Diagrams-to-Dynamics (D2D): Exploring Causal Loop Diagram Leverage Points under Uncertainty
从图到动态：在不确定性下探索因果回路图的干预点AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要侧重无经验数据的探索性系统动力学；因果图名称和静态网络比较不足以归入计量因果识别或网络干扰方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
从图到动态：在不确定性下探索因果回路图的干预点
- 研究问题
- 在缺乏经验数据时，如何将定性的静态因果回路图转化为可探索动态行为的模型，并比较假想干预点的重要程度与不确定性？
- 方法与思路
- 作者要求标注存量、流量、辅助变量和常量，利用图中连接及其正负方向生成探索性系统动力学模型，并模拟假想干预。
- 材料陈述的贡献
- 摘要称，D2D 的干预点排序比静态网络中心性更接近一个校准模型，同时提供不确定性信息、数据收集提示及软件实现。
- 阅读关注点
- 应核对从图到方程的转换规则、参数不确定性的设定、排序一致性的衡量，以及与校准模型共享结构可能带来的影响。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；无数据的假想干预不能直接验证因果效应，跨案例适用性仍待研究。
原文摘要
Background: Causal loop diagrams (CLDs) are widely used in health and environmental research to represent hypothesized causal structures underlying complex problems. However, as qualitative and static representations, CLDs are limited in their ability to support dynamic analysis and inform intervention strategies. We propose Diagrams-to-Dynamics (D2D), a method for converting CLDs into exploratory system dynamics models in the absence of empirical data. With minimal user input - following a protocol to label variables as stocks, flows or auxiliaries, and constants - D2D utilizes the structural information already encoded in CLDs, namely the existence and polarity of causal connections, to simulate hypothetical interventions and explore potentially influential places to intervene, known as 'leverage points,' under uncertainty. Results: D2D helps distinguish between high- and low-ranked leverage points. We compare D2D to a calibrated system dynamics model constructed from the same CLD and variable labels. D2D showed greater consistency with the calibrated model than did static network centrality analysis, while also providing uncertainty estimates and guidance for future data collection. Conclusions: The D2D method is implemented in an open-source Python package and a web-based application to support further testing and to lower the barrier to dynamic modeling for researchers working with CLDs. Future studies could help establish the approach's utility across a broad range of cases and domains.