論文の概要、ライセンス

# (参考訳) イノベーションの拡散における意見リーダーの役割のモデル化 [全文訳有]

Modeling opinion leader's role in the diffusion of innovation ( http://arxiv.org/abs/2101.11260v1 )

ライセンス: CC BY 4.0
Natasa Vodopivec and Carole Adam and Jean-Pierre Chanteau(参考訳) イノベーションの拡散は消費者市場にとって重要なトピックである。 初期の研究は、イノベーションが社会全体のレベルにどのように広がったかに焦点を当てた。 現実のシナリオに近づくために、エージェントベースモデル(ABM)は個々のエージェントに焦点を当て始めた。 我々の研究では、革新の拡散過程における世論指導者の役割を調査する既存のABMを、エージェントベースモデリングのために設計された、より表現力豊かなプラットフォームGAMAに翻訳します。 シミュレーション結果の説明力に有益である可能性があるため、将来、社会科学の分野でモデルを作る際に選択したプラットフォームの新機能を活用することが奨励されるべきであることを示すためにそれを行います。

The diffusion of innovations is an important topic for the consumer markets. Early research focused on how innovations spread on the level of the whole society. To get closer to the real world scenarios agent based models (ABM) started focusing on individual-level agents. In our work we will translate an existing ABM that investigates the role of opinion leaders in the process of diffusion of innovations to a new, more expressive platform designed for agent based modeling, GAMA. We will do it to show that taking advantage of new features of the chosen platform should be encouraged when making models in the field of social sciences in the future, because it can be beneficial for the explanatory power of simulation results.
公開日: Wed, 27 Jan 2021 08:37:32 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
Modeling opinion leader’s role in the diffusion of innovation イノベーションの拡散における意見リーダーの役割のモデル化 0.89
Internship report originally written in June 2018 by intern N. Vodopivec under the supervision of C. Adam and J.-P. Chanteau 2018年6月、C. AdamとJ.-P. Chanteauの監督の下、N. Vodopivecインターンによって書かれたインターンシップレポート。 0.46
Nataˇsa Vodopivec Univ Grenoble-Alpes ナタシャ・ヴォドピエツ・ユニバーシブ・グレノブル・アルプス 0.35
Grenoble INP Carole Adam Univ Grenoble-Alpes グレノブルINP Carole Adam Univ Grenoble-Alpes 0.65
Jean-Pierre Chanteau Jean‐Pierre Chanteau 0.70
Univ Grenoble-Alpes Univ Grenoble-Alpes 0.71
Grenoble Informatics Lab Grenoble Informatics Lab 0.85
Centre de Recherche en Economie de Grenoble エコノミー・ド・グルーノーブルの文化センター(Central de Recherche en Economie de Grenoble) 0.43
1 2 0 2 n a J 1 2 0 2 n a J 0.85
7 2 ] I S . s c [ 7 2 ]私はS。 sc [ 0.71
1 v 0 6 2 1 1 1 v 0 6 2 1 1 0.85
. 1 0 1 2 : v i X r a . 1 0 1 2 : v i X r a 0.85
Abstract The diffusion of innovations is an important topic for the consumer markets. 概要 イノベーションの拡散は消費者市場にとって重要なトピックである。 0.58
Early research focused on how innovations spread on the level of the whole society. 初期の研究は、イノベーションが社会全体のレベルにどのように広がったかに焦点を当てた。 0.59
To get closer to the real world scenarios agent based models (ABM) started focusing on individual-level agents. 現実のシナリオに近づくために、エージェントベースモデル(ABM)は個々のエージェントに焦点を当て始めた。 0.72
In our work we will translate an existing ABM that investigates the role of opinion leaders in the process of diffusion of innovations to a new, more expressive platform designed for agent based modeling. 私たちの仕事では、イノベーションの拡散過程における意見リーダーの役割を調査する既存のABMを、エージェントベースのモデリング用に設計された新しい、より表現力のあるプラットフォームに変換します。 0.65
We will do it to show that taking advantage of new features of the chosen platform should be encouraged when making models in the field of social sciences in the future, because it can be beneficial for the explanatory power of simulation results. シミュレーション結果の説明力に有益である可能性があるため、将来、社会科学の分野でモデルを作る際に選択したプラットフォームの新機能を活用することが奨励されるべきであることを示すためにそれを行います。 0.84
1 Introduction Diffusion refers to the process by which an innovation is adopted over time by members of a social system. 1 導入拡散とは、社会システムのメンバーによって革新が時とともに取り入れられる過程を指す。 0.74
An innovation commonly refers to a new technology, but it can be understood more broadly as a spread of ideas and practices [Kiesling et al., 2012]. イノベーションは一般的には新しい技術を指すが、アイデアやプラクティスの拡散(kiesling et al., 2012)としてより広く理解することができる。 0.77
The question whether a certain innovation will diffuse in society successfully or not has always been of important nature at the market level and has gained interest of many researchers since a number of pioneering works appeared in the 1960s. 特定のイノベーションが社会に正常に拡散するかどうかという問題は、市場レベルで常に重要な性質であり、1960年代に多くの先駆的な作品が登場して以来、多くの研究者の関心を集めています。
訳抜け防止モード: ある革新が社会に浸透するかどうかという問題 市場レベルでは常に重要な性質を持ち 以来多くの研究者の関心を集めています 1960年代に多くの先駆的な作品が登場しました
0.82
From the marketing perspective, it is of great importance to understand how information starting from mass media and traveling through word-of-mouth WoM affects adoption decisions of customers and consequently the diffusion of a new product [van Eck et al., 2011]. マーケティングの観点からは、マスメディアから始まり、口コミWoMを介して移動する情報が顧客の採用決定にどのように影響するかを理解することが非常に重要であり、その結果、新製品の拡散[van Eck et al., 2011]。 0.72
Mass media takes the role of an external influence to a society and WoM the role of an internal influence within the society. マスメディアは社会への外部の影響の役割を担い、WoMは社会内の内部影響の役割を担います。 0.79
Traditionally, models were based on macro level looking at the society as a whole. 伝統的に、モデルは社会全体を見ているマクロレベルに基づいています。 0.75
Most such aggregate models stem from the model introduced by Bass [1969], which takes the structure of a basic epidemic model where diffusion of innovation is seen as a contagious process driven by external and internal influences. ほとんどの集約モデルはbass [1969]によって導入されたモデルに由来しており、イノベーションの拡散が外部や内部の影響によって引き起こされる伝染性プロセスと見なされる基本的な流行モデルの構造を取っている。 0.77
This model assumes that the market is homogeneous, which means that all customers have the same characteristics. このモデルは市場が均質であると仮定し、すべての顧客が同じ特性を持つことを意味する。 0.78
