Abstraksjon vel ut eigenskapar eller relasjonar. Idealisering nyttar medvite forenkla eller bokstavleg falske vilkår. Approksimasjon gjev ei avgrensa tilnærming. Reduksjon representerer eit komplekst forhold gjennom færre variablar eller nivå.

Ei forenkling er ikkje ein feil berre fordi ho er ufullstendig. Ho vert epistemisk eller praktisk problematisk når det utelatne får avgjerande verknad innanfor det faktiske bruksområdet.

Kvar representasjon bevarer noko og mistar noko. Modellgransking må difor spørja kva eigenskapar, relasjonar, målestokkar og variasjonar som vert førte vidare, og kva som vert filtrert, aggregert, projisert eller gjort usynleg.

Eit kart kan bevara retning, avstand, areal eller vinkel i ulik grad, men ikkje nødvendigvis alt samstundes. Ei statistisk skår kan bevara rangering og mista den konkrete variasjonen bak skåren. Ei visualisering kan synleggjera eitt mønster og skjula eit anna.

Tap er ikkje automatisk forvrenging. Forvrenging oppstår når representasjonen eller bruken gjev inntrykk av at noko er bevart som modellen faktisk har endra eller utelate.

• Kva vert bevart?
• Kva vert omforma?
• Kva vert utelate?
• Kva vert aggregert?
• Kva vert lagt til av framstillingsforma?
• Kva følgjer for gyldigheitsområdet?

Måling er ei regelstyrt tilordning av verdiar, kategoriar eller storleikar til eit fenomen eller forhold gjennom ein dokumentert måleoperasjon.

Måling krev eit måleobjekt, ein eigenskap, ei eining eller kategori, eit instrument eller ein prosedyre, ein skala, kalibrering, oppløysing, feilmargin, tidspunkt og registreringsvilkår.

Måleverdien er ikkje eigenskapen sjølv. Han er eit resultat av eit måleforhold og må vurderast saman med operasjonen som produserte han.

• Det som vert målt.
• Måleoperasjonen.
• Instrumentet eller prosedyren.
• Måleresultatet.
• Datapresentasjonen.
• Tolkinga av resultatet.

Kalibrering etablerer og kontrollerer forholdet mellom instrumentresultatet og ein definert referanse. Eit tal får ikkje epistemisk styrke berre fordi det er produsert av eit instrument.

Relevant dokumentasjon omfattar kalibreringsstandard, tidspunkt, toleranse, drift, referanseinstrument, programvareversjon, vedlikehald og miljøvilkår.

Sporbarheit krev at ein kan følgja måleresultatet tilbake gjennom instrument, innstillingar, referansar og behandling. Der kjeda er broten, må uvisse eller avgrensa status markerast.

Data er registrerte og strukturerte spor med opphav, format og vilkår. T5 skil mellom observerte data, avleidde data, estimerte data, imputering, syntetiske data, treningsdata, valideringsdata og modellgenererte data.

Datagrunnlaget vert forma av kva som er inkludert, ekskludert, målt, manglar, reinska, aggregert og kategorisert. Desse vala kan vera fagleg legitime, men dei må vera synlege dersom modellen skal kunna etterprøvast.

Validering på same materiale som vart brukt til å utvikla eller tilpassa modellen, kan overvurdera styrken. Uavhengig prøving er særleg viktig når modellen skal overførast til nye populasjonar eller avgjerder.

• Opphav og innsamling.
• Inklusjon og eksklusjon.
• Manglande verdiar og imputering.
• Kategorisering og tersklar.
• Reinsing og transformasjon.
• Skilje mellom utviklings- og valideringsgrunnlag.

Ein formell modell kan vera matematisk, logisk eller teknisk korrekt etter sine eigne reglar. Dette er intern gyldigheit. Den seier ikkje åleine om variablane, relasjonane eller resultata svarar til det konkrete forholdet modellen vert brukt om.

Ekstern tilordning gjeld sambandet mellom den formelle strukturen og modellobjektet. Empirisk samsvar gjeld korleis resultatet held i møte med relevante observasjonar og målingar. Ontologisk tilordning gjeld kor langt modellen har grunnlag for å seia noko om kva som faktisk er.

Matematisk eleganse, symmetri eller konsistens kan vera grunn til vidare undersøking, men ikkje sjølvstendig prov for at røynda har den same strukturen.

Modellresultat er avhengige av eksplisitte og implisitte føresetnader, faste og estimerte parameterar, priorar, initialvilkår, grensevilkår, tersklar og eksklusjonskriterium.

T5 krev skilje mellom det modellen finn og det modellen får lagt inn. Eit resultat kan ikkje presenterast som uavhengig oppdaging dersom det i hovudsak følgjer av premissa, kalibreringa eller valde tersklar.

