Creating Agents and Landscapes for Multiagent Systems from Random Samples
Notice bibliographique
Résumé
An important goal of modeling human-environment interactions is to provide scientific information to policymakers and stakeholders in order to better support their planning and decision-making processes. Modern technologies in the fields of GIS and data processing, together with an increasing amount of accessible information, have the potential to meet the varying information needs of policymakers and stakeholders. Multiagent modeling holds the promise of providing an enhanced collaborative framework in which planners, modelers, and stakeholders may learn and interact. The fulfillment of this promise, however, depends on the empirical parameterization of multiagent models. Although multiagent models have been widely applied in experimental and hypothetical settings, only few studies have strong linkages to empirical data and the literature on methods of empirical parameterization is still limited. This paper presents a straightforward approach to parameterize multiagent models in applied development research. The parameterization uses a common sampling frame to randomly select observation units for both biophysical measurements and socioeconomic surveys. The biophysical measurements, i.e., soil properties in this study, are then extrapolated over the landscape using multiple regressions and a digital elevation model. The socioeconomic surveys are used to estimate probability functions for key characteristics of human actors, which are then assigned to the model agents with Monte Carlo techniques. This approach generates a landscape and agent populations that are robust and statistically consistent with empirical observations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».