Les modèles mathématiques de calcul numérique peuvent donner des maux de tête aux décideurs politiques –

Les experts utilisent des modèles de plus en plus détaillés pour mieux prédire les phénomènes ou obtenir des informations plus précises dans une gamme de domaines clés, tels que les sciences environnementales/climatiques, l’hydrologie et l’épidémiologie.

Mais la recherche de modèles complexes en tant qu’outils pour produire des projections et des prévisions plus précises peut ne pas donner de résultats, car des modèles plus complexes ont tendance à produire des estimations plus incertaines.

Des chercheurs des universités de Birmingham, Princeton, Reading, Barcelone et Bergen ont publié leurs conclusions aujourd’hui dans Avancées scientifiques. Ils révèlent que l’expansion des modèles sans vérifier comment des détails supplémentaires ajoutent de l’incertitude limite l’utilité des modèles en tant qu’outils pour éclairer les décisions politiques dans le monde réel.

Arnald Puy, professeur agrégé en incertitudes sociales et environnementales à l’Université de Birmingham, a commenté : “Alors que la science continue de dévoiler des secrets, les modèles ne cessent de s’agrandir – intégrant de nouvelles découvertes pour mieux refléter le monde qui nous entoure. Nous supposons que des modèles plus détaillés produisent de meilleures prédictions parce qu’elles correspondent mieux à la réalité.

“Et pourtant, la poursuite de modèles toujours plus complexes peut ne pas fournir les résultats que nous recherchons, car l’ajout de nouveaux paramètres apporte de nouvelles incertitudes dans le modèle. Ces nouvelles incertitudes s’ajoutent aux incertitudes déjà présentes à chaque étape de mise à niveau du modèle, rendant la sortie du modèle plus floue à chaque étape du chemin.”

Cette tendance à produire des résultats plus imprécis affecte tout modèle sans données de formation ou de validation utilisées pour vérifier l’exactitude de sa sortie – affectant tous les modèles mondiaux tels que ceux axés sur le changement climatique, l’hydrologie, la production alimentaire et l’épidémiologie, ainsi que les modèles projetant estimations dans le futur, quel que soit le domaine scientifique.

Les chercheurs recommandent de réévaluer la volonté de produire des modèles mathématiques de plus en plus détaillés afin d’obtenir des estimations plus précises.

“Nous suggérons que les modélisateurs calculent les dimensions effectives du modèle (le nombre de paramètres influents et leur interaction d’ordre le plus élevé) avant de rendre le modèle plus complexe. Cela permet de vérifier comment l’ajout de la complexité du modèle affecte l’incertitude dans la sortie. De telles informations est particulièrement utile pour les modèles visant à jouer un rôle dans l’élaboration des politiques », a ajouté le Dr Puy. “Les modélisateurs et les décideurs politiques bénéficient de la compréhension de toute incertitude générée lorsqu’un modèle est mis à niveau avec de nouveaux mécanismes.

“Les modélisateurs ont tendance à ne pas soumettre leurs modèles à une analyse d’incertitude et de sensibilité, mais continuent à ajouter des détails. Peu de chercheurs sont intéressés à effectuer une telle analyse sur leur modèle si cela risque de montrer que l’empereur court nu et que ses prétendues estimations précises ne sont qu’un mirage. “

L’excès de complexité empêche les chercheurs et le public de s’interroger sur la pertinence des hypothèses des modèles, souvent très discutables. Puy et son équipe notent, par exemple, que les modèles hydrologiques mondiaux supposent que l’irrigation optimise la production agricole et l’utilisation de l’eau – une prémisse en contradiction avec les pratiques des irrigants traditionnels.

Source de l’histoire :

Matériaux fourni par Université de Birmingham. Remarque : Le contenu peut être modifié pour le style et la longueur.