Bibliographic record
Abstract
[pt] Esta tese é focada em jogos sérios que simulam situações realistas. O objetivo destes jogos vai além do mero entretenimento para outras áreas, tais como treinamento, por exemplo. Como algumas áreas da Ciência da Computação já fornecem métodos e ferramentas para a simulação de situações realistas, é altamente desejável que possamos usá-los neste tipo de jogos sérios. Esta tese introduz um novo framework no qual técnicas de simulação oriundas de diferentes áreas, tais como modelagem e simulação, sistemas de informação geográfica e sistemas multi-agentes, podem ser integradas em uma arquitetura de jogos sérios. A solução proposta resultou na concepção de um novo paradigma para modelagem de simulações chamado de simulação orientada a processos, que combina aspectos diferentes dos paradigmas mais tradicionais de simulação orientada a objetos e simulação orientada a agentes. A ideia principal da simulação orientada a processos é a separação entre o estado e o comportamento das entidades envolvidas na simulação. Esta característica favorece a modularização de comportamentos complexos e a integração em uma única simulação de diferentes modelos de simulação que interferem entre si. Baseado no paradigma de simulação orientada a processos, foi desenvolvida uma extensão do conhecido formalismo de simulações DEVS, chamada Process-DEVS, para a modelagem de simulações baseadas em eventos discretos. Alguns formalismos, tais como workflows e processos em espaços celulares, foram mapeados para o Process-DEVS e testados na implementação de dois sistemas: um jogo de treinamento e um sistema de planejamento de contingência, ambos projetados para a indústria de gás e petróleo.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".