How one builds, checks, validates and interprets a model depends on its 'purpose'.This is true even if the same model code is used for di erent purposes.This means that a model built for one purpose but then used for another needs to be re-justified for the new purpose and this will probably mean it also has to be rechecked, re-validated and maybe even re-built in a di erent way.Here we review some of the di erent purposes for a simulation model of complex social phenomena, focusing on seven in particular: prediction, explanation, description, theoretical exploration, illustration, analogy, and social interaction.The paper looks at some of the implications in terms of the ways in which the intended purpose might fail.This analysis motivates some of the ways in which these 'dangers' might be avoided or mitigated.It also looks at the ways that a confusion of modelling purposes can fatally weaken modelling projects, whilst giving a false sense of their quality.These distinctions clarify some previous debates as to the best modelling strategy (e.g.KISS and KIDS).The paper ends with a plea for modellers to be clear concerning which purpose they are justifying their model against.

Malaria is a public health problem that affects remote areas worldwide. Climate change has contributed to the problem by allowing for the survival of Anopheles in previously uninhabited areas. As such, several groups have made developing news systems for the automated diagnosis of malaria a priority.The objective of this study was to develop a new, automated, mobile device-based diagnostic system for malaria. The system uses Giemsa-stained peripheral blood samples combined with light microscopy to identify the Plasmodium falciparum species in the ring stage of development.The system uses image processing and artificial intelligence techniques as well as a known face detection algorithm to identify Plasmodium parasites. The algorithm is based on integral image and haar-like features concepts, and makes use of weak classifiers with adaptive boosting learning. The search scope of the learning algorithm is reduced in the preprocessing step by removing the background around blood cells.As a proof of concept experiment, the tool was used on 555 malaria-positive and 777 malaria-negative previously-made slides. The accuracy of the system was, on average, 91%, meaning that for every 100 parasite-infected samples, 91 were identified correctly.Accessibility barriers of low-resource countries can be addressed with low-cost diagnostic tools. Our system, developed for mobile devices (mobile phones and tablets), addresses this by enabling access to health centers in remote communities, and importantly, not depending on extensive malaria expertise or expensive diagnostic detection equipment.

Tuberculosis remains one of the world's deadliest infectious diseases. About one-third of the world's population is infected with tuberculosis bacteria. Understanding the dynamics of transmission at different spatial scales is critical to progress in its control. We present an agent-based model for tuberculosis epidemics in Barcelona, which has an observatory on this disease. Our model considers high heterogeneity within the population, including risk factors for developing an active disease, and it tracks the individual behavior once diagnosed. We incorporated the immunodeficiency and smoking/alcoholism, as well as the individual's origin (foreigner or not) for its contagion and infection as risks factors. We implemented the model in Netlogo, a useful tool for interaction with physicians. However, the platform has some computational limitations, and we propose a solution to overcome them.

Today, tuberculosis (TB) is still one of the major threats to humankind, being the first cause of death by an infectious disease worldwide. TB is a communicable chronic disease that every year affects 10 million people and kills almost 2 million people in the world. The main key factors fueling the disease are the progressive urbanization of the population and poverty‐related socioeconomic factors. Moreover, the lack of effective tools for TB diagnosis, prevention, and treatment has decisively contributed to the lack of an effective model to predict TB spread. In Nigeria, the rapid urbanization along with unprecedented population growth is causing TB to be endemic. This paper proposes a mathematical model to evaluate TB burden in Nigeria by using data obtained from the local TB control program in the community. This research aims to point out effective strategies that could be used to effectively reduce TB burden and death due to TB in this country at different levels. The study shows that efforts should be oriented to more active case finding rather than increasing the treatment effectiveness only. It also reveals that the persistence of the disease is related to a large number of latently infected individuals and quantifies the lives that could be saved by increasing the notification rate using active case finding strategy. We conclude that undiagnosis is the bottleneck that needs to be overcome in addition to the incorporation, improvement, and/or strengthening of treatment management and other essential TB control measures in Nigeria.