It further assumes that each consumer is connected with all other さらに、各消費者が相互に結びついていると仮定する 0.68
consumers and can thus influence all others. 消費者は他の全てに影響を及ぼすことができます 0.56
From these two assumptions it follows that the probability of adopting is linearly related to the number of past adopters. これらの2つの仮定から、採用の確率は過去の採用者数と線形に関係していると考えられる。 0.54
These assumptions are limitations of aggregate models as they ignore that in the real world consumers are individuals and as such heterogeneous and a part of complex social structures. これらの仮定は、現実の消費者は個人であり、そのような異質で複雑な社会構造の一部であることを無視する集約モデルの制限である。
訳抜け防止モード: これらの仮定は、それらを無視した集合モデルの制限である 現実の世界では 消費者は個人であり 異質で複雑な社会構造の一部です
0.77
To try to overcome these limitations, agent-based modeling [Macal and North, 2005] has been increasingly adopted in the recent times. これらの制限を克服するために、エージェントベースのモデリング(Macal and North, 2005)が近年ますます採用されている。 0.71
Agent based modeling takes a different approach to diffusion of innovations, because it looks at the society from the micro level. エージェントベースのモデリングは、マイクロレベルから社会を見るため、イノベーションの拡散に対して異なるアプローチを取る。 0.64
Here, an observed entity is not a society as a whole, but an individual, represented as an agent. ここでは、観察された実体は社会全体ではなく個人であり、エージェントとして表されます。 0.73
Customers’ heterogeneity, their social interactions and their decision making process can be modeled explicitly [Kiesling et al., 2012]. 顧客の異質性,社会的相互作用,意思決定プロセスは,[Kiesling et al., 2012]を明示的にモデル化することができる。 0.76
When simulated, macro level observations of network changes emerge from the micro level interactions between the individuals. シミュレーションを行うと、個人間のミクロレベルの相互作用からネットワーク変化のマクロレベルの観察が現れる。 0.75
Most agent based models of innovation diffusion have a similar structure and comprise of the following elements [Jensen and Chappin, 2017]: ほとんどのエージェントベースのイノベーション拡散モデルは、同様の構造を持ち、以下の要素で構成されている [jensen and chappin, 2017]。
訳抜け防止モード: 革新拡散のエージェントベースモデルの多くは、同様の構造を持つ そして、以下の要素からなる[Jensen and Chappin , 2017]。
0.85
1. Consumer agents define the individual entities that can adopt an innovation. 1. 消費者エージェントは、イノベーションを採用できる個々のエンティティを定義します。 0.74
These can be individual persons, households, or groups of households. これらは個人、世帯、または世帯のグループである。 0.63
They are heterogeneous. 2. それらは異質です。 2. 0.70
Social structure is a description of connections between singular agents, dividing them in different consumer groups. 社会的構造は特異エージェント間の接続を記述し、それらを異なる消費者グループに分割する。
訳抜け防止モード: 社会的構造は特異なエージェント間の関係の記述です。 異なる消費者グループに分けます
0.83
3. Decision making processes are the key actions of consumer agents in any social model, by which agents decide to adopt or reject the innovation. 3. 意思決定プロセスは、あらゆる社会モデルにおける消費者エージェントの重要なアクションであり、エージェントはイノベーションの採用や拒絶を決断する。 0.78
4. Social influence between agents often affects decision making processes and is commonly modeled as a social network graph. 4. エージェント間の社会的影響は意思決定プロセスに影響し、一般的にはソーシャルネットワークグラフとしてモデル化される。 0.75
Models vary in the range at which social influence is exceeded. モデルは社会的影響を超える範囲で異なります。 0.69
This can be influence from direct peers, from the respective social group or the entire population of agents. これは、それぞれの社会集団やエージェントの全体から、直接の仲間の影響を受けることができる。 0.76
All these ranges of influence can be modeled as a social network graph. これらすべての影響は、ソーシャルネットワークグラフとしてモデル化できる。 0.80
We are interested in modeling and simulating how innovation, both in the sense of the ideas, behaviours and in the sense of the products, spreads in the population. 私たちは、アイデア、行動、製品の意味の両方において、いかにイノベーションが人口に広がるかをモデル化し、シミュレートすることに興味を持っています。 0.63
We have 我々は 0.77
英語(論文から抽出)日本語訳スコア
chosen to implement the model on a GAMA platform, which is seen as a current state-of-the-art agent-based modeling language and as an improved successor of the NetLogo platform. 最新のエージェントベースのモデリング言語であるGAMAプラットフォーム上でモデルを実装することを選択し、NetLogoプラットフォームの後継として改善された。 0.80
Figure 1 presents a screenshot of the implemented simulator, showing the social network with opinion leaders (in pink) and adopters of the innovation (in green). 図1は、実装されたシミュレータのスクリーンショットを示し、ソーシャルネットワークに意見リーダー(ピンク色)とイノベーションの採用者(緑色)を示します。 0.78
The main challenge when modeling social models is the verification of the final model. ソーシャルモデルのモデリングにおける大きな課題は、最終モデルの検証である。 0.80
The verification can be done either using strong theoretical support or using obtained empirical data. 検証は、強い理論的支援または得られた経験データを用いて行うことができる。 0.70
However, due to the scope of our project it was difficult to obtain either. しかし、私たちのプロジェクトの範囲のため、入手も困難でした。 0.67
This is the reason why we have chosen to use an existing NetLogo model to rewrite and improve in GAMA, because this way we would be able to validate our model against it. これが、既存のNetLogoモデルを使用してGAMAを書き換えて改善することを選択した理由です。
訳抜け防止モード: これが私たちが選んだ理由です。 既存の NetLogo モデルを使用して GAMA の書き換えと改善を行います。 なぜなら、この方法では、モデルがそれに対して検証できるからです。
0.76
A study by van Eck [2011] (further use: reference study) was picked as it not only models the diffusion of innovations, but additionally investigates the role of opinion leaders in the process, which is another interesting phenomenon. van Eck氏(2011年)による研究(Further use:参照研究)は、イノベーションの拡散をモデル化するだけでなく、プロセスにおける意見リーダーの役割も調査するため、別の興味深い現象である。 0.77
Aside from agents being heterogeneous, they are further divided into two groups, namely the influentials or opinion leaders (OL) and followers or non-leaders (NL). エージェントが異質であることとは別に、彼らはさらに2つのグループ、すなわち影響力または意見のリーダー(OL)とフォロワーまたは非リーダー(NL)に分けられる。 0.66
