人工大学:大学的决策支持COVID-19时代

文摘

大流行条件下操作的大学是一个复杂的任务。人工大学(τ)响应这一需要。τ是可配置的,开源的一个大学的计算机模拟使用接触网络基于公开信息大学类,住宅,和活动。本研究评估健康结果数组的干预措施和测试协议的人造大学6500名学生,教师和工作人员。研究结果表明,物理距离和集中接触者追踪是最有效的减少感染,但下面是合规的临界点,物理距离就没那么有效了。如果学生遵从性高,单独的建筑起到了隔离感染学生,从而优雅地提高合规。混合面对面和在线课程和关闭健身中心不显著改变累积感染但显著减少受感染的数量在任何给定的时间,指示曲线“压扁”策略来保护有限的资源。补充物理距离和集中接触者追踪降低感染者的一个额外的14%;增加测试频率student-facing员工产量进一步下降7%。增加感染的数量之间存在一个平衡测试,针对测试中的关键节点(即接触网络。student-facing员工)。 There are significant advantages to getting and acting on test results quickly. The costs and benefits to universities of these findings are discussed. Artificial universities can be an important decision support tool for universities, generating useful policy insights into the challenges of operating universities under pandemic conditions.

1。作品简介:哭需要洞察力

操作SARS-CoV-2流行条件下高等教育机构是一个危险的,复杂的,昂贵的任务。流行病学的简单模拟模型可以适应让校方测试组合干预措施,但这些模型通常忽视人的因素(例如,社交网络和合规的多个维度),严重影响是否干预失败或成功。定制的政策模拟将机密数据对许多学校学生和工作人员禁止在成本和构建所需的专业知识,他们不能被共享,复制工作。仪表板提供通用的建议不考虑事实的大学相差很大的干预措施在政治上可行的(例如,关闭足球是不可思议的在一些地方,和集中接触者追踪别人太有争议)或经济上可行的(大规模测试、跟踪和隔离方案可以非常昂贵的材料,空间,和人员)。大部分仪表板使用可用的数据来支持智能推断未来,尽管这些数据通常不用于大学。此外,大学不同的才算是成功,因此他们自然会运用不同的指标来评估组合的干预措施的有效性(例如,减少感染,或优化好的结果还是坏的结果)。有迫切需要灵活的和及时的政策建模,可以应用在许多不同的制度环境。

应对这种需求,人类仿真组创建了人工大学(τ)。τ是一个灵活的计算机模拟大学完全基于公开web-scraped数据典型的课程表,住宅和用餐安排,教职员工的年龄分布,校内和校外活动,健身房、俱乐部、和通勤。τ有三倍配置过程呈现人工大学密切匹配任何现实世界的大学(图1)。

首先,τ可以配置为大学特征相匹配。τ处理学校的任何大小和组成,没有研究生两年和四年制大学和研究型大学研究生。仿真考虑教职员工的年龄分布,课程表,复杂多样的校内和校外住宅多样化bathroom-sharing安排,校园食堂,专业检疫大楼和地板,校园体育馆和俱乐部,校园体育和公共活动,校外接触和通勤。基于仿真的方法允许应用程序的各种知识预测方法和并不局限于智能推断的数据。

第二,τ可以配置为匹配的范围设定可行的干预措施对于一个给定的大学。τ的干预措施包括允许或关闭健身房,体育,学生俱乐部,和校园活动;混合类dedensify教室同时保持住教育面对面和在线;不同能力和可靠性的测试方案,对感染和抗体,以及不同延迟获取结果的可能性增加感染的频率测试基于抗体测试结果,或员工是否有student-facing工作;不同强度的接触者追踪,从匿名程序由大学管理者集中跟踪;和不同强度的检疫隔离的时期将症状人们隔离建筑得到员工的支持。τ也考虑符合物理距离要求,报告症状接触者追踪应用,隔离和时期的预期。这些关键人为因素可以损害干预措施的有效性。

第三,τ可以配置为应对大学的价值负载的角度,它产生非常不同的指标来评估干预措施的组合是否成功。大学可能会强调COVID-19对弱势人群的危险,包括老的教职员工和所有年龄段的人都与先前存在的条件下,在这种情况下,他们将寻求最大化的人数不会感染。有些人可能更喜欢混合指标优化的区别积极成果(从未感染或恢复)和负面结果(死亡或再感染)。还有一些人可能想要考虑股本和分配正义问题和所有需要占金融现实。结果指标,在特定的意义上,它们会导致不同的干预的优先顺序数组。τ支持所有的观点是一个复杂的复杂,多属性、多值决策问题。建模过程本身有助于使问题和解决方案方法切实通过描述它们的共同语言仿真,以便权衡和妥协变得清晰和意想不到的后果在其他价值领域可能避免。