A dynamic ridesharing service is a system that enables drivers and riders to arrange one-time shared rides, with sufficient convenience and flexibility to be used on a daily basis. The quality of a dynamic ridesharing service is critical for commuters who need to reach their end destination on time every day. To ensure satisfactory quality, the waiting times in a ridesharing service must be low. This paper describes a dynamic ridesharing model proposal for commuters living in a small community in the Barcelona metropolitan area. The proposal solves transport problems between the community and a communication hub served by trains and buses. A survey was sent to community residents to find out whether they would be interested in the idea and willing to participate in a pilot test. A simulation model was built to determine to most suitable type of dynamic ridesharing model given the limited numbers of responses received and the heterogeneous mobility patterns of drivers and riders in the community. Reasonable good results are obtained for the morning commute but improvements are needed for the return commute in the afternoon. Further work will be required to increase the number of drivers interested in the ridesharing service.

A dynamic ridesharing service is a system that enables drivers and riders to arrange one-time shared rides, with sufficient convenience and flexibility to be used on a daily basis. The quality of a dynamic ridesharing service is critical for commuters who need to reach their end destination on time every day. To ensure satisfactory quality, the waiting times in a ridesharing service must be low. This paper describes a dynamic ridesharing model proposal for commuters living in a small community in the Barcelona metropolitan area. The proposal solves transport problems between the community and a communication hub served by trains and buses. A survey was sent to community residents to find out whether they would be interested in the idea and willing to participate in a pilot test. A simulation model was built to determine to most suitable type of dynamic ridesharing model given the limited numbers of responses received and the heterogeneous mobility patterns of drivers and riders in the community. Reasonable good results are obtained for the morning commute but improvements are needed for the return commute in the afternoon. Further work will be required to increase the number of drivers interested in the ridesharing service.

The use of agent-based modelling and simulation techniques in the social sciences has flourished in the recent decades.The main reason is that the object of study in these disciplines, human society present or past, is difficult to analyze through classical analytical techniques.Population dynamics and structures are inherently complex.Thus, other methodological techniques need to be found to more adequately study this field.In this context, agent-based modelling is encouraging the introduction of computer simulations to examine behavioural patterns in complex systems.Simulation provides a tool to artificially examine societies, where a big number of actors with decision capacity coexist and interact.However, formal modelling in these areas has not traditionally been used compared to other fields of science , specially in their use of formal languages during the modelling process.In this chapter we aim to revise the most relevant aspects on modelling in social sciences and to discuss the use formal languages by social scientists.

Tuberculosis remains one of the world's deadliest infectious diseases. About one-third of the world's population is infected with tuberculosis bacteria. Understanding the dynamics of transmission at different spatial scales is critical to progress in its control. We present an agent-based model for tuberculosis epidemics in Barcelona, which has an observatory on this disease. Our model considers high heterogeneity within the population, including risk factors for developing an active disease, and it tracks the individual behavior once diagnosed. We incorporated the immunodeficiency and smoking/alcoholism, as well as the individual's origin (foreigner or not) for its contagion and infection as risks factors. We implemented the model in Netlogo, a useful tool for interaction with physicians. However, the platform has some computational limitations, and we propose a solution to overcome them.

Abstract Accurate short-term prediction of Covid19 cases with empirical models allow Health Officials to prepare for hospital contingencies in a two-three week window given the delay between case reporting and the admission of patients in a hospital. We investigate the ability of Gompertz-type empiric models to provide accurate prediction up to two and three weeks to give a large window of preparation in case of a surge in virus transmission. We investigate the stability of the prediction and its accuracy using bi-weekly predictions during the last trimester of 2020 and 2021. Using data from 2020, we show that understanding and correcting for the daily reporting structure of cases in the different countries is key to accomplish accurate predictions. Furthermore, we found that filtering out predictions that are highly unstable to changes in the parameters of the model, which are roughly 20%, reduces strongly the number of predictions that are way-off. The method is then tested for robustness with data from 2021. We found that, for this data, only 1-2% of the one-week predictions were off by more than 50%. This increased to 3% for two-week predictions, and only for three-week predictions it reached 10%.