MétaCan
Menu
Retour à la cohorte
Enregistrement W3099113830 · doi:10.1007/978-3-030-51909-4_7

Agent-Directed Simulation and Nature-Inspired Modeling for Cyber-Physical Systems Engineering

2020· book-chapter· en· W3099113830 sur OpenAlexaff
Tuncer Ören

Notice bibliographique

RevueSimulation foundations, methods and applications · 2020
Typebook-chapter
Langueen
DomaineDecision Sciences
ThématiqueSimulation Techniques and Applications
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésCyber-physical systemPhysical systemComputer scienceCloud computingPhysical scienceData scienceSystems engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

The definition of cyber-physical systemsCyber-Physical Systems (CPS) is revised from the point of view of the evolution of physical toolsEvolution of physical tools. The desirable synergies and contributions of the following disciplines are elaborated to tackle the complexity of cyber-physical systemsCyber-Physical Systems (CPS): simulationSimulation, agent-directed simulationAgent-directed simulation, and systems engineeringSystems engineering, including simulation-based cyber-physical systemsCyber-Physical Systems (CPS) engineeringCyber-Physical Systems Engineering. Over 80 types of systems engineeringSystems engineering are also listed. The richness of paradigms offered by nature-inspired modelingNature-inspired modeling and computing are elaborated on and sources of information, as well as over 60 possibilities offered by nature-inspired modeling, for simulation-based cyber-physical systemsCyber-Physical Systems (CPS) engineeringCyber-Physical Systems Engineering are pointed out. Some other important possibilities, such as cloud computation, big data analytics, cyber security, and ethical issues are treated in other chapters of the book and are not elaborated in this chapter.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0110,003

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.

Tête enseignante Opus0,167
Tête enseignante GPT0,485
Écart entre enseignants0,318 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSimulation foundations, methods and applicationsMême sujetSimulation Techniques and ApplicationsTravaux en français237 207