2。材料和方法

2.1。计算仿真设计

计算政策模拟,τ是一个基于代理的流行病学模型(就像(1])。每个代理,是否学生、教师或员工,国家之间移动的易感,感染,恢复,和resusceptible,在一定程度上取决于生物因素。(需要注意的是,这些都是个人代理国家用来跟踪代理是否可能会传染给另一个代理。τ不是population-compartmental模型,经常用于流行病学模拟。)因为已经有确认再感染(即。,the virus causing the second infection is genetically different from the virus causing the first), it is important to allow for the possibility that periods of immunity are short.

τ不是一个空间模型;这是一个连接网络模型。网络链接的途径可能与传染病人会议。因此,两个代理节点相连,当有身体接触,因此感染的可能性,表示被一起上课,一起生活在一个宿舍,或者去健身房或一所大学的事件。链接是加权根据感染的可能性。因为大学有一个节奏安排一周的,网络是静态的。干预措施修改网络链接,减少会议的可能性,因此同样的感染。例如,物理距离,戴面罩,关闭健身房、和dedensifying教室使用混合现场和远程教学系统减少感染的可能性,从而减轻链接权重,有时完全消除链接。合规的水平越高,感染的概率越低。可以添加额外的网络,如家人,朋友,或者其他的社会关系,但是,对于这些网络,通常不存在数据在大学水平。 Further details about TAU’s design—including complete documentation of entities, state variables, time scales, networks, network link types, process scheduling, parameters, and initialization—are provided in the online model documentation athttps://github.com/centerformindandculture/TheArtificialUniversity。

注意,在这个模型中使用的网络是基于copresence(近似的基础上接触占据空间同时)而非关系数据(友谊和家庭关系等社会关系)。Copresence数据地址建模和实际问题。对建模SARS-CoV-2的传播,持续copresence(如坐在在教室附近)或共同生活的环境(如suitemates或应尽义务和共享浴室设施)是至关重要的传播媒介。实际上,关系数据等关系友谊可以高度敏感的社会环境,因此,难以推广。此外,关系数据资源密集而copresence数据更容易假设基于事件的分布和生活条件。

2.2。实验设计:探索性分析

τ是高度随机,因此我们建立了一个大型数据集通过席卷参数空间30复制为每个参数设置的组合,寻求95%的信心的结果变量。这一技术领域的探索性分析是常用的深的不确定性(例如,[2])。它表面metabehavior紧急行为和改变系统的解空间,包括引爆点定义的边界行为制度。通过这些信息,清楚假设,τ促进思维深入复杂的情况而不是提供直接的重要问题的答案(见[3])。τ的能力促进更深的理解一个复杂的管理问题是特别重要的,因为大学不存在真实的数据来验证流行病学模型以量化方式。知名大学2020年9月关闭确认合规的失败可以全面破坏COVID-management计划,这是一个有用的定性确认τ的发现,合规是唯一最重要的解释因素,但定量验证必须等待新的数据集出现。

我们提出一个评价干预措施的数组使用健康结果指标(例如,减少感染)两个人工大学、四年制大学和研究型大学(见表1)。大多数大学的可配置方面(如居住安排、通勤、课程表、和活动)是线性缩放和人口这两所大学之间的主要区别是大小。

结果两个人工大学是相似的,所以我们报告在规模较小的大学有6500人除非另有注明。我们没有报告相同类型和大小的不同配置大学(例如,大部分是在校园里通勤的学生和居民服务)。τ表面令人惊讶的和有用的信息干预和临界点的有效性,应该有用的大学规划。

我们不同的参数与特定的干预措施。使用Latin-hypercube-sampling方法,我们发现500参数组合探索参数扫描。我们每个参数组合或直到30倍95%信心实现三个输出指标:的人数不会感染,感染的总数(包括再感染)和混合指标措施积极成果之间的区别(从未感染或恢复)和负面结果(死亡或再感染)。由此产生的15000机器上运行了好几天的最大可用性128核和1 TB的内存。然后我们跑通过统计软件包分析模拟数据集R开始干预参数的灵敏度分析和传递给更具体的测试。