Sensitivitetsanalyse og alternativ parameterisering kan visa om konklusjonen er robust eller om små endringar i føresetnadene produserer vesentleg andre resultat.

• Eksplisitte føresetnader.
• Implisitte føresetnader.
• Faste og estimerte parameterar.
• Initial- og grensevilkår.
• Tersklar og eksklusjonskriterium.
• Sensitivitet og robustheit.

Simulering er ei regelstyrt frambringing av modelltilstandar eller modellforløp under fastsette føresetnader. Simuleringa er ei faktisk berekningshending, og resultatet er eit faktisk datasett eller ei faktisk framstilling.

Det simulerte forløpet er likevel ikkje dermed ei faktisk hending i verda. Simulering kan utforska konsekvensar av ein modell, finna uventa modellåtferd og samanlikna scenario, men ho provar ikkje åleine at modellen svarar til røynda.

Epistemisk styrke kjem frå sambandet mellom modell, data, validering, domenekunnskap og den konkrete tilordninga.

Visualisering kan synleggjera mønster, komprimera data, visa relasjonar og støtta oppdaging. Ho er samstundes eit utval og ei omforming av materiale.

Aksar, einingar, målestokk, normalisering, fargar, utsnitt, manglande data, oppløysing og uvisse påverkar kva som kjem til syne. Ei visuelt overtydande framstilling kan difor vera korrekt, misvisande eller utilstrekkeleg avhengig av desse vala.

Visuell styrke skal ikkje telja som sjølvstendig evidens. Forholdet mellom data, modell, behandling og bilete må kunna dokumenterast.

• Datakjelde og behandling.
• Aksar, einingar og målestokk.
• Normalisering og tersklar.
• Farge- og symbolforklaring.
• Manglande data og uvisse.
• Forholdet mellom bilete og modell.

Validering undersøker om modellen er tilstrekkeleg for eit oppgjeve føremål og bruksområde. Ho må skiljast frå teknisk verifikasjon, som undersøker om implementasjonen svarar til spesifikasjonen.

Intern validering gjeld forhold nær utviklingsgrunnlaget. Ekstern validering gjeld uavhengige tilfelle, miljø eller populasjonar. Konstruktvalidering spør om variabelen faktisk representerer omgrepet. Prospektiv validering prøver modellen framover i praksis. Konsekvensvalidering undersøker kva bruken gjer.

Ein modell kan vera prediktivt sterk og likevel vera dårleg forklart, feil brukt, urettvis, utanfor domene eller skadeleg gjennom sjølve bruken.

Kvar modell må oppgje populasjon, tid, stad, skala, oppløysing, føremål, relevante vilkår, kjende avvik og område der modellen ikkje er prøvd.

Interpolasjon er bruk innanfor eit testa område. Ekstrapolasjon går utanfor det testa området. Overføring nyttar modellen i ein annan kontekst eller populasjon. Ontologisk generalisering hevdar at modellen uttrykkjer sjølve strukturen i røynda.

Kvar overgang krev sterkare og meir synleg grunnlag. Eit resultat som held lokalt, kan ikkje utan vidare utvidast til universell eller ontologisk status.

Ein modell kan predikera godt utan å forklara rett, og han kan gje ei rimeleg forklaring utan å levera svært presise prediksjonar.

T5 skil korrelasjon, prediksjon, mekanisme, årsak, forklaring, kontroll og forståing. Høg prediksjonsnøyaktigheit etablerer ikkje automatisk årsak, ontologisk struktur, moralsk relevans eller gyldig individuell avgjerd.

Når ein modell vert brukt forklarande, må det synleggjerast kva mekanisme eller struktur som vert hevda, kva alternative forklaringar som er vurderte, og kva funn som kunne svekkja forklaringa.

Same materiale kan representerast gjennom fleire modellar som legg vekt på ulike skalaer, føremål, variablar eller bevarte eigenskapar.

Modellpluralisme inneber ikkje at alle modellar er like gyldige. Dei må samanliknast etter samsvar, domene, forklaringskraft, robustheit, prediksjon, transparens, konsekvens og korrigerbarheit.

Når fleire modellar passar same data, må uvisse og underbestemming gjerast synleg framfor at eitt alternativ vert gitt ontologisk forrang gjennom vane eller autoritet.

• Empirisk samsvar.
• Gyldigheitsområde.
• Robustheit og sensitivitet.
• Forklarings- og prediksjonskraft.
• Transparens og etterprøvbarheit.
• Praktisk konsekvens og korrigerbarheit.

I forvaltning, helse, finans, arbeid, politi, utdanning og teknologi kan modellresultat få direkte verknad for personar. T5 skil modellresultat, fagleg vurdering, institusjonell tilråding, formell avgjerd og faktisk konsekvens.

