5D Library › 集群动力学、耦合振子同步与分布式共识的数学模型 · English
第八章 实践与预注册试验
注
本章的核查表是一个思考工具,不是管理咨询,也不构成任何政治主张,不承诺任何结果。 示例是一个虚构的 12 人委员会,所有成员、网络与估计值都是编造的,只用来演示计算方法,不来自任何真实的组织、社群或客户。
第一部分 四步防回音室与同步校准表
前六章的模型可以整理成四个问题,适用于任何「一群人反复交流后共同给出一个判断」的情形,例如一个委员会估计活动的参加人数。
- 量影响力。 画出「谁听谁」的网络,按第五章算出每个人的影响力 与有效人数 。最大影响力远高于 ,说明结论主要由少数几个人决定。
- 先独立,后交流。 在任何讨论之前,让每个人私下写下自己的估计并保存。用这组独立估计检查:如果影响力最大的人带有偏差,共识会被拉偏多少(第五章的 )。
- 查分簇与桥。 按第六章的有界信任模型,看在合理的容忍阈值下,独立估计会分成几群;再看群与群之间的联系是否都集中在一个人身上——如果是,这个人既是唯一的桥,也是唯一的过滤器。
- 校准同步。 收敛快不等于结论好(第五章:快与准彼此无关;第二章:过度同步可能有害)。记录每一轮的分歧,事先规定讨论的轮数与结束条件,并始终把「独立估计的简单平均」作为对照保留下来。
把核查表用在虚构的委员会上。12 名成员的独立估计已经写下。之前:召集人(成员 0)与所有人互相听取,其余成员分成两个小圈子 {1…6} 与 {7…11},每人只听圈内左右两人。之后:12 人排成一个环,每人听左右各 2 人,召集人只是一个普通席位。程序给出四步的结果:第 3 步先看独立估计在不同容忍阈值下分成几群;第 1、2、4 步比较两种网络(第 2 步假设召集人带有 +15 的偏差、各人噪声标准差为 20,用 20,000 次模拟估计共识的均方根误差)。
推导
# Four-step check for a FICTIONAL 12-member committee that estimates a quantity together
# (all numbers invented). Before: member 0 (the convener) hears and is heard by everyone;
# the rest form two small circles {1..6} and {7..11}, each member hearing only its two
# circle neighbours. After: every member hears 2 neighbours on each side of one ring of 12
# (member 0 becomes an ordinary seat).
import math, random
N = 12
def circle(m): # members m[0], m[1], ... in a circle, each hears 2
return {m[k]: {m[k - 1], m[(k + 1) % len(m)]} for k in range(len(m))}
C = {**circle(list(range(1, 7))), **circle(list(range(7, N)))}
BEFORE = [set(range(1, N))] + [C[i] | {0} for i in range(1, N)]
AFTER = [{(i + s) % N for s in (-2, -1, 1, 2)} for i in range(N)]
START = [92, 120, 118, 125, 131, 115, 122, 78, 84, 70, 88, 81] # first private estimates
def influence(adj): # DeGroot with self-loops: pi_i proportional to d_i + 1
w = [len(a) + 1 for a in adj]; return [x / sum(w) for x in w]
def degroot(adj, x, rounds):
for _ in range(rounds):
x = [(x[i] + sum(x[j] for j in a)) / (len(a) + 1) for i, a in enumerate(adj)]
return x
def hk_groups(x, eps): # bounded-confidence clusters among the private estimates
for _ in range(200):
x = [sum(v for v in x if abs(v - u) <= eps) / sum(abs(v - u) <= eps for v in x)
for u in x]
return sorted({round(v, 1) for v in x})
def bias_error(adj, rng, bias=15.0, sd=20.0, draws=20000):
pi = influence(adj); e = 0.0 # member 0 carries a bias of +15
for _ in range(draws):
e += (sum(p * rng.gauss(0, sd) for p in pi) + pi[0] * bias) ** 2
return math.sqrt(e / draws)
def cross_links(adj, g): # links joining the two camps, and members holding them