我们设置的流行病学参数基于流行病学和病毒学文学评论。6500人大学的报道,我们固定其他参数使用从刮数据发现:staff-faculty-student比率,比例的学生在校园宿舍,分布类型的宿舍和学生分享浴室的数量,分布食堂、校园活动频率、俱乐部和体育,课程表,校外活动。

τ是8.5.2 AnyLogic开发的版本。在可用的开源模型和文档https://github.com/centerformindandculture/TheArtificialUniversity。给出了τ的仪表板http://mindandculture.org/projects/modeling-social-systems/vivid/vivid-dashboard/。仪表板促进探索各种具体干预措施的影响使用两个不同的大学人口健康结果指标。

3所示。结果

3.1。识别哪些干预措施产生最大的影响

最重要的干预高符合物理距离。在τ,物理距离减少了感染的概率通过网络链接和对应现实世界中戴着面具和保持身体分开。使用“减少感染”指标的调整R²测试、高符合物理距离70%的方差(图解释道2)。

添加合同跟踪的变体,包括集中跟踪和强劲的后续隔离,以确保时期带来的总方差解释到83%。添加一个策略来提高测试人员student-facing工作频率(例如,人在食堂工作,清洗领域,学生和密集会见学生)进一步增加方差解释到86%。

注意调整R²测试了一个点球添加额外的因素进入回归,所以有更多的干预措施包括收敛的影响。因此,重要的干预越少图的层次结构2可能仍然是重要的,当考虑单独或结合高符合物理距离。探索这种可能性,τ仪表板(http://mindandculture.org/projects/modeling-social-systems/vivid/vivid-dashboard/)允许用户可视化预测健康影响不同个体的干预措施。

如果我们假设学生遵守社会距离不会比50%(可能是一个合理的假设),做其他干预措施还以同样的方式排序吗?要回答这个问题,我们固定教职员工合规各类高水平和固定学生各类合规为50%(除了符合强制隔离在一个单独的建筑为感染学生,固定高,和干预本身被允许打开或关闭)。在这种情况下,五个因素解释方差的大部分“从未感染数量”指标。三大冲击前的顺序(合规因素消除后),尽管方差解释较低,提醒合规的重要性如下:(1)集中监测接触者追踪(adjR²= 0.64)(2)增加:增加测试student-facing员工(adjR²= 0.75)(3)添加:混合类dedensify房间(adjR²= 0.78)

接下来的两个因素如下:(4)添加:强制隔离受感染的学生在一个单独的建筑,可以改善遵从性(adjR²= 0.78)(5)添加:忽略感染检测抗体检测呈阳性的人,释放测试为他人(adjR²= 0.78)

改变度量“感染(包括再感染)”和最后两个因素开关顺序。

我们还要求将会发生什么如果不习惯集中接触者追踪,从而解决一个大问题对于高校学生,教师,或员工对隐私的脑波。在这种情况下,干预以类似的方式排列,顺序略有不同,低得多的-R²值。注意外观的新因素排在第四位,增加测试频率为年长的教职员工:(1)提高感染测试student-facing员工(adjR²= 0.31)(2)添加:强制隔离受感染的学生在一个单独的建筑,可以改善遵从性(adjR²= 0.42)(3)添加:混合类dedensify房间(adjR²= 0.50)(4)增加:增加感染测试年长的教职员工(adjR²= 0.52)

这些结果开车回家的重要性高的学生遵守学校干预项目的方方面面,集中的影响开展接触者追踪,并且“优雅地迫使”感染学生的价值高昂的达标模式通过使用一个单独的隔离空间。

同样重要的是要注意,干预对卫生结果的影响相对较低。他们包括以下:关闭健身中心关闭学生团体和俱乐部取消大型体育赛事取消大事件超过一个阈值的大小增加测试频率对患者健康的漏洞延长接触者追踪历史从7天到14天

在大型研究型大学,τ相似但不相同的因素占方差在健康结果的列表。这里有六大因素(注意值越高的-R²):(1)高依从性:物理距离(adjR²= 0.79)(2)增加:增加感染测试student-facing员工(adjR²= 0.87)(3)增加:增加感染测试年长的教职员工(adjR²= 0.90)(4)添加:集中监测接触者追踪(adjR²= 0.93)(5)添加:高依从性:测试方案(adjR²= 0.94)(6)添加:高依从性:报告症状(adjR²= 0.95)。