Goldenberg et al [2009] determine influentials by three factors: connectivity, knowledge and personality characteristics. Goldenberg et al [2009]は、コネクティビティ、ナレッジ、パーソナリティの3つの要素で影響力を判断します。 0.60
Opinion leaders are a type of influential customers that have all of the characteristics of the influentials represented as central positions in the network (which means high connectivity), market knowledge (not necessarily about a specific product but about markets in general) and innovative behaviour. オピニオンリーダーは、ネットワークの中心的な地位(高い接続性を意味する)、市場知識(必ずしも特定の製品に関するものではなく、一般市場に関するものである)、革新的行動に代表される影響力のあるすべての特性を持つ影響力のある顧客の一種である。 0.68
The reference study uses four critical assumptions about opinion leaders, which are later successfully checked by an empirical study: (1) OL have more contacts, (2) OL possess different characteristics, (3) OL exert different types of influence and (4) OL are among earlier adopters. 本研究は,(1) OLがより多くの接触を持つ,(2) OLが異なる特性を持つ,(3) OLが異なる種類の影響を行使する,(4) OLが先例である,という4つの批判的仮定を用いた。 0.70
Two important characteristics of opinion leaders are their innovativeness and their interpersonal influence. 意見リーダーの2つの重要な特徴は、その革新性と対人的影響です。 0.66
Regarding the degree of innovativeness, it means that opinion leaders have more experience and expertise with the product category than the other consumers and that they have been exposed to more information [Lyons and Henderson, 2005]. 革新性の程度については、オピニオンリーダーが他の消費者よりも製品カテゴリに関する経験と専門知識を持ち、より多くの情報にさらされていることを意味します[Lyons and Henderson, 2005]。 0.71
Two main types of interpersonal influence exist: 主に2種類の対人的影響がある。 0.64
• Informational influence is the tendency to accept information from others and believe it. •情報の影響は、他人からの情報を受け入れ、それを信じる傾向です。 0.82
Opinion leaders influence other consumers by giving them advice about a product. 意見のリーダーは、製品に関するアドバイスを与えることで、他の消費者に影響を与える。 0.55
• Normative influence stems from the people’s tendency to follow a certain norm; to adopt a product in order to be approved by other consumers. • 規範的影響は、特定の規範に従う傾向から来ており、他の消費者の承認を得るために製品を採用する傾向にある。 0.83
Normative influence can also be referred to as a social pressure. 規範的影響は社会的圧力とも呼ばれる。 0.63
Reference study assumes that opinion leaders play an important role in both diffusion of information about products (informational influence) and the diffusion of products themselves (i.e. 参照研究は、意見のリーダーが製品に関する情報の拡散(情報の影響)と製品自体の拡散(すなわち)の両方に重要な役割を果たしていると仮定している。 0.76
more product adoptions result in normative influence) [van Eck et al., 2011]. より多くの製品の採用が規範的な影響をもたらす) [van Eck et al., 2011]。 0.76
Therefore the influence of the opinion leaders on the speed of diffusion of both information and product, and on maximum adoption percentage in the process of diffusion of innovation, is investigated. したがって、意見のリーダーが情報と製品の両方の拡散の速度、およびイノベーションの拡散の過程での最大採用率に与える影響を調査します。 0.74
The focus of this study is to investigate the speed of information diffusion, the speed of product diffusion, and the maximum adoption percentage of the product. 本研究の目的は,情報拡散の速度,製品拡散の速度,製品導入率の最大値を検討することである。 0.75
The article is structured as follows: in Section 2 we describe the hypotheses that the reference study has set up and verified; Section 3 introduces the model with its agents, parameters, and social network; in Section 4 we present the experiments settings and discuss our simulation results; and in Section 5 we address the conclusions and suggestions for further work. 第2節では、基準研究が設定され検証された仮説を記述し、第3節ではエージェント、パラメータ、ソーシャルネットワークを用いてモデルを紹介し、第4節では実験の設定を提示し、シミュレーション結果を議論し、第5節では、さらなる研究のための結論と提案について論じる。 0.76
2 Hypotheses While investigating the role of opinion leaders in the innovation diffusion process, the impact of each of its three characteristics (innovative behaviour, normative influence, market knowledge) is looked at and thus more hypotheses are set up. 2 仮説 イノベーション拡散プロセスにおけるオピニオンリーダーの役割を調査するにあたり、その3つの特性(イノベーション行動、規範的影響、市場知識)のそれぞれの影響を検討し、より多くの仮説を設定する。
訳抜け防止モード: 2 イノベーション拡散過程における意見指導者の役割を調査中の仮説。 その3つの特徴(革新的行動)が与える影響 規範的影響,市場知識)が注目され, したがって、さらに多くの仮説が立てられる。
0.78
We have chosen to validate our model against the following hypotheses put forward and successfully proven in the reference study [van Eck et al., 2011]: 私たちは、参照研究[van Eck et al., 2011]で提案された次の仮説に対してモデルを検証することを選択しました。 0.76
H1a: ”The more innovative behaviour of the opinion H1a 意見のより革新的な行動は 0.71
leader results in a higher adoption percentage.” リーダーはより高い採用率をもたらします。 0.49
H1b: ”If the weight of normative influence becomes more important to followers, the increase in the adoption percentage caused by the more innovative behavior of opinion leaders increases.” H1b 追随者にとって規範的影響力の重みがより重要になった場合、世論指導者のより革新的な行動によって引き起こされる採用率の増加。」 0.76
H2a: ”Opinion leaders are less sensitive to normative in- H2a オプティニオンリーダーは規範に敏感ではありません。 0.63
fluence than are followers.” 従属者より流布者」。 0.45
H2b: ”If opinion leaders are less sensitive to normative H2b 意見のリーダーが規範に敏感でない場合 0.70
influence, adoption percentages increase.” 影響、採用率の増加。 0.52
H2c: The less sensitive opinion leaders are to normative h2c: 世論リーダーが規範的でないほど 0.69
influence, the more the adoption percentages increase. 影響が増すほど 養子縁組の割合は増加します 0.64
H3a: ”Opinion leaders are better at judging product quality, which results in a higher speed of information diffusion.” H3a ”オピニオンリーダーは製品の品質を判断するのが得意で、それによって情報の拡散が速くなります。 0.76
H3b: judging product quality, which results in a higher speed of product diffusion.” H3b 製品の品質を判断すると、製品の拡散の速度が向上します。 0.78
”Opinion leaders are better at Opinionのリーダーは、もっと上手だ。 0.47