links = [(i, j) for i, a in enumerate(adj) for j in a if i < j and g[i] != g[j]]
top = max(sum(k in e for e in links) for k in range(len(adj)))
return len(links), top / len(links)
if __name__ == "__main__":
rng = random.Random(8)
print(f"private estimates {START}; mean {sum(START) / N:.1f}")
for eps in (10, 20, 30, 40):
print(f" tolerance eps = {eps}: groups end at {hk_groups(START, eps)}")
side = [int(v >= 100) for v in START] # the two camps visible at eps = 20
for name, adj in (("before", BEFORE), ("after", AFTER)):
pi = influence(adj); top = max(range(N), key=pi.__getitem__)
x5 = degroot(adj, START, 5)
print(f"[{name}] 1 max pi = {pi[top]:.3f} (member {top}), N_eff = 1/sum pi^2 ="
f" {1 / sum(p * p for p in pi):.1f} of {N}")
eq = math.hypot(20 / N ** .5, 15 / N)
print(f" 2 RMS error, member 0 biased by +15 (noise SD 20):"
f" {bias_error(adj, rng):.2f} [equal weights {eq:.2f}]")
nl, nm = cross_links(adj, side)
print(f" 3 links between the camps: {nl} of {sum(map(len, adj)) // 2};"
f" share via one member {nm:.2f}")
cons = sum(p * v for p, v in zip(pi, START))
print(f" 4 spread after 5 rounds {max(x5) - min(x5):5.1f} (start"
f" {max(START) - min(START)}); consensus {cons:.1f}")
# private estimates [92, 120, 118, 125, 131, 115, 122, 78, 84, 70, 88, 81]; mean 102.0
# tolerance eps = 10: groups end at [82.6, 121.6]
# tolerance eps = 20: groups end at [82.2, 121.8]
# tolerance eps = 30: groups end at [101.7]
# tolerance eps = 40: groups end at [102.0]
# [before] 1 max pi = 0.214 (member 0), N_eff = 1/sum pi^2 = 9.8 of 12
# 2 RMS error, member 0 biased by +15 (noise SD 20): 7.21 [equal weights 5.91]
# 3 links between the camps: 6 of 22; share via one member 1.00
# 4 spread after 5 rounds 10.0 (start 61); consensus 100.6
# [after] 1 max pi = 0.083 (member 0), N_eff = 1/sum pi^2 = 12.0 of 12
# 2 RMS error, member 0 biased by +15 (noise SD 20): 5.91 [equal weights 5.91]
# 3 links between the camps: 6 of 24; share via one member 0.33
# 4 spread after 5 rounds 12.3 (start 61); consensus 102.0第 3 步:12 个独立估计的平均为 102.0;容忍阈值为 10 或 20 时,意见收拢为约 82 与约 122 两群,阈值为 30 时才归为一群。也就是说,这个委员会实际上有两个阵营。
第 1 步:之前的网络中召集人的影响力为 0.214(平均为 0.083),有效人数 9.8;之后影响力完全平均,有效人数 12.0。第 2 步:若召集人带有 +15 的偏差,之前网络中共识的均方根误差为 7.21,之后为 5.91,与等权平均相同。第 3 步的后半:两种网络中跨阵营的联系都是 6 条,但之前全部经过召集人一人(比例 1.00),之后最多三分之一经过同一个人。第 4 步:之前的网络收敛更快,5 轮后分歧从 61 降到 10.0,之后的网络为 12.3;共识值分别为 100.6 与 102.0。之前的网络更快地达成了一个更依赖召集人的结论——这正是第五章「快与准彼此无关」的例子。
第二部分 预注册整群随机对照试验方案
问题
在多轮连续数值估计中,当网络中的核心席位带有已知的偏差时,「中心化辐射拓扑」(所有人都看到核心席位,最大影响力高)与「等度去中心化正则环网」(每个席位的度相同,核心席位只是普通一员)相比,是否使群体最终估计的误差更大?