3.2。混合类结构

与大学面临无数的集体诉讼,指控未能提供承诺在2020年早期教育经验由于开关远程教育,能够提供一个安全、高质量的生活和面对面的教育是大学管理者的当务之急。实现这一目标的一个方法是一个混合系统,同时与两组进行生活类,人与其他远程。这种方法dedensifies远程教室,包括脆弱的学生和学生隔离。混合动力系统还允许国际学生可能不被允许进入这个国家继续他们的教育。

τ,混合教室每周工作符合三次通过分裂类分成三个大小相等的,不重叠的排的学生上课面对面每周一天,参加远程的其他两个17朔发生在一个房间里举行一次全班的能力。类满足每周两次使用两个排的学生,和长类满足每周有两个排交替周亲自出席。图3评估这种干预策略的有效性。从未感染数量的模拟(图3(一个)与混合类)并没有显著提高,但感染的最大数量(图在任何给定的时间3 (b))是显著降低(30%)。由此可见,校方不应指望混合类显著降低总体感染,但他们可以合理期待的“平曲线”减慢的感染率。

我们假设排在教室产生有限的影响增加人从未感染的总数,因为大多数学生仍住在校园宿舍里。它可能会选择排在这样一种方式对应于校园区域,以及由此产生的空间划分可能有助于限制任何疫情的传播。但这可能是困难的,非常困难,与不同的类来实现在真实的课程表频率成分,所以τ不评估这种可能性。

医院急诊部门非常需要放缓的感染率以避免超过资源。根据他们的政策,大学可能面临类似的挑战,特别是如果他们留出一定数量的建筑bathroom-equipped房间的人隔离的症状。混合类可以平曲线,以避免超过这些至关重要的和有限的资源,即使他们只略微增加的人数永远不会感染。同样适用于健身中心关闭,这应该是传播媒介通过表面和沉重的呼吸。这类干预措施不明显降低最终感染总数但是他们缓慢的感染率。如果平曲线是很重要的,那么这些政策是有意义的。

3.3。临界点为符合Physical-Distancing指南

人类表现出丰富多样的个性,信念,意识形态,和程度的prosociality,导致不同愿意遵守physical-distancing指南。物理距离是唯一最重要的干预优化社会健康指标,但它需要持续合规,尤其是年轻人经常发现尝试。因此,这是一个重要的疑问物理距离真正让多大的区别。

图4显示感染的数量在模拟的程度符合物理距离,对所有参数组合。有一个临界点约0.6(模拟,这意味着60%的概率是兼容)。虽然略有不同临界点取决于精确的参数集,这个形状和响应曲线总是表明校方应该期望收益增加依从性高但很少收益较低的遵从性。也就是说,如果物理距离不是做得很好,一点并没有这么做。因此,大学应该尽可能容易使身体距离面具,间隔标记为队列和单向交通在可能的情况下。大学社区(包括学生)需要促进遵守物理距离的好处guidelines-particularly年轻人在他们的社区。

3.4。补充物理距离测试和接触者追踪

“减少感染”指标,下一个最好的干预(在高符合物理距离)是严格的接触者追踪和灵活的测试策略。多大的差别他们使减少感染的数量吗?τ的调查结果显示如下:(即中央跟踪。,,centralized information about contact tracing, followed by enforcement of isolation among traced individuals) increases the number of people never infected by 14% (this is all of the policy variations with central tracking compared to all of the policy variations without central tracking)测试student-facing员工经常此外从未感染的人数增加7.6%符合接触者追踪的要求高,这意味着报告当COVID-19症状有经验或试验结果表明感染时,从来没有被感染的人数进一步增加了4.5%

增加测试人员的频率与student-facing工作提出了一个重要的成本效益分析难题,因为测试是昂贵的和频繁的测试是按比例更加昂贵。我们问τ如何增加的频率测试人员student-facing工作影响感染的数量(图5)。有一个拐点的4倍左右,考虑到所有参数组合,表明没有获得测试student-facing员工大约四倍比其他人更频繁。

3.5。优化测试

τ检查情况没有感染测试与16 infection-testing策略,将抗体测试策略。16 infection-testing策略依赖于以下几点:减少infection-testing频率后积极的抗体测试(是的如果抗体测试是激活,否则,没有;阳性抗体测试是不可能的,直到至少4周后恢复)提高infection-testing频率student-facing人员(是/否)提高infection-testing频率对患者健康的漏洞(是/否)推动infection-testing频率老年人校园(是/否)

