Complexity Sciences and Artificial Intelligence for Improving Lives through Convergent Innovation
Notice bibliographique
Résumé
This panel symposium brings together a unique portfolio of scientists in management, artificial intelligence and complexity science to help address questions bearing on how organizations and organization theory can contribute more and faster to the betterment of society through ameliorating the health and well-being of those who live in it. The overarching goal of the panel symposium is to advance the development of the integrative translational research framework of Convergent innovation (CI). As a form of meta-innovation–an innovation in the way we innovate, CI is a novel transdisciplinary and cross-sectoral approach that combines theory- and data-driven science to capitalize on powerful computational models and improve understanding and prediction of behavioral and system-level pathways of more targeted innovations. Panelists will progressively discuss : (1) how a multidimensional compositional approach to behavioral research can be effectively integrated into complexity science and artificial intelligence modeling; (2) how artificial intelligence methodologies can examine emotions as part of the client- provider interface, within the context of emotion-aware human-computer dialogue; (3) how fine-grained agent-based models enable organizations and systems forming society while keeping individual behavioral at the center; (4) how social network models can bridge individuals to their community and broader societal context; (5) how multi-method computational models can integrate decisions made by several different actors and across different scales by individuals themselves and by organizations and institutions deveining the context in which individuals live. Insights will be provided on how this multiscale model framework can formalize the convergent innovation framework.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».