Role-Based Human-Machine Collaboration Task-Allocation Strategy in Multiagent Environment
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
The human–machine collaboration task-allocation problem involves three major challenges: role diversity, capability heterogeneity, and task dynamics. Most existing studies treat humans and machines as parallel units through a static “Human + Machine” additive paradigm, which neglects the evolution of capability during collaboration. Some works “deeply couple” relatively low-autonomy machines with humans, thereby limiting the system’s flexibility in resource scheduling and dynamic reconfiguration. This study analyzes the problem from a multiagent system perspective and classifies execution units into three types: human agents, machine agents, and human–machine collaborative agents, and distinguishes between their independent and collaborative capabilities. Next, we propose the dynamic short-board balance synergy assessment method, which integrates the “short-board” concept to quantify collaboration performance and leverages agents that have low independent but high collaborative capabilities. By incorporating multiple constraints, we establish the role-based human–machine collaboration (RBHMC) model, prove its NP-hardness, and design a multi-level solving approach to handle small-scale and medium-to-large-scale data separately. The experimental results indicate that, compared with “Human + Machine” and “Deep Coupling” models, RBHMC outperforms in task completion rate, resource utilization, and system robustness. An industrial case study further validates its applicability and superiority in real-world settings. Finally, RBHMC’s transferability is validated through vertical technology adaptation and horizontal scenario migration, providing a scalable solution for multidomain human–machine collaboration in complex scenarios.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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