Word-of-mouth in agent-based simulation model of reverse logistics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Agent-based modeling and simulation is a method well suited for studying individual behavior and interactions among members of a population connected by social networks. Although the development of such simulation models can be relatively complex, it is even more challenging to develop models that are empirically valid. In the case of reverse logistics, the sophisticated and difficult-to-predict behavior of consumers must be modeled. In this paper, an agent-based simulation model of consumer behavior and interactions was configured to conduct a case study of the voluntary deposit collection program for wine bottles in the Val-Saint-François region of Quebec. As this collection program was officially launched in 2019, two empirical samples were obtained to test the validity of the model and study how social interactions such as word of mouth contributes to the success of the collection program. The first sample represents the amount of glass collected during the last 26 weeks of 2019, while the second sample covers the first 13 weeks of 2020. Having observed an increase in collection rates between 2019 and 2020, word of mouth was introduced into the model to explain this phenomenon. Statistical tests show that the model is indeed valid with the inclusion of diffusion of awareness, as the simulation results are significantly consistent with the empirical data. The validation of the model demonstrates the viability of using multiple heterogeneous data-sources to configure a simulation model based on the Theory of Planned Behavior without using Structural Equation Modeling.
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.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 découle