Qual é a diferença entre análise de sensibilidade e validação de modelo?

Li as duas páginas da wikipedia de análise de sensibilidade e validação de modelo (aqui, apenas validação de regressão linear), mas não consigo encontrar uma maneira de separar esses dois termos.

Tenho a impressão de que o primeiro é mais utilizado na academia e na engenharia em geral e o segundo na "ciência de dados".

Uma opção que vejo é modificar o nível de descrição desses termos: a análise de sensibilidade é mais como um termos geral para projetar um ramo de métodos de alto nível, e a validação do modelo pode ser mais específica e incluir na análise de sensibilidade.

Alguma ideia?

Estou mais interessado na diferença do que nas semelhanças entre essas duas noções.

Isso é um pouco de simplificação excessiva, mas a validação do modelo geralmente diz sobre o quão bem o modelo atual se ajusta aos dados disponíveis.

As análises de sensibilidade indicam a probabilidade de os resultados com base nesse modelo mudarem, com base em novas informações ou alterações em suas suposições.

Por exemplo, alguém poderia desenvolver um modelo destinado a determinar o impacto que uma intervenção tem sobre um resultado, e esse modelo poderia validar bem com os dados coletados (isto é, parece muito bom em prever a resposta). No entanto, esse modelo se baseia em uma série de suposições - uma sendo que todas as covariáveis ​​são contabilizadas. Uma análise de sensibilidade poderia dizer quanto os resultados do seu modelo mudariam se essa nova variável "imaginária", com certas propriedades, existisse.

Além disso, a análise de sensibilidade pode ser considerada uma ferramenta para aprimorar a validade do modelo, escolhendo valores adequados (calibração) para os parâmetros de entrada mais críticos. Ao usar a análise de sensibilidade e definir os valores dos parâmetros de entrada, adicionamos mais credibilidade ao modelo em questão.