有一个延迟收到感染测试结果,从24到72小时。两种类型的测试不同成本更昂贵更准确,还有一个规模经济,即测试收益率降低每个测试成本。τ是提供两种类型的固定数量的测试,这产生了一个固定成本与指定的测试成本的不确定性(重要的大学站内部测试设备成本不确定)。τ还提供措施的准确性(假阳性和假阴性的可能性)。

分析表明,任何测试方案远比没有强。对于感染测试,最重要的因素是每周的测试数量,其次是增加测试频率高接触节点的身体接触网络。相比之下,其他测试选项产生边际收益。图6显示了人工大学120天后的局势为六个不同的测试配置。横轴表示student-facing员工每周平均测试频率,纵轴表示的是从未感染数量在仿真结束,每周和每个曲线显示了数量的测试。这些曲线的形状表明这两个因素之间有一个权衡,这样测试关键人物往往可以更具成本效益的不仅仅是增加测试的数量。

图7显示了人工大学120天后的局势为三个不同的测试配置。横轴表示病毒每天测试的数量,纵轴表示的是从未感染数量,颜色显示测试频率提高student-facing员工,和形状表示延迟接收测试结果(24小时或72小时)。得到迅速感染试验结果(而不是24小时72小时)产生显著的差异。

3.6。下游追踪隔离的后果

校园事件的爆发,很多人会通过接触者追踪,但在大多数情况下被识别(假定适当的物理距离遵循协议),只有一小部分人会被感染。在一些模型运行,三分之一的学生需要self-isolate接触者追踪后,尽管没有被感染。

这一发现表明,大学实行严格的接触者追踪和隔离程序必须准备大量的学生隔离和需要准备相应的关键系统。这些包括教育隔离的必要性时期、食品服务、情感支持的人们隔离(COVID-19研究已经显示了情感因素与隔离和焦虑是心理健康的关键,敏锐和长期)和基础设施促进正在进行的远程课堂参与。

这种支持系统可以是昂贵的,特别是在人员成本。因此,同样重要的是要记住,追踪分离并不意味着感染和移动trace-flagged学生更昂贵的专用住房才可能是有效的自我孤立的人的症状出现或测试显示了感染,此时人们可以通过室友搬到这里是为了避免传播病毒和共享浴室。

3.7。对比指标

指标用于评估政策的成功反映了潜在的价值,这是至关重要的人为因素在一个大流行。显示指标,我们运行了一个regression-subset分析指标(图“减少感染”2)和“混合”指标跟踪积极和消极的结果之间的差异(如上所述)。对这两个指标:有些因素也同样重要高符合物理距离混合(远程和现场)类

其他因素的重要性有所不同:延长的历史接触者追踪混合指标更重要增加感染的频率测试student-facing员工是更重要的“最小化感染”指标

由此可见,大学管理者需要仔细审查他们的价值观和选择最相关的度量标准的情况下完全意识到替代指标为干预有效性可能会产生不同的结果。

4所示。讨论和结论

使用τ,我们评估社会距离的可能影响,接触者追踪,测试活动闭包,dedensifying策略,和各种其他干预措施。τ表明社会距离的需求(包括戴面罩)最重要的影响感染,其次是中央跟踪和提高检测频率为关键网络节点,包括员工与强化学生接触。然而,高合规所需的最佳效果。社会距离,我们看到一个临界点的有效性在合规率达到60%,显示了需要创建“购买”学生,职员,教师,要求有针对性的宣传活动。

各种指标的使用让我们考虑不同的观点,促进多值的角度选择可以比较和副作用。这样多值角度竞赛倾向于集中在一个或两个域捕获立即关注,对他人的排斥。

我们想要从大学τ对实际数据进行验证。不幸的是,这种数据尚不存在,尽管τ的发现合规的重要性已经充分证实了许多大学2020年9月倒闭的事实直接归因于合规失败。《纽约时报》的数据从2020年9月开始在大学只报告感染和测试结果和没有数据供应政策,或遵从性,所以不能用来验证τ。

