Mathematical analysis of agent swarm behavior in an agent-based electronic health record system
Notice bibliographique
Résumé
System behavior, in a multi-agent system, can be difficult to predict and often, unexpected system behaviors will occur which lead to poor system performance. These unexpected system behaviors result from unforeseen group actions of agent groups, and agent-group behavior that is not directly coded by the agent designers. This paper presents a mathematical model to analyze agent swarm behavior in an agent-based system. Our mathematical model is composed of a set of differential equations, which will be the main focus of our study into agent dynamics and complex systems. We demonstrate our mathematical model by applying it to an agent-based health record system (ABHRS). The ABHRS is an electronic health record system which is enhanced using mobile agent technology. The main idea of the ABHRS is to allow patient health records to autonomously move through a computer network uniting scattered and distributed data into one consistent and complete data set or patient health record. ABHRS is an example of multi-agent swarm system, which composed of many simple agents and a system that is able to self-organized. A prototype ABHRS was developed in this work using TEEMA (TRLabs execution environment for mobile agents) platforms and experimental results using this prototype are presented. Our experimental results suggest that the ABHRS will in fact have predictable attributes such as growing clusters of mobile agents at Doctor, Pharmacy and Lab sites. In addition, our numerical (experimental) results closely match those of our theoretical model for the system
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».