Share

Dicas para seu próprio projeto de modelagem

Uma vez que esse é um site de metodologia eu quero dar algumas dicas que podem ajudar quando você quiser trabalhar ou desenvolver modelos. Eu realmente não posso dar uma metodologia esboçada (pronta), posso apenas compartilhar algumas experiências.

Se você está trabalhando em uma instituição com menos recursos, o trabalho de simulação pode ser barato e recompensador. Tudo o que você precisa é de um computador pessoal (PC) conectado à internet para procurar/buscar recursos.

  1. Mantenha isso simples. Cientistas tendem a adicionar mais e mais processos ao modelo. Mas, esses processos são realmente necessários para testar suas hipóteses? E se você adicionar algo que não faz grande diferença, você pode removê-lo ou descartá-lo? Um modelo simples é mais fácil para publicar e mais confiável.
  2. Escolha entre mecanicista ou preditivo. Modelos mecanicistas são bons descritores de um sistema e uma base de aprendizado para cientistas, mas o valor preditivo pode ser baixo. Modelos preditivos usualmente funcionam melhor quando eles usam correlações conhecidas, mesmo que eles não simulem os processos que suportam as correlações.
  3. Se você começa com o modelo de alguém, estude ele bem. Não assuma que seja uma caixa preta de trabalho perfeita, isso não é. Modelos contêm muitos erros que usualmente só aparecem com combinações especificas de parâmetros. Portanto, enquanto o modelo pode ser bom para um estudo, ele pode não ser para outro.
  4. Associação de modelos é arriscado/desafiador, cuidado ao decidir entre associar modelos e escrever o seu próprio código (modelo). Quando associando você deve pensar sobre números, unidades, e interpretação de variáveis.
  5. Design antecipadamente/antemão, mas realize um design que você possa adicionar e remover componentes.
  6. Apenas usar um modelo sem conhecer os seus limites é arriscado. Eu não sou a favor de interfaces gráficas amigáveis porque elas são feitas para esconder abstrações. Automação das execuções e submissão de trabalhos para um cluster/grupo (uma vez que você quer fazer, por exemplo, uma análise sensitiva) é muito mais fácil se o modelo não for interativo.
  7. Use ferramentas padrões de fonte aberta (disponível). Desse modo outros podem se juntar a você mais facilmente e você não estará preso a algum tipo de licença comercial.
  8. Escolha suas ferramentas cuidadosamente. Uma planilha pode ser favorável para um modelo simples, mas estará rapidamente limitando; e planilhas grandes são confusas. Além disso você tem poucas ferramentas à mão para verificação de erro. Melhor começar com uma linguagem script (tipo de linguagem de programação). Somente use Fortran ou C++ se você pensa que seu modelo será de recurso intensivo. A linguagem estatística R é bem apropriada para modelos menores, mas Python também não seria uma escolha ruim.
  9. Crie um fluxo de trabalho. Existem muitas ferramentas que podem ser usadas para pós processamento de dados, estatística, gráficos e visualização. Você não precisa incluir isso no seu modelo. Seu modelo deveria ser sobre simulação.

  10. Aprenda programação por meio de alguns tutoriais. Desta maneira você aprende não apenas a linguagem, mas também o estilo de programação.
  11. Faca comentário e estabeleça muitas verificações de erro (checagem). Sempre pense o que aconteceria a essa linha de código (a esse comando) se um valor estiver fora da sua faixa normal. Pare a simulação quando ocorrer um erro, a menos que haja uma correção óbvia.

  12. Aprenda com outras pessoas, olhe para o código/comando de outras pessoas.
  13. Aproveite isso ou comece um outro projeto.