随着网络神经科学的发展，网络模型的建构日渐走向多元化，但模型应用的差异性也使沟通变得困难，为科研合作带来了障碍。因此，寻找更好的网络神经科学模型分类方法成为了当下亟待解决的难题。本文检验了网络神经科学领域中模型的使用情况，提出一种基于三个维度的网络模型分类方法，并分析了对于模型效度的检验目标。
网络神经科学的研究对象，主要是结构错综复杂的大脑。这个学科使用物理等其他领域所开发的工具来研究基于神经现实的网络系统模型，这些系统能被定义为独立功能单元与它们之间的关系，其中单元称为“节点”，节点间的连接称为“边”。开发并分析网络模型，能帮助我们理解这些模型代表的真实神经网络，并对其机制进行解释和预测。
网络模型支持许多量化分析的方法。最常见的，就是通过 N x N 邻接矩阵（adjacency matrix）进行成对比较（pair-wise comparison）。邻接矩阵的结构，能够进一步用一套叫做图论（graph theory）的数学方法进行描述与推导。除此之外，也可以对于简单图进行抽象概括后再分析（如超图或单纯复形），或使用不依靠图论的分析方法。
网络模型的建构，早已不再限于卡哈尔在显微镜下看到的神经元网络，而是趋于多元化。虽然都叫做网络模型，不同的学者对于自己的应用可能作出不同的假设，引向不同的分析和结论。应用多样化本是件好事，但模型应用的差异性也使沟通变得困难，为科研合作带来了障碍。若要促进科学发现，网络神经科学需要更好的模型分类方法。
本篇文章检验了网络神经科学领域中模型的使用情况，提出了一种基于三个维度的网络模型分类方法，并分析了对于模型效度的检验目标。
本文提出，网络神经科学中所用到的模型种类，可以按照三个维度来进行分类。第一个维度由数据表征延伸到理论构建，第二个维度由功能现象延伸到结构层面，第三个维度由粗颗粒度延伸到基本单元。
第一个维度由数据表征延伸到理论构建。这个维度关注的问题为：该模型是否只是对于观测到的数据的直接表征，还是对于数据背后的系统运作机制提出了理论？
第二个维度由生物物理现实延伸到功能现象学。生物物理现实主义的网络模型包含物理存在的现实元素，例如以神经元作为节点，以神经轴突连接模式作为边。处于功能现象学一端的网络模型中的节点和边，不一定对应真实物理存在。这些模型中可能包含人脑影像学数据中的功能连接性，或是细胞神经科学中的噪声相关性。
第三个维度由基本描述延伸到粗颗粒度近似。
在网络神经科学的背景下，基于神经元学说，基本描述通常指神经元层面或以下，而粗颗粒度近似则指以上的层面。基本描述模型中，节点和边是以自然基本形式存在、不可还原的元素，用于研究结构和功能之间的关系如何从这些基本描述中浮现。而粗颗粒度近似模型中的节点和边，则可能是相对而言更加高层抽象的存在，研究方向更加注重于理解网络系统中浮现出的特性本身，不一定需要明确地考虑系统的基本构造。
本文认为上述的三个维度是相对独立的。例如，一个数据驱动的模型，可以具有生物物理现实的结构，也可以更偏重功能现象描述；可以是细颗粒度、包含基本单元，也可以是粗颗粒度近似。这些维度组成一个三维空间，网络神经科学领域用到的多种多样的模型，都可以在这个空间中找到自己的位置。
对于一个特定网络模型的效度进行评估，一般都是使用标准的统计模型选择方法。这些方法能在数据拟合优度和模型复杂度之间找到一个平衡，避免过度拟合，并提供简洁、可概括的结论。然而，由于网络模型的用途多种多样，这个平衡或许非常难找，而且对于不同模型来说可能不太一样。
未来展望，由于模型数量与种类众多，不同模型能带来的合理见解也大不相同。在实践上，研究人员必须明确地说明其研究目标，并解释所选择的模型与参数对该目标来说为什么合适、是否能够有效地测量其效度。另一方面，研究人员也可以构建跨越不同类型和维度的模型，或是以克服原有模型的局限性，并发扬不同模型的优势。