3 Model In this chapter we describe in more detail how our model was built. 3 モデル この章では、モデルがどのように構築されたのかを詳しく説明します。 0.64
3.1 Network Bohlman et al. 3.1 Network Bohlman et al 0.92
[2010] indicate that specific network topologies in agent based modeling strongly influence the process of innovation diffusion: they affect the likelihood that diffusion spreads and the speed of adoption. [2010] は,エージェントベースモデリングにおける特定のネットワークトポロジがイノベーション拡散のプロセスに強く影響していることを示している。
訳抜け防止モード: エージェントベースモデリングにおける特定のネットワークトポロジがイノベーション拡散のプロセスに強く影響を及ぼすことを示す[2010] 拡散が広がる可能性や導入の速度に影響を及ぼす。
0.86
This is because the network topology specifies the location and the number of links of innovators. これは、ネットワークトポロジがイノベーターの位置とリンク数を指定するためである。 0.70
A scale-free network structure proposed by Barabasi and Albert (1999) is used, because it stems from BarabasiとAlbert(1999)によって提案されたスケールフリーネットワーク構造が使用される。 0.81
英語(論文から抽出)日本語訳スコア
Figure 1: Screenshot of the GAMA simulator 図1:GAMAシミュレータのスクリーンショット 0.75
many empirical researches and is confirmed to imitate real world societies where some agents serve as hubs, meaning their number of connections greatly exceeds the average and they have central positions in the network. 多くの実証研究は、いくつかのエージェントがハブとして機能する現実世界の社会を模倣することが確認されています。つまり、それらの接続数は平均を大きく上回り、ネットワークの中心的な位置を占めます。
訳抜け防止モード: 実証研究が数多く行われ 現実世界の社会を模倣することが確認されています 一部のエージェントはハブとして機能し つまり 接続の数は 平均以上で ネットワークの中心的な位置にある
0.78
3.2 Agents Each agent is described by the following attributes: 3.2 エージェント 各エージェントは以下の属性で記述される。 0.82
• Opinion leader tells whether an agent is an opinion •意見指導者は、エージェントが意見であるかどうかを伝える 0.66
leader or a non-leader. リーダーまたは非リーダー。 0.80
• Quality threshold is a value given randomly uniformly to each agent before the beginning of a simulation. • 品質閾値は、シミュレーションの開始前に各エージェントにランダムに与えられる値である。 0.81
Its values are uniformly distributed in the range U(0,1). その値はU(0,1)の範囲に均一に分布する。 0.79
• Known quality describes what the agent currently thinks of the product quality. • 既知の品質は、エージェントが現在製品品質について何を考えているかを表します。 0.60
This value is set dynamically when the agent gets aware of the product or adopts it, as is further explained in Section 4.1. この値は、エージェントが製品を認識したり、採用したりするときに動的に設定され、セクション4.1でさらに説明されている。
訳抜け防止モード: この値はエージェントが製品を認識すると動的に設定される あるいは、セクション4.1でさらに説明されているように、採用する。
0.73
• Utility threshold is a value given randomly uniformly to each agent before the beginning of a simulation. •ユーティリティしきい値は、シミュレーションの開始前に各エージェントにランダムに一様に与えられる値です。 0.86
OL and NL have different ranges from where this value can be taken. OLとNLは、この値を取る場所と異なる範囲を持っています。 0.69
For NL it is U(0,1) and for OL it is U(0, max), where the maximum value is defined by a parameter of the experiment. NL では U(0,1) であり、OL では U(0, max) であり、実験のパラメータによって最大値が定義される。 0.87
• Awareness tells whether an agent is aware of the product • エージェントがその製品に気付いているかどうかを判断する 0.77
or not. • Adopted tells whether an agent has adopted the product そうでないか •養子が商品を採用したかどうかを告げる 0.67
or not. • Weight of normative influence is different for OL and NL and values are set dynamically as a normal distribution そうでないか • OLとNLでは規範的影響の重みが異なり、値が正規分布として動的に設定される。 0.72
where average value and standard deviation are set as parameters of the simulation. 平均値と標準偏差が シミュレーションのパラメータとして設定されます 0.86
The uniform distribution of the values of utility thresholds and of quality thresholds for individual agents makes the population heterogeneous. 個々のエージェントのユーティリティしきい値と品質しきい値の均一な分布は、人口を異種にします。 0.82
An agent’s decision to adopt is based on its utility threshold. 採用するエージェントの決定は、そのユーティリティのしきい値に基づいています。 0.75
The agent’s utility is calculated at each iteration of the simulation, and once it passes the agent’s utility threshold the agent adopts the innovation. エージェントのユーティリティはシミュレーションの各イテレーションで計算され、エージェントのユーティリティのしきい値を通過したら、エージェントはイノベーションを採用します。 0.72
The utility function consists of a weighted sum of the individual preference and the social influence. 実用性関数は個人の好みおよび社会的影響の重み付き合計から成っています。 0.69
First represents informational influence and describes the agent’s opinion on the product quality, and second represents normative influence and takes into account the number of neighbouring agents that have already adopted the product. 第一に情報的影響を表現し,製品品質に対するエージェントの意見を記述し,第二に規範的影響を表現し,すでに製品を採用した隣接エージェントの数を考慮に入れる。 0.81
When the weight of the social influence of a certain agent is low the agent is very individualistic and is consequently hardly influenced by neighbours. 特定のエージェントの社会的影響の重みが低ければ、エージェントは非常に個性的であり、その結果、近隣の人々の影響はほとんどない。 0.64
On the contrary, high weight value means that the agent is very socially susceptible [van Eck et al., 2011]. 逆に、高い重み付けは、エージェントが非常に社会的に感受性が高いことを意味する[van Eck et al., 2011]。 0.74
3.3 Parameters The model contains several parameters, which describe the influence of opinion leaders in various market settings [van Eck et al., 2011]. 3.3パラメータ モデルは、様々な市場設定における意見リーダーの影響を説明するいくつかのパラメータを含む[van Eck et al., 2011]。 0.87
Some parameters are fixed for all experiments and others vary experimentally. いくつかのパラメータは全ての実験で固定され、他のパラメータは実験的に変化する。 0.52
The group of fixed parameters and their values, derived from the model by Delre et al. Delreらによってモデルから派生した固定パラメータとその値のグループ。 0.72
[2007], are presented in Table 1. 2007]は、表1に示されています。 0.73
The product quality is set to 0.5, meaning that if the agents base their decisions 製品の品質は0.5に設定され、つまりエージェントが決定を下すと 0.90
英語(論文から抽出)日本語訳スコア
Variable Product quality Mass media coefficient Number of agents 可変製品品質 マスメディア係数 エージェントの数。 0.81