证据
已有的证据。 贝克尔等人 2017 年的实验中,中心化网络的结果取决于中心人物:其初始估计偏离真值时,群体平均估计的误差上升 19%;接近真值时下降 43% (Becker et al. 2017)。洛伦茨等人 2011 年发现社会影响降低了估计的多样性而没有相应提高准确度 (Lorenz et al. 2011)。但作者没有找到一项在核心席位的偏差事先固定、两组除拓扑外完全相同的条件下,以群体最终误差为唯一主要结局的预注册整群随机试验。
设计
| 要素 | 规定 |
|---|---|
| 设计 | 两组平行的整群随机对照试验;随机化单位为 20 个席位组成的「小组」,按场次两两配对、组内 1:1 分配 |
| 参与者 | 年满 18 岁、能流利阅读任务语言、用电脑作答的成年人,经公开的在线研究参与者平台招募;不从作者的社群、学员或客户中招募 |
| 程序席位 | 每组 20 个席位中 1 个由程序扮演,每题显示真值的 2 倍(对数偏差 );知情同意书事先说明「部分显示的估计可能由程序生成」 |
| 任务 | 10 道数量估计题(事先在独立样本中预试,选用群体初始中位数与真值相差不超过约 10% 的题目),每题 3 轮:第 1 轮独立作答,第 2、3 轮看到 4 个席位上一轮的估计后修改 |
| 中心化组 | 每人看到程序席位与 3 名同伴(在 19 人环上的 −1、+1、+2 位置) |
| 去中心化组 | 20 个席位排成环,每人看到左右各 2 个席位;程序席位是环上的普通一员,只有 4 人能看到它 |
| 主要结局 | 小组层面:10 道题上「19 名参与者第 3 轮估计的对数平均值与对数真值之差的绝对值」的平均 |
| 次要结局 | 个人第 3 轮的平均绝对对数误差;第 3 轮估计的离散度(对数标准差);估计向程序席位移动的幅度;第 1 轮到第 3 轮群体误差的变化 |
| 样本量 | 每组 49 个可分析的小组,随机化 58 个,共 116 组、2,204 名参与者 |
| 分析 | 以小组为单位的线性回归(组别 + 配对区组),见下文 |
分析方法具体为:以小组为分析单位,对主要结局做「组别 + 配对区组」的线性回归,报告均值差 (中心化组减去去中心化组,正值表示中心化使误差更大)及其 95% 置信区间,双侧 。敏感性分析:以每道题的小组误差为结局、小组为随机效应的混合模型。报告按 CONSORT 整群试验扩展版的要求进行 (Campbell et al. 2012)。
两组每人每轮看到的估计都是 4 个,只有「谁被看到」不同。主要结局只设一项,理由有三:它直接衡量框架关心的「最终共识误差」;它在随机化的单位(小组)上定义,避免把同组参与者当成相互独立的样本;对数尺度适合数量估计题中常见的右偏分布。参与者获得固定报酬,另按自己第 3 轮的准确度获得奖金,两组相同。
为什么要写明偏差的大小。 在德格鲁特模型中,一个永不更新的程序席位只要与网络连通,长期来看会把所有人拉到它的值上;两种拓扑的差别只在于前几轮拉得多快。本试验只有 3 轮,比较的正是这个有限时间内的差别。下面的程序还显示,偏差较小时,中心化结构把大家的估计拉近、减少噪声,这一效果可能抵消偏差。
