Two-Level, Dynamic, Week-Long Work Episode Scheduling Model
Notice bibliographique
Résumé
The two-level dynamic model presented in this paper was developed for scheduling work episodes within a 1-week planning period. The week-long time frame captures day-to-day variability in an individual’s work participation within a typical week. Two types of work episodes are modeled: those planned before the week (preplanned) and those scheduled during the week (unplanned). The first level of the model schedules preplanned work episodes, considering workers’ total time awake as their time budget. After the schedule of the preplanned episodes is known, the second level schedules unplanned work episodes. In this level the duration of preplanned episodes is subtracted from the first level’s time budget to define the individual’s time constraint. In each level of the framework, discrete-continuous econometric models are used to model jointly the decision of working on each day with the associated episode duration and start time. Results indicate that not only do work episodes have different attributes based on the time when they are added to the schedule but also there are interdependencies between preplanned and unplanned work episode scheduling. Working on previous days of the week increases the probability of scheduling work episodes on the following days; this setup is representative of the routine nature of much work activity. Workers with a fixed place of work schedule more preplanned work episodes, whereas they engage in fewer unplanned episodes. Flexible work duration increases time expenditure on preplanned episodes. Both models are estimated with computerized household activity scheduling survey data collected in Toronto, Ontario, Canada.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».