Parameter q m m パラメータ q メム 0.68
nb agents Value 0.5 0.01 500 nbエージェント 値0.50.01500 0.75
Table 1: Settings for global parameters, that were fixed in current experiments 表1:現在の実験で修正されたグローバルパラメータの設定。 0.81
Variable Max utility threshold of OL Average normative influence, OL Standard deviation for normative influence, OL Average normative influence, NL Standard deviation for normative influence, NL OL judges product better 標準影響に対するol標準偏差、標準影響に対するol標準偏差、標準影響に対するnl標準偏差、標準影響に対するnl標準偏差、nlolは製品をより良く判断する 0.70
Parameter max パラメータ マックス 0.75
avg ni ol Value 0.8 0.51 avg ni ol 0.8 0.51 0.73
dev ni ol avg ni nl デヴ・ニ・オール avg ni nl 0.54
dev ni nl NA dev ni nl NA 0.85
0.2 0.6 0.2 0.2 0.6 0.2 0.59
Yes Table 2: Settings for base model parameters はい 表2: ベースモデルパラメータの設定。 0.80
to adopt a product purely on their individual preferences, approximately 50% will never adopt. プロダクトを純粋に個々の好みで採用するために、約50%は決して採用しません。 0.55
The mass media coefficient was set from prior studies. マスメディア係数は, 先行研究から設定した。 0.79
It represents a strong mass media support because many of the agents in the empirical study were reached by mass media (i.e. 実験研究における多くのエージェントがマスメディア(すなわち、マスメディア)によって達成されたため、マスメディアの支持が強かった。 0.65
one percent of population is reached in each step). 人口の1%が各段階に到達している) 0.84
The varied parameters are changed one at a time per experiment to test the separate hypotheses. 異なるパラメータは実験ごとに一つずつ変更され、別々の仮説をテストする。 0.81
The parameters and their values, derived from empirical study conducted by reference study are presented in Table 2. 参照研究によって実施された経験的研究から得られたパラメータとその値を表2に示します。 0.75
First a base experiment with these values was run so that later hypotheses could be tested realistically. まずこれらの値に関する基礎実験を行い、後続の仮説を現実的にテストできるようにした。 0.65
The innovativeness of opinion leaders is implemented as smaller possible values of it’s utility threshold with regard to that of the followers (the utility threshold of the followers has a uniform distribution in the range U(0, 1.0), for OL it’s in the range U(0, 0.8)), which makes them approximately 20% more likely to adopt the product. 意見リーダーの革新性は、フォロワーのそれに対する実用しきい値の可能な値(フォロワーの実用しきい値がu(0, 1.0)の範囲で均一に分布している、ol it's in the range u(0, 0.8))よりも小さく実装されているため、製品を採用する確率はおよそ20%高い。 0.74
The difference is not big as OL are trying to avoid being too innovative, because if they adopted a product that turned out to be unsuccessful, they would loose followers. OLがあまりにも革新的であることを避けようとしているので、違いはそれほど大きくありません。
訳抜け防止モード: OLが試みているほど大きな違いではありません 革新的すぎることを避けるために 失敗に終わった商品を 採用すれば フォロワーを緩めるからです
0.63
As observed in the empirical study, the weight of normative influence of opinion leaders holds a lower value (βOL = 0.51) than that of the followers (βN L = 0.6) as they care less about the social pressure. 実証研究で観察されたように、世論指導者の規範的影響の重みは、社会的圧力をあまり気にせず、従者(βn l = 0.6)よりも低い(βol = 0.51)。 0.74
The weights of normative and informative influences sum up to 1, so the weight of informative influence is 1 - β. 規範的および情報的影響の重みは 1 にまとめられるので、情報的影響の重みは 1 - β となる。 0.75
The model can be run either with opinion leaders in the network or without them. モデルは、ネットワーク内の意見リーダか、あるいはそれなしで実行することができる。 0.77
This was important to be able to see whether the diffusion of the innovation indeed spreads faster in the networks where innovative opinion leaders are present. これは、革新的意見リーダーがいるネットワークにおいて、イノベーションの拡散が実際に速く広がるかどうかを確認するために重要である。 0.67
4 Experiments and results In this chapter we first present the experiment settings, then discuss the results and finally do a comparison between NetLogo and GAMA platforms. 4 実験と結果 この章ではまず実験設定を示し、結果について議論し、最終的にNetLogoとGAMAプラットフォームの比較を行います。 0.87
4.1 Experiment settings A model was created for each separate hypothesis. 4.1 実験設定 各仮説毎にモデルを作成する。 0.80
The values of the varied parameters used for each model are shown in Table 3. 各モデルで使用される様々なパラメータの値を表3に示す。 0.82
Each model was run in a separate experiment that consisted of 25 time steps, which was enough for the maximum adoption percentage to be reached. 各モデルは、25のタイムステップで構成された別の実験で実行され、最大採用率に達するには十分でした。 0.78
To collect results for statistics each experiment was run with the same settings 60 times. 統計データを収集するために、各実験は60回同じ設定で実行された。 0.72
We realize that 60 is a low number of repetitions for completely adequate statistics, but we faced a problem of the GAMA platform freezing due to too big memory consumption while trying to run it in batch mode, where more than one experiment is run one after another automatically. 完全に適切な統計量のための60の繰り返しは少ないが、バッチモードで実行しようとすると、メモリ消費が大きすぎるためGAMAプラットフォームが凍結する問題に直面し、複数の実験が自動的に実行されます。
訳抜け防止モード: 60は、完全に適切な統計のための繰り返しの少ない数であることに気付きます。 しかし、メモリ消費が大きすぎるため、GAMAプラットフォームが凍結する問題に直面しました。 バッチモードで実行しようとすると、複数の実験が自動的に実行される。
0.75
We did not anticipate this to happen as the calculations were very fast when running 500 consecutive experiments in NetLogo and GAMA is seen as it’s improved successor. NetLogoとGAMAで500回の連続実験を実行すると、計算が非常に高速だったため、これが起こるとは予想していませんでした。 0.80
Thus, we were reduced to having to run each experiment manually which proved to be quite time consuming so we limited the number of runs to 60 and might do more tests to calibrate the results if needed in the future. その結果、手動で各実験を行なわなくてはならず、非常に時間がかかることが判明したので、実行回数を60に制限し、将来必要であれば結果を校正するためにより多くのテストを行うことができた。 0.70
Each time step further consisted of three phases: mass media, WoM and adoption. 各ステップは、マスメディア、WoM、採用の3つのフェーズで構成されている。 0.54