样本量
推导
# Chapter 8 trial. Part 1: a MODEL of one group (assumptions, not estimates). 20 seats;
# seat 0 is a disclosed scripted seat that always shows truth x e^b (log bias b > 0).
# 19 people answer 10 questions in 3 rounds: round 1 alone, then each sees 4 estimates of
# the previous round and moves a share a_i ~ U(0.1, 0.6) toward their mean.
# hub arm: everyone sees seat 0 plus 3 peers (offsets -1, +1, +2 on a ring of the 19)
# ring arm: 20-seat ring, everyone sees seats at -2, -1, +1, +2 (seat 0 is ordinary)
# Log estimate = truth + c_q + e_i, c_q ~ N(0, 0.05) (questions pre-tested to have crowd
# medians near the truth), e_i ~ N(0, 0.60). Group outcome = mean over the 10 questions of
# |mean final log estimate of the 19 people - log truth|. Part 2: groups per arm.
import math, random
from statistics import NormalDist, mean, stdev
H, Q = 19, 10
def views(arm):
if arm == "hub":
return [[None] + [(i + d) % H for d in (-1, 1, 2)] for i in range(H)]
ring = [[(s + d) % 20 for d in (-2, -1, 1, 2)] for s in range(1, 20)]
return [[None if v == 0 else v - 1 for v in r] for r in ring] # None = scripted seat
def group(arm, cq, b, rng):
vw = views(arm); a = [rng.uniform(0.1, 0.6) for _ in range(H)]; err = 0.0
for c in cq:
x = [c + rng.gauss(0, 0.60) for _ in range(H)]
for _ in range(2):
x = [(1 - a[i]) * x[i] + a[i] * sum(b if j is None else x[j]
for j in vw[i]) / 4 for i in range(H)]
err += abs(sum(x) / H)
return err / Q
def groups_per_arm(sd, diff, power=0.90, alpha=0.05):
z = NormalDist().inv_cdf
return math.ceil(2 * (z(1 - alpha / 2) + z(power)) ** 2 * sd ** 2 / diff ** 2) + 1
if __name__ == "__main__":
rng = random.Random(2017); cq = [rng.gauss(0, 0.05) for _ in range(Q)]
print("scripted bias b hub arm (SD) ring arm (SD) difference hub - ring")
for b in (0.40, math.log(2), 1.00):
hub = [group("hub", cq, b, rng) for _ in range(1000)]
ring = [group("ring", cq, b, rng) for _ in range(1000)]
print(f" {b:.3f} (x{math.exp(b):.2f}) {mean(hub):.4f} ({stdev(hub):.4f})"
f" {mean(ring):.4f} ({stdev(ring):.4f})"
f" {mean(hub) - mean(ring):+.4f}")
print("analysable groups per arm, power 90 % (+1 for the t distribution):")
print(" SD of outcome SESOI 0.02 SESOI 0.03 SESOI 0.05")
for sd in (0.025, 0.030, 0.040):
print(f" {sd:.3f} " + "".join(f" {groups_per_arm(sd, s):5d} "
for s in (0.02, 0.03, 0.05)))
n = groups_per_arm(0.030, 0.02); rec = math.ceil(n / 0.85)
print(f"plan (b = ln 2): SD 0.030, SESOI 0.02, 15 % of groups lost -> {n}"
" analysable,")
print(f" {rec} randomised per arm: {2 * rec} groups of 20 seats,"
f" {2 * rec * H} people")
n80 = groups_per_arm(0.030, 0.02, power=0.80)
print(f"80 % power alternative: {n80} analysable per arm")
# scripted bias b hub arm (SD) ring arm (SD) difference hub - ring
# 0.400 (x1.49) 0.1172 (0.0265) 0.1204 (0.0282) -0.0032
# 0.693 (x2.00) 0.1432 (0.0299) 0.1213 (0.0284) +0.0219
# 1.000 (x2.72) 0.1806 (0.0344) 0.1228 (0.0294) +0.0578
# analysable groups per arm, power 90 % (+1 for the t distribution):
# SD of outcome SESOI 0.02 SESOI 0.03 SESOI 0.05
# 0.025 34 16 7
# 0.030 49 23 9
# 0.040 86 39 15
# plan (b = ln 2): SD 0.030, SESOI 0.02, 15 % of groups lost -> 49 analysable,
# 58 randomised per arm: 116 groups of 20 seats, 2204 people
# 80 % power alternative: 37 analysable per arm程序第一部分不是数据,而是对试验的一个模型:每人第 1 轮的对数估计为真值加题目偏差(标准差 0.05)加个人噪声(标准差 0.60),之后每轮向看到的 4 个估计的平均移动一个比例 (在 0.1 与 0.6 之间均匀分布)。这些都是假设,不是任何研究的估计值。模型给出三个结果。程序席位的偏差为 0.40(显示真值的 1.49 倍)时,中心化组的平均误差(0.1172)反而略低于去中心化组(0.1204),差为 :所有人都被拉向同一个固定值,群体平均的噪声下降,抵消了偏差。偏差为 (2 倍)时,差为 ;偏差为 1.00(2.72 倍)时为 。这些差值依赖于抽到的题目偏差 :核查时换用 4 个其他种子(每臂 600 组)重算,偏差 0.40 时差在 到 之间,方向不定;偏差 时在 到 之间。所以稳健的结论是偏差 0.40 时两组「几乎没有差别」,而不是中心化一定更好。所以「核心席位带偏差时中心化一定误差更大」并不成立,结论取决于偏差的大小;本方案固定 。
样本量按以下假设计算:最小关注效应为 0.02(模型中去中心化组的误差约为 0.12,0.02 相当于相对增加约 17%,与贝克尔等人报告的中心人物偏离真值时误差增加 19% 同一量级);小组结局的标准差取 0.030(模型中为 0.028 至 0.030);双侧 ,把握度 90%,按 分布加 1。每组需要 49 个可分析的小组;考虑约 15% 的小组因参与者流失(第 3 轮完成者少于 15 人)而不可分析,每组随机化 58 个,共 116 组、2,204 名参与者。标准差为 0.025 或 0.040 时,每组分别需要 34 或 86 个小组;最小关注效应为 0.03 时,标准差 0.030 下需要 23 个。如需较小规模的备选方案,80% 把握度下每组需要 37 个可分析的小组,应在登记时一并写明。正式试验之前先做一次预试验,只用来检查程序、界面与题目,不用来改变样本量。
注
「90% 把握度」的含义。 与第 33 本一致:90% 指在真实效应恰好等于最小关注效应()时,得出某种「中心化增大误差」结论的概率;在这种情况下,判定规则得出最强结论「至少增大 0.02」的机会只有约 2.5%。下面的判定程序用模拟验证了这一点。