Eit modellresultat er ikkje automatisk ei avgjerd, og menneskeleg godkjenning gjer ikkje automatisk resultatet forsvarleg dersom godkjenninga berre stadfestar noko avgjerdstakaren ikkje kan forstå eller etterprøva.

Ved institusjonell bruk må ein kunna identifisera kven som valde modellen, føremålet, dataa, kjende avgrensingar, avgjerdsansvaret, moglegheita for kontradiksjon og korleis feil vert retta.

T5 skil treningsdata, modellarkitektur, parameterar, inferens, generert resultat, sannsyn, språkleg flyt, faktisk referanse, kunnskap og avgjerd.

Eit generativt system kan produsera plausible formuleringar, bilete, klassifikasjonar og prediksjonar. Det følgjer ikkje at systemet har observert det omtalte, kjenner at framstillinga er sann, har eit sjølvstendig røyndsforhold eller kan bera institusjonelt ansvar.

Maskinelle resultat må sporast gjennom datagrunnlag, modell, versjon, behandling, tersklar, instruksjonar og menneskeleg bruk. Kjeldekontroll og avgjerdsansvar kan ikkje delegerast berre fordi resultatet er teknisk avansert.

T5 samlar eit generelt granskingoppsett som seinare kan operasjonaliserast i R1 og A3. Oppsettet skal ikkje på førehand klassifisera modellen som feil, men gjera overgangen frå materiale til ontologisk eller praktisk påstand synleg.

Granskinga skal tilpassast modelltype, domene og konsekvens. Ein illustrativ modell krev ikkje same validering som ein modell som styrer rettar, diagnostikk eller ressursfordeling.

• Kva er modellobjektet og føremålet?
• Kva vert bevart, omforma og utelate?
• Kva føresetnader og parameterar vert brukte?
• Kva data og målingar ligg til grunn?
• Kva resultat produserer modellen?
• Kva er visualisering, simulering eller projeksjon?
• Kvar vert modellen tilordna røynda?
• Kva validerer denne tilordninga?
• Kva alternative modellar finst?
• Kva kan korrigera eller fella modellen?
• Kva skjer når modellen vert brukt?
• Kven ber ansvar for bruk og avgjerd?

Motsegnene nedanfor prøver om T5 gjer modellkravet for strengt, for realistisk eller utilstrekkeleg merksamt på at all tilgang sjølv er representert. Svara er avgrensa og markerer restproblem.

T5 går inn i diskusjon med vitskapleg realisme, instrumentalisme, konstruktiv empirisme, strukturell realisme, modellbasert vitskap, representasjonsteori, idealisering, måleteori, simuleringsepistemologi og filosofi om data og visualisering.

Posisjonen deler med modellbaserte tilnærmingar at modellar ikkje berre er avleidde kopiar, men aktive representasjons- og undersøkingsreiskapar. Han deler med instrumentalismen at nytte ikkje krev full bokstavleg likskap. Samstundes held T5 fast på at faktisk og ontologisk påstandsinnhald må svara til grunngjevne overgangar frå modell til røynd.

T5 avviser ikkje modellpluralisme eller perspektivavhengig utval. Det avviser at intern konsistens, nytte, eleganse eller institusjonell bruk åleine kan ta plassen til validering og korrigerbar tilordning. Den fulle samanlikninga høyrer til T9.

T5 krev at seinare dokument skil modellobjekt, data, måling, føresetnad, modellstruktur, resultat, visualisering, tolking, tilordning og avgjerd. Ingen modell skal få større epistemisk, ontologisk eller institusjonell rekkjevidd enn dokumentasjonen og valideringa ber.

Dersom T5 vert substansielt revidert, må særleg T7, T8, R1, A3 og dei fagspesifikke bruksdokumenta vurderast på nytt fordi dei nyttar modellar i gransking, styring og avgjerd.

• T6: Identitets- og rollemodellar må skiljast frå personen og konkrete handlingar.
• T7: System og institusjonar må kunna synleggjera modellgrunnlaget for autoritativ bruk.
• T8: Modellbruk må vurderast etter faktisk praksis, skade, ansvar og korrigering.
• T9: Modellposisjonen må samanliknast og kritiserast mot alternative teoriar.
• R1: Metodologien må fastsetja modellgransking, validering og proporsjonale krav.
• A3: Modellgransking får det teoretiske grunnlaget sitt.
• A4–A7: Autoritet, system og praksis må kunna prøva modellgrunnlaget dei nyttar.
• D1–D8: Fagspesifikke modellar må avgrensast etter domene, kompetanse og konsekvens.
• R7: Arbeidsarka må halda måling, data, modell, resultat og tilordning i separate felt.