Machine Learning and Constraint Programming for Efficient Healthcare Scheduling
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
Solving combinatorial optimization problems involves satisfying hard constraints while optimizing one or more objectives. Although exact methods always return the optimal solution(s), they are usually associated with an exponential time complexity. Alternatively, approximate methods optimize the computations by trading the solution(s)’ quality in exchange for improved execution time. In this paper, we tackle the Nurse Scheduling Problem (NSP). Solving the NSP involves assigning weekly shifts to nurses in a way that satisfies workload coverage constraints while optimizing both nurses’ preferences and hospital costs. In this context, we introduce implicit and explicit approaches to solve the NSP. In the implicit approach, we employ machine learning methods through historical data (assuming that they are optimal) to learn patterns and simulate new scheduling solutions given the constraints and objectives incorporated in the data. To measure the effectiveness of our implicit approach in capturing the underlying constraints and objectives, we use the Frobenius norm, a metric that calculates the mean error between historical data and the obtained solutions. To make up for the lack of visibility of constraints and objectives in the implicit approach, we propose two alternative explicit methods. In the first one, we model the NSP from ground constraints and objectives using the Constraint Satisfaction Problem (CSP) formalism. The latter is consequently solved using Stochastic Local Search and Branch and Bound augmented with variable/value ordering heuristics and constraint propagation. The second explicit method uses a data-driven approach to acquire constraints and objectives in the form of a CSP.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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