不确定性档案 - 第2页共2页 - The Red Team Analysis Society

用 "自我网络 "构筑展望方案的叙事方式

在许多展望方法中，一旦你确定了主要的因素或变量，到了为情景制定叙事的时刻，除了 "充实情景和制定故事 "的内容外，你没有得到关于如何完成这一步骤的指导。

在此，我们将另辟蹊径，提供一种直接和简单的方法来编写情景。我们将使用我们为Everstate构建的动态网络--或为另一个问题--以及社会网络分析和可视化软件中的 "自我网络 "功能来指导叙述的发展和写作。

这篇文章的其余部分是为我们成员以及那些购买了特殊访问计划的人。确保你得到真正的分析，而不是意见，或者更糟的是，假新闻。登录并访问这篇文章。

一旦变量（根据作者，也称为因素和驱动因素）被确定，在我们的案例中绘制的而大多数预见方法的目的是减少它们的数量，即只保留这些变量中的几个。

事实上，考虑到认知的局限性，以及有限的资源，人们试图获得一些可以被人脑轻松和相对快速地组合的变量。

我们在这里面临的方法论问题是如何最多减少这个变量的数量，确保我们不会重新引入偏见或/和简化我们的模型，以至于变得无用或次优。

此外，考虑到从业者对复杂模型的潜在不良反应，能够提出一个适当的简化或缩小的模型（但仍忠实于初始模型）往往是必要的。

实际上，任何SF&W模型，因为它主要处理的是时间，应该是一个动态的网络。如果我们的理解模型是静态的，我们怎么能期望获得任何潜在的未来轮廓？

因此，我们的地图旨在代表政体的潜在动态。我们将特别使用 Ertman在过去的国家建设方面的工作，但使其能够适应现在和未来的条件。