判定规则
推导
# Decision rule for the Chapter 8 trial, fixed before any data are collected.
# d = mean group outcome (mean absolute log error of the final group estimate), hub arm
# minus ring arm, with its 95 % CI; positive d = the hub topology makes groups less
# accurate.
# SESOI = 0.02. Gates: more than 20 % of randomised groups unanalysable (fewer than 15 of
# the 19 people complete all three rounds), or the scripted seat failed to display in more
# than 5 % of group-rounds -> NOT INTERPRETABLE.
import math, random
from statistics import NormalDist
SESOI = 0.02
def verdict(d, lo, hi, lost=0.08, display_fail=0.01):
if lost > 0.20:
return (f"d = {d:+.3f}: NOT INTERPRETABLE - {100 * lost:.0f} % of groups lost"
" (limit 20 %)")
if display_fail > 0.05:
return (f"d = {d:+.3f}: NOT INTERPRETABLE - scripted seat missing in"
f" {100 * display_fail:.0f} % of rounds")
if lo >= SESOI: v = "hub topology adds at least 0.02 to the error"
elif lo > 0: v = "hub topology adds error; 0.02 not shown"
elif hi < 0: v = "hub topology REDUCES the error"
elif lo >= -SESOI and hi <= SESOI: v = "no difference worth acting on"
else: v = "unclear: the interval is too wide to decide"
return f"d = {d:+.3f} ({lo:+.3f} to {hi:+.3f}): {v}"
SHORT = {"hub topology adds at least 0.02 to the error": "adds >= 0.02",
"hub topology adds error; 0.02 not shown": "adds",
"no difference worth acting on": "no difference",
"hub topology REDUCES the error": "reduces",
"unclear: the interval is too wide to decide": "unclear"}
if __name__ == "__main__":
for case in ((0.031, 0.019, 0.043), (0.034, 0.022, 0.046), (0.012, 0.001, 0.024),
(0.002, -0.010, 0.014), (-0.015, -0.027, -0.003), (0.010, -0.025, 0.045),
(0.030, 0.018, 0.042, 0.24), (0.030, 0.018, 0.042, 0.05, 0.09)):
print(verdict(*case))