值得进一步思考计算模拟的角色在缺乏完整的真实数据集所需的全面验证。如前所述,即使没有针对相关大学数据验证,τ的架构,从参数的过程,本身就是脚踏实地,所以τ是有用的作为一种认为深入流行条件下大学管理的问题,检测干预有效性的关键解释因素和临界点。这一点上取得了一系列重要的出版物,开始Troitzsch [4]。最近的实用建议验证可以在戴维斯et al。5),直接地址模拟像τ的意义,这是验证因果结构的低水平但不能验证需要高水平的定量数据的正确的类型。探讨了同一点的深度沙尔丹哈et al。6]。

τ有限制,我们认为机会的扩展。举例来说,我们的目标是整合τ与县级COVID-19医疗联盟的仪表板的数据(c19hcc.org)引入更大的现实主义的方式τ处理大学校园的孔隙率。我们想要添加实时校准对大学感染统计数据。正式的成本效益分析模块和一个公平正义的指标目前正在开发包含的模拟。此外,丰富的仪表板http://mindandculture.org/projects/modeling-social-systems/vivid/vivid-dashboard/将简化的三倍过程配置τ,TAU-simulated上运行分析数据,生成可视化帮助交流的政策。也有一些变体干预对于一些大学已经包括,可能有用,比如更密集的接触者追踪,试图找到超级传播者。2020年6月,我们发布了τ作为一个开源产品允许他人做出这样的调整,从而有助于帮助高校管理的项目大流行。

尽管有这些限制,τ为大学已经是一个强大的决策支持工具。它表明一个人工大学实施了基于个体模型使用接触网络,集成一个流行病学模型对人为因素的敏感性,对公开数据和校准,Diallo的指导方针等。7)-生成有价值的洞察运营大学流行条件下的挑战。

数据可用性

为探索τ可以在仪表板界面http://mindandculture.org/projects/modeling-social-systems/vivid/vivid-dashboard/。这个网站包含链接到模型、文档和数据(见https://github.com/centerformindandculture/TheArtificialUniversity)。

信息披露

工作是协同COVID-19医疗联盟下进行。的观点、意见和/或结果包含在本文作者所提供的斜方的公司和不应被视为一个官方的立场,或决定,除非指定的其他文件。的贡献是公开发布的批准,无限(Case-Nr分布。20-01789-7。©2020斜方公司版权所有)。

的利益冲突

作者宣称没有利益冲突。

确认

作者很高兴承认Eric Weisel博士的工作,执行董事维吉尼亚建模、分析与模拟中心老道明大学,和他的一些工作人员为他们提供一个仪表板界面支持nonprogrammatic人工大学对模拟数据的访问。这项研究是由组织采用作者:中心思想和文化,波士顿大学,弗吉尼亚建模、分析与模拟中心老道明大学,西悉尼大学,斜方公司。

引用

1. p . t . Gressman和j·r·派克”模拟COVID-19在大学环境中,“数学生物科学文章ID 108436卷,328年,2020年。视图:出版商的网站|谷歌学术搜索
2. j . h . Kwakkel和p . Erik探索性建模和分析,为基于模型的远见深不确定性,”技术预测和社会变革,卷80,不。3、419 - 431年,2013页。视图:出版商的网站|谷歌学术搜索
3. a . f . Siegenfeld n n·塔勒布,y拐点,”模型能做什么和不能告诉我们关于COVID-19,”美国国家科学院院刊》上,卷117,不。28日,2020年。视图:出版商的网站|谷歌学术搜索
4. k . g . Troitzsch“验证仿真模型”学报18欧洲模拟Multiconference:网络模拟和仿真网络2004年6月,德国马格德堡。视图:谷歌学术搜索
5. p·k·戴维斯,a . O’mahony t·r·基尔德O . a . Osoba和k .丢掉“优先级挑战社会和行为研究及其建模、”美国圣塔莫尼卡:兰德公司(RAND Corporation), 2018年。视图:出版商的网站|谷歌学术搜索
6. e .沙尔丹哈l . m . Blaha a . v . Sathanur h·内森,美国茱莉亚,和m .油渣,“评估和验证方法模拟的社会行为:挑战和机遇,”社会行为为复杂系统建模,页495 - 519年,约翰·威利& Sons,新泽西,纽约,美国,2019年。视图:出版商的网站|谷歌学术搜索
7. 郑胜耀迪亚洛,w . j . Wildman f . l . Shults和a . Tolk“人类仿真:观点、见解和应用程序”宗教的科学研究系列的新方法施普林格,2019年。视图:谷歌学术搜索

版权

版权©2020韦斯利·j·Wildman等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。