In the beginning of the experiment no agents are aware of the product or have adopted it. 実験の始めに、エージェントは製品に気づいていないし、採用していない。 0.67
Then mass media informs a predefined percentage (in our case 1%) of the population about it. そしてマスメディアは、その人口の(我々の場合、1%)事前定義された割合を知らせる。 0.75
In this step, the better market knowledge of the opinion leaders is implemented as such: because opinion leaders are able to make good product judgment they will have learned of a real product quality from mass media and their quality judgment will become equal to it (q = 0.5, Table 1). この段階において、世論のリーダーの市場知識が向上するにつれて、世論のリーダーは、良い製品判断をすることができるので、マスメディアから実際の製品品質を学び、彼らの品質判断はそれと等しくなる(q = 0.5, Table 1)。 0.77
On contrary, followers are not able to make this judgment so they become aware of the product but their perceived product quality gets a random value. 逆に、フォロワーは、この判断を下すことができず、製品に気付くようになるが、その製品の品質はランダムな価値を得る。 0.65
The followers are able to learn about the real product quality only by WoM from trusted sources, that is from opinion leaders and agents who have already adopted the product. フォロワーは、信頼できる情報源からのみwomによって、実際の製品の品質について学ぶことができる。
訳抜け防止モード: フォロワーは 信頼できる情報源からのみwomによって、実際の製品の品質を学ぶ。 これは、既に製品を採用した意見リーダーやエージェントによるものです。
0.74
In the word of mouth stage, agents talk with their neighbors and may learn about the real product quality if their neighbors are certain about it. 口の段階では、エージェントは隣人と話し、隣人がそれを確信しているなら、実際の製品の品質について学ぶかもしれない。 0.62
In the adoption stage, agents can decide to adopt the product if they are aware about it and if the current value of utility function exceeds their utility threshold. 導入段階では、エージェントは、製品を認識し、ユーティリティ関数の現在の値がユーティリティのしきい値を超える場合、製品を採用することを決定できます。 0.75
4.2 Results and Validation Before looking at the models testing the hypotheses we had to make sure that our model confirms the base assumption. 4.2 結果と検証 仮説をテストするモデルを見る前に、モデルがベース仮定を確認していることを確認する必要がある。 0.76
It claims that in networks that include opinion leaders, higher speed of both the information and product diffusion as well as greater adoption percentage are achieved, than in the networks without them. 意見のリーダーを含むネットワークでは、情報と製品拡散の両方の速度が、それらのないネットワークよりも高い採用率で達成されている、と同社は主張する。 0.67
Thus, we ran the base model in two experiments, once with opinion leaders and once without them. したがって、私たちは2つの実験でベースモデルを走らせました。
訳抜け防止モード: したがって、我々は2つの実験でベースモデルを実行しました。 そしてそれらなしで一度。
0.73
The weight of normative influence (βi) in the comparison model with no opinion leaders is 0.75 (obtained from reference study). 世論指導者がいない比較モデルにおける規範的影響(βi)の重みは0.75(参考研究より)である。 0.76
The average values of the results and their standard deviations for these two tests as well as for the rest of the tests can be found in Table 4. 結果の平均値と、これら2つのテストおよび残りのテストに対する標準偏差は、表4にある。 0.62
We can see that in the model 私たちはそれをモデルで見ることができます 0.65
英語(論文から抽出)日本語訳スコア
Innovativeness of OL Weight of normative 革新性 OL 規範の重み 0.69
influence OL Weight of normative 影響OL 規範の重み 0.65
influence NL Model (hypothesis tested with model) Base Model 1 Model 2 (H1a) Model 3 (H1b) NA (H2a) Model 4 (H2b) Model 5 (H2c) Model 6 (H3a, H3b) 影響NL モデル(実験モデル) ベースモデル1 モデル2 (H1a) モデル3 (H1b) NA (H2a) モデル4 (H2b) モデル5 (H2c) モデル6 (H3a, H3b) 0.82
Ui,min U(0, 0.8) U(0, 1) U(0, 0.8) ui,min U(0, 0.8) U(0, 1) U(0, 0.8) 0.77
NA U(0, 0.8) U(0, 0.8) U(0, 0.8) NA U(0, 0.8) U(0, 0.8) U(0, 0.8) 0.87
βi,OL βi,N L βi,OL βi,N L 0.96
N(0.51, 0.2) N(0.51, 0.2) N(0.51, 0.2) N(0.51, 0.2) N(0.51, 0.2) N(0.51, 0.2) 0.72
NA N(0.57, 0.2) N(0.2, 0.2) N(0.51, 0.2) NA N(0.57, 0.2) N(0.2, 0.2) N(0.51, 0.2) 0.79
N(0.6, 0.2) N(0.6, 0.2) N(0.8, 0.2) N(0.6, 0.2) N(0.6, 0.2) N(0.8, 0.2) 0.72
NA N(0.57, 0.2) N(0.6, 0.2) N(0.6, 0.2) NA N(0.57, 0.2) N(0.6, 0.2) N(0.6, 0.2) 0.79
Quality of the product judgment 品質。 product judgment 0.68
(OL) Yes Yes Yes NA Yes Yes No (OL)はいはいはいはいはいはいはいはいはいはいはいはい 0.61
Table 3: Parameter settings for hypotheses (adapted from [van Eck et al., 2011]) 表3:仮説のパラメータ設定([van Eck et al., 2011]から適用) 0.72
Speed of information diffusion Average number of steps 情報拡散の速度 ステップ数の平均。 0.81
Speed of product diffusion Average number of steps 製品の拡散速度の平均ステップ数。 0.83
Reference (standard deviation) Our study 参照 (標準偏差)我々の研究 0.78
study Reference (standard deviation) Our study 研究 参照 (標準偏差)我々の研究 0.71
study 3.64 (1.5) 1.75 (1.2) 研究 3.64 (1.5) 1.75 (1.2) 0.61
4.43 (1.47) 1.96 (0.43) 4.43 (1.47) 1.96 (0.43) 0.62
6.27 (2.0) 4.94 (1.2) 6.27 (2.0) 4.94 (1.2) 0.62
5.78 (1.51) 2.80 (0.78) 5.78 (1.51) 2.80 (0.78) 0.62
Adoption percentage (standard deviation) Reference 採用率(標準偏差) 参照 0.63
study 0.398 (0.05) 0.491 (0.05) 0.405 (0.04) 0.458 (0.06) 研究 0.398 (0.05) 0.491 (0.05) 0.405 (0.04) 0.458 (0.06) 0.60
Our study 0.401 (0.05) 0.454 (0.05) 0.398 (0.05) 0.395 (0.06) 私たちの研究 0.401 (0.05) 0.454 (0.05) 0.398 (0.05) 0.395 (0.06) 0.62
0.480 (0.05) 0.515 (0.04) 0.480 (0.05) 0.515 (0.04) 0.62
0.455 (0.06) 0.488 (0.05) 0.455 (0.06) 0.488 (0.05) 0.62
4.73 (2.22) 4.73 (2.22) 0.65
4.11 (1.70) 4.11 (1.70) 0.65
7.76 (2.21) 7.76 (2.21) 0.65
5.64 (1.65) 5.64 (1.65) 0.65
Table 4: Results of tests of each hypothesis 表4:各仮説のテスト結果。 0.71
Base Model 1 - no OL Base Model 1 Model 2 (H1a) Model 3 (H1b) NA (H2a) Model 4 (H2b) Model 5 (H2c) Model 6 (H3a, H3b) ベースモデル1 - no OL Base Model 1 Model 2 (H1a) Model 3 (H1b) NA (H2a) Model 4 (H2b) Model 5 (H2c) Model 6 (H3a, H3b) 0.87
英語(論文から抽出)日本語訳スコア