# Verdict frequencies: 49 analysable groups per arm, SD of the group outcome 0.030,
# 10,000 simulated trials for each true d (t quantile with 96 df).
rng = random.Random(44); n, sd, tq = 49, 0.030, 1.9850
for true in (0.02, 0.03, 0.0):
tally = {}
for _ in range(10000):
a = [rng.gauss(true, sd) for _ in range(n)]
b = [rng.gauss(0, sd) for _ in range(n)]
ma, mb = sum(a) / n, sum(b) / n
ss = sum((x - ma) ** 2 for x in a) + sum((x - mb) ** 2 for x in b)
d, se = ma - mb, math.sqrt(ss / (2 * n - 2) * 2 / n)
v = verdict(d, d - tq * se, d + tq * se).split(": ", 1)[1]
tally[SHORT[v]] = tally.get(SHORT[v], 0) + 1
ranked = sorted(tally.items(), key=lambda kv: -kv[1])
print(f"true d = {true:+.2f}: "
+ ", ".join(f"{k} {c / 100:.1f} %" for k, c in ranked))
# d = +0.031 (+0.019 to +0.043): hub topology adds error; 0.02 not shown
# d = +0.034 (+0.022 to +0.046): hub topology adds at least 0.02 to the error
# d = +0.012 (+0.001 to +0.024): hub topology adds error; 0.02 not shown
# d = +0.002 (-0.010 to +0.014): no difference worth acting on
# d = -0.015 (-0.027 to -0.003): hub topology REDUCES the error
# d = +0.010 (-0.025 to +0.045): unclear: the interval is too wide to decide
# d = +0.030: NOT INTERPRETABLE - 24 % of groups lost (limit 20 %)
# d = +0.030: NOT INTERPRETABLE - scripted seat missing in 9 % of rounds
# true d = +0.02: adds 88.0 %, unclear 6.8 %, no difference 2.6 %, adds >= 0.02 2.6 %
# true d = +0.03: adds 62.6 %, adds >= 0.02 37.2 %, unclear 0.2 %, no difference 0.0 %
# true d = +0.00: no difference 80.7 %, unclear 14.0 %, reduces 2.7 %, adds 2.6 %前八行示例结果是编造的。超过 20% 的随机化小组不可分析,或程序席位在超过 5% 的「小组—轮次」中未能正常显示时,无论结果如何,报告都写「不可解释」。只有当 的 95% 置信区间下限不低于 0.02 时,报告才写「中心化结构使误差至少增大 0.02」。模拟显示,每组 49 个小组、真实的 恰为 0.02 时,在 10,000 次模拟试验中,88.0% 得出「增大误差,但未证明达到 0.02」,2.6% 得出最强结论,二者合计 90.6%;真实的 为 0.03 时,37.2% 得出最强结论;真实没有差别时,80.7% 得出「没有值得行动的差别」,2.6% 错误地得出「增大误差」,2.7% 得出「中心化减小误差」。各项次要结局只报告估计与区间,不用来推翻主要结论。
这项试验不能说明什么
第一,结论只对写明的偏差(程序席位显示真值的 2 倍)成立;模型显示偏差较小时方向可能相反,而真实中心人物的偏差大小与方向都不固定。第二,程序席位不是真实的领导者:真实的中心人物会给出理由、有声望,也会被说服;本试验只检验网络位置本身的作用。第三,这是抽象的在线估计任务,不能推广到真实组织、社群或公共舆论,更不能用来支持或反对任何政治主张。第四,试验只有 3 轮;在德格鲁特模型中,一个不更新的席位长期会把任何连通网络拉到它的值上,所以本试验比较的是有限轮数内的速度差别。第五,网络结构是实验者规定的,现实中的网络是人们自己选择的,两者的效应可能不同。第六,在线平台的参与者不代表一般人群。
伦理与利益冲突
这是一项低风险研究:任务是抽象的数量估计,不涉及健康干预,不收集健康信息与可识别的个人信息。试验须经独立伦理委员会审查批准,每位参与者在线签署知情同意,并在第一组参与者入组之前登记方案与分析计划 (Nosek et al. 2018)。知情同意书事先说明「部分显示的估计可能由程序生成」,但不告知是哪一个席位;这属于经伦理委员会批准的有限信息保留,任务结束后向所有参与者说明程序席位的位置、偏差与研究目的。任何人可随时退出并获得已完成部分的报酬。数据匿名保存,只用于计算预先规定的指标。无论结果正负,都将发表。
利益披露
作者以 5D Library 的著作(包括本书)作为其社群课程、升维牌卡(5D Ascension Cards,Dimensional Shift Card Decks)与 Yafu AI 知识库的方法论基础,因此与本书主题有商业利益关系。本书不推销任何课程、牌卡或服务;第八章的试验设计为由独立于作者企业的研究人员实施和分析,不从作者的社群、学员或客户中招募;书中所有代码与研究方案均公开,供任何人检验。作者创办并经营 Yafu Global 与 Asia Influencer X 社群业务,与本书主题有直接商业利益。本书不是管理咨询,也不构成任何政治主张。
参考文献
Fan, Y. (2026). Collective Dynamics, Coupled-Oscillator Synchrony and Distributed Consensus: From the Kuramoto Phase Transition and Vicsek Flocking to DeGroot Spectral Convergence, Read Beside Classical Chinese Thought on Harmony and Conformity [集群动力学、耦合振子同步与分布式共识的数学模型] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828063 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).