MétaCan
Menu
Retour à la cohorte
Enregistrement W4367323522 · doi:10.1287/opre.2023.2452

Preface to the Special Issue on Behavioral Queueing Science: The Need for a Multidisciplinary Approach

2023· article· en· W4367323522 sur OpenAlexaff
Ármann Ingólfsson, Avishai Mandelbaum, Kenneth L. Schultz, Galit B. Yom‐Tov

Notice bibliographique

RevueOperations Research · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAdvanced Queuing Theory Analysis
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMultidisciplinary approachQueueing theoryComputer scienceManagement scienceService (business)Work (physics)Operations researchStrengths and weaknessesBehavioral modelingBehavioural sciencesField (mathematics)QueueEngineering ethicsRisk analysis (engineering)PsychologyArtificial intelligenceSociologySocial scienceEngineeringMathematicsPsychotherapistMedicineSocial psychology

Résumé

récupéré en direct d'OpenAlex

Preface to the Special Issue on Behavioral Queueing Science: The Need for a Multidisciplinary Approach Modern service systems are economically important but operationally complex. In “Preface to the Special Issue on Behavioral Queueing Science: The Need for a Multidisciplinary Approach,” Ingolfsson, Mandelbaum, Schultz, and Yom-Tov discuss how this special issue advances the scientific study of queues in services systems by acknowledging the central role of human behavior. Behavioral queueing science requires a multidisciplinary approach, using tools that include mathematical modelling, lab experiments and field studies. Each discipline has strengths and weaknesses, but together they have complementing goals, and jointly they give rise to a scientific paradigm for behavioral queues. Cross-disciplinary work is challenging but necessary. The eleven papers in our special issue show how this can be done successfully while setting an example for future work.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,148
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,005
Études des sciences et des technologies0,0050,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,121
Tête enseignante GPT0,432
Écart entre enseignants0,311 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
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

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOperations ResearchMême sujetAdvanced Queuing Theory AnalysisTravaux en français237 207