گزینه های زیر را بررسی کنید.
کدام یک از مدل های زیر مستعد یک حلقه بازخورد هستند؟
یک مدل پیش‌بینی ترافیک که ازدحام در خروجی‌های بزرگراه نزدیک ساحل را پیش‌بینی می‌کند و از اندازه جمعیت ساحل به عنوان یکی از ویژگی‌های آن استفاده می‌کند.
برخی از مسافران ساحل احتمالاً برنامه های خود را بر اساس پیش بینی ترافیک قرار می دهند. اگر ازدحام جمعیت زیادی در ساحل وجود داشته باشد و ترافیک سنگین پیش بینی شود، بسیاری از افراد ممکن است برنامه های جایگزینی را انجام دهند. این ممکن است میزان مشارکت در ساحل را کاهش دهد و منجر به پیش‌بینی ترافیک سبک‌تر شود، که ممکن است حضور را افزایش دهد و چرخه تکرار شود.
یک مدل توصیه کتاب که بر اساس محبوبیت آنها (یعنی تعداد دفعاتی که کتاب‌ها خریداری شده‌اند) رمان‌هایی را پیشنهاد می‌کند که ممکن است کاربرانش دوست داشته باشند.
توصیه‌های کتاب احتمالاً باعث خرید می‌شوند، و این فروش‌های اضافی به عنوان ورودی به مدل بازگردانده می‌شود، و احتمال اینکه در آینده همین کتاب‌ها را توصیه کند بیشتر می‌شود.
یک مدل رتبه‌بندی دانشگاهی که مدارس را تا حدی بر اساس گزینش آنها رتبه‌بندی می‌کند - درصد دانش‌آموزانی که درخواست کردند که پذیرفته شدند.
رتبه بندی این مدل ممکن است علاقه بیشتری را به مدارس دارای رتبه برتر جلب کند و تعداد برنامه های دریافتی آنها را افزایش دهد. اگر این مدارس به همان تعداد دانش آموز پذیرش کنند، گزینش پذیری افزایش می یابد (درصد پذیرش دانش آموزان کاهش می یابد). این باعث افزایش رتبه بندی این مدارس می شود که علاقه دانش آموزان آینده را بیشتر افزایش می دهد و غیره…
یک مدل نتایج انتخابات که برنده رقابت شهرداری را با نظرسنجی از 2 درصد از رای دهندگان پس از بسته شدن صندوق ها پیش بینی می کند.
اگر مدل پیش بینی خود را تا پس از بسته شدن نظرسنجی منتشر نکند، امکان ندارد پیش بینی های آن بر رفتار رأی دهندگان تأثیر بگذارد.
یک مدل ارزش مسکن که قیمت خانه را با استفاده از اندازه (مساحت به متر مربع)، تعداد اتاق خواب و موقعیت جغرافیایی به عنوان ویژگی پیش بینی می کند.
تغییر سریع مکان، اندازه یا تعداد اتاق‌های خواب خانه در پاسخ به پیش‌بینی‌های قیمت، امکان‌پذیر نیست، و حلقه بازخورد را بعید می‌سازد. با این حال، به طور بالقوه بین اندازه و تعداد اتاق خواب ها همبستگی وجود دارد (خانه های بزرگتر احتمالاً اتاق های بیشتری دارند) که ممکن است نیاز به جداسازی داشته باشند.
مدلی با ویژگی‌های چهره که تشخیص می‌دهد آیا فردی در عکسی لبخند می‌زند یا خیر، که به طور منظم در پایگاه داده عکاسی استوک آموزش داده می‌شود که به‌طور خودکار ماهانه به‌روزرسانی می‌شود.
در اینجا هیچ حلقه بازخوردی وجود ندارد، زیرا پیش بینی های مدل هیچ تاثیری بر پایگاه داده عکس ما ندارد. با این حال، نسخه‌سازی داده‌های ورودی ما در اینجا یک نگرانی است، زیرا این به‌روزرسانی‌های ماهانه به طور بالقوه می‌تواند اثرات پیش‌بینی‌نشده‌ای روی مدل داشته باشد.