with opinion leaders the information diffuses faster than in the model without the opinion leaders, in the first it takes 1.96 steps compared with 4.43 in the other. 意見リーダーでは、情報は意見リーダーなしでモデルよりも速く拡散します。最初の段階では、4.43と比較して1.96ステップかかります。 0.61
The same case happens for the speed of product diffusion, in the model with OL it takes 2.80 steps compared to 5.78 steps in the model without the OL, which means that the product diffuses faster in the model with OL. 同様のケースは、製品拡散の速さで起こり、olのモデルでは、olがないモデルでは5.78歩、olのモデルでは2.80歩かかる。
訳抜け防止モード: 同様のケースは製品の拡散速度で起こり、olのモデルではolがないモデルでは5.78ステップ、olのモデルでは2.80ステップである。 つまり、olはモデル内でより高速に拡散する。
0.63
Thirdly, the value of the average adoption percentage is higher in the model with OL (0.45 in the model with OL and 0.40 in the model without), which also confirms our assumptions. 第三に、平均採用率の値はOLモデル(OLモデル0.45、モデルなし0.40)よりも高く、仮定も確認しています。
訳抜け防止モード: 第三に、OLモデル(OLモデル0.45)では平均採用率の値が高くなる。 そしてモデルなしで0.40)、それはまた私達の仮定を確認します。
0.72
Therefore, the base model successfully proves that the opinion leaders product higher speeds of information and product diffusion and higher adoption percentage. したがって、ベースモデルは、オピニオンリーダーがより高い情報と製品の拡散と高い採用率を生産できることをうまく証明する。 0.66
Table 4 shows the obtained averaged results from the reference study and from our model for each of the hypotheses models. 表4は、各仮説モデルについて、参照研究および我々のモデルから得られた平均結果を示す。 0.89
Each hypothesis was run in a different experiment on it’s own model, for which the values are presented in the Table 3, except for the hypothesis H2a which the reference study validated by empirical study. 各仮説は、経験的研究によって検証された参照研究の仮説H2aを除いて、値を表3に示す独自のモデル上の別の実験で実行されました。 0.83
When comparing the results we can see that even though values are a bit different, their proportions stay the same, meaning that our model was successfully validated against the reference NetLogo model and as such that the same as in the NetLogo model the hypotheses Ha1, H2a (empirical study), H2b, H2c, H3a and H3b got supported while the hypothesis H1b did not get supported. 結果を比較すると、値が少し異なるとしても、その比率は変わらないことが分かる。つまり、我々のモデルは参照NetLogoモデルに対して有効に検証され、NetLogoモデルと同じ仮説であるH1, H2a(経験的研究)、H2b, H2c, H3a, H3bが支持されたが、仮説H1bは支持されなかった。 0.78
4.3 Comparing the platforms The differences might be partially attributed to the smaller sample sizes that we use to average the results, but we think they’re mostly the reason of a different execution flow in the GAMA platform. 4.3 プラットフォームの比較 違いは部分的には,結果の平均的なサンプルサイズが小さいことによるかも知れませんが,GAMAプラットフォームで実行フローが異なる理由がほとんどだと思います。 0.80
It is here that GAMA platform introduces a difference that we find important when making social models. ここではGAMAプラットフォームが,ソーシャルモデル作成において重要な違いを導入している。 0.78
The execution flow of NetLogo for the model of diffusion of innovation is sequential and iterative. イノベーションの拡散モデルのためのnetlogoの実行フローはシーケンシャルで反復的である。 0.76
For each of the 25 steps of the simulation the three stages (mass-media, word of mouth, adoption) are executed one after another, where first one has to complete for all of the agents before the next stage can commence. シミュレーションの25ステップごとに、3つのステージ(マスメディア、口語、養子縁組)が次々と実行され、最初のステップは次のステージが始まる前にすべてのエージェントのために完了しなければならない。 0.76
Inside each stage, the agents execute the actions linked to it iteratively in a loop, the agent 1 does it first and agent 500 the last. 各ステージ内では、エージェントがループ内で繰り返しリンクされたアクションを実行し、エージェント1が最初に実行し、エージェント500が最後となる。 0.79
The agents inherently act as small blocks of non-connected code and the order of their execution can never be different as the loop over the agents that calls each of them determines it. エージェントは本質的に非接続コードの小さなブロックとして動作し、それぞれを呼び出すエージェントのループがそれを決定するので、その実行順序は決して変わりません。 0.75
On the other hand, on GAMA platform each agent acts as it’s own entity with it’s own behaviours. 一方、GAMAプラットフォームでは、各エージェントが自身の行動で自身のエンティティとして機能します。 0.65
During the simulation of the 25 steps, the only role of the world agent that stands above all other agents (on GAMA platform the world agent acts similar than a main function in many programming languages) is to schedule them, i.e. 25ステップのシミュレーションの間、他のすべてのエージェントの上に立つ世界エージェントの唯一の役割(GAMAプラットフォーム上の世界エージェントは、多くのプログラミング言語で主関数に類似している)は、それらをスケジュールすることです。 0.81
gives them an opportunity to act. 彼らに行動する機会を与えます 0.75
While the agents still do not all run at the same time in parallel, they are not connected with actions of the other agents. エージェントはすべて同時に並行して実行されるわけではありませんが、他のエージェントのアクションとは接続されていません。 0.71
When each agent gets it’s turn it runs it’s behaviours, which are in turn mass-media, WoM and adoption. 各エージェントがターンを受信すると、その動作が実行され、それがマスメディア、WoM、そして採用される。 0.61
So the prime difference is that on GAMA platform the main program only calls the agents and after that is has no control over how they execute, they act as individual entities. したがって、GAMAプラットフォームでの主な違いは、メインプログラムがエージェントのみを呼び出し、その後、その実行方法を制御せずに、個々のエンティティとして振る舞うことである。 0.77
However, in our model the world agent mostly still calls the consumer agents iteratively, starting with agent 1 and finishing with agent 500, which is still not very representative of しかし、我々のモデルでは、世界エージェントは依然として消費者エージェントを反復的に呼び出し、エージェント1からエージェント500で終了するが、それでもあまり代表的ではない。 0.70
the real world because the order of the agents is the same at each simulation step. 実世界は、エージェントの順番がシミュレーションの各ステップで同じであるからである。 0.84
There exists a solution to this problem which is discussed in section 5. この問題に対する解決策は、セクション5で議論されています。 0.77
5 Conclusions and Further research We have successfully established and validated a model of diffusion of innovation nn the state-of-the-art GAMA platform that is designed for agent-based modeling. 5 結論とさらなる研究 我々は,エージェントベースモデリング用に設計された最先端のGAMAプラットフォームであるイノベーションの拡散モデルの構築と検証に成功した。 0.80
We think that it is an important step to take towards the more realistic modeling of social interactions. 我々は、より現実的な社会的相互作用のモデリングに向けた重要なステップであると考えている。 0.71
However, as mentioned before in Section 4 the agents still get executed in the same order in each step of the simulation. しかし、第4節で述べたように、エージェントはシミュレーションの各ステップで同じ順序で実行される。 0.66
This could lead to unrealistic simulations. これは非現実的なシミュレーションにつながる可能性がある。 0.55
We would like to highlight one example of this problem, namely discuss the execution of the Word of Mouth stage. この問題の1つの例、すなわち、Word of Mouthのステージの実行について議論したいと思います。 0.75
When in this stage, the agent talks to all of its neighbours, and if any of them know of the true product quality, then the agent becomes aware of it by WoM. この段階で、エージェントは隣人全員と話し、そのうちの誰かが真の製品品質を知っていれば、エージェントはWoMによってそれを認識します。 0.65
Now imagine the first simulation step when after the mass-media stage at most 1% of the population has become aware of the product. 今、人口の1%以上でマスメディアステージの後に製品が認識されたときに最初のシミュレーションステップを想像してください。 0.74
During the WoM stage agents will be called upon iteratively and each of them will have larger probability that some of its previously non-aware neighbours have now become aware and can thus share their knowledge about the product. womのステージの間、エージェントは反復的に呼び出され、それぞれのエージェントはより大きな確率で、以前は認識されていなかった隣人が認識され、製品に関する知識を共有することができる。 0.54
Consequently, in each of the 25 steps of the simulation, agent number 1 will always have lesser probability to become aware by WoM than agent number 500. したがって、シミュレーションの25ステップのそれぞれで、エージェント番号1は常にエージェント番号500よりもWoMによって認識される確率が低くなります。 0.82
To solve this issue GAMA platform provides an option of calling agents in a random (shuffled) order. この問題を解決するため、GAMAプラットフォームはランダムな(シャッフルされた)順番でエージェントを呼び出すオプションを提供する。
訳抜け防止モード: この問題を解決するために GAMAプラットフォームはオプションを提供する エージェントをランダム(シャッフル)の順番で呼び出します。
0.79
In NetLogo such option could be implemented manually, but would be hard to achieve. netlogoでは、このようなオプションは手動で実装できるが、実現は難しい。 0.70
As a future work we think that adding this property and observing the obtained results could be a good idea. 今後の作業として、このプロパティの追加と結果の観察は、よいアイデアになると思います。 0.68
The results might stay the same, but the micro structure of the model would become closer to the real world social models. 結果は変わらないかもしれないが、モデルのマイクロ構造は現実世界の社会モデルに近いものになるだろう。 0.76
Another promising option of further research would be the extension of the current agents to BDI agents. さらなる研究のもう一つの有望な選択肢は、現在のエージェントをBDIエージェントに拡張することである。 0.69
Agent based modeling is already a step forward from the old aggregate models where humans were modeled as equal homogeneous entities. エージェントベースのモデリングはすでに、人間が均質なエンティティとしてモデル化された古い集約モデルから一歩前進している。 0.76
However, when handling ABMs in the field of social sciences, human agents can be further improved to become more human-like by giving them personality traits. しかし、社会科学の分野でABMを扱う場合、人間エージェントは人格特性を与えることで、より人間らしくなるように改善することができる。 0.75
These agents are called belief, desire and intention (BDI) agents. これらのエージェントは、信念、欲求、意図(BDI)エージェントと呼ばれる。 0.62
The model allows to use more complex and descriptive agent models to represent humans. このモデルは、より複雑で記述的なエージェントモデルを使用して人間を表現することができます。 0.61
It attempts to capture common understanding of how humans reason through: beliefs which represent the individual’s knowledge about the environment and about their own internal state; desires or more specifically goals (non-conflicting desires which the individual has decided they want to achieve); and intentions which are the set of plans or sequence of actions which the individual intends to follow in order to achieve their goals [Adam and Gaudou, 2016]. 個人の環境と自己の内的状態に関する知識を表す信念、願望またはより具体的には目標(個人が達成したいと決めた非紛争的願望)、目標を達成するために個人が従おうとする一連の行動のセットである意図(Adam and Gaudou, 2016)。
訳抜け防止モード: 人間の理屈の共通理解を捉えようとする試み : 環境に関する個人の知識を表す信念 そして、彼ら自身の内部状態について;願望またはより具体的には目標(個人が達成したいと決めた非矛盾する欲求) 個人が意図する行動の計画や順序の集合である意図 to follow 目標を達成するために [Adam と Gaudou, 2016 ].
0.81
Two other important functionalities a BDI system must have are a rational process by which an agent decides which intentions to follow depending on the current circumstances, and the level of commitment to the set of intentions to achieve a long-term goal. bdiシステムの他の2つの重要な機能は、エージェントが現在の状況に応じてどの意図に従うかを決定する合理的なプロセスと、長期的な目標を達成するための意図の集合へのコミットメントのレベルである。 0.71
We think that BDI agents are important to give higher descriptive value on results of social studies, which a diffusion of innovation certainly is. 我々は,BDIエージェントが社会研究の結果に対して高い説明価値を与える上で重要であると考えている。 0.68
They give more information on より多くの情報を与えます 0.71
英語(論文から抽出)日本語訳スコア
[Lyons and Henderson, 2005] B. Lyons and K. Henderson. [Lyons and Henderson, 2005]B. LyonsとK. Henderson。 0.93
Opinion leadership in a computer-mediated environment. コンピュータによる環境におけるオピニオンリーダーシップ。 0.70
Journal of Consumer Behavior, 4(5):319–29. Journal of Consumer Behavior, 4(5):319–29。 0.91
[Macal and North, 2005] C. M. Macal and M. J. [Macal and North, 2005]C.M.MacalとM.J. 0.93
North. Tutorial on agent-based modeling and simulation. 北。 エージェントベースモデリングとシミュレーションに関するチュートリアル 0.77
In 37th Winter Simulation Conference. 第37回冬季シミュレーション会議に参加。 0.68
Introductory Tutorials: AgentBased Modeling, 2–15. 入門チュートリアル: AgentBased Modeling, 2–15。 0.82
[Mills and Schleich, 2012] Bradford Mills [Mills and Schleich, 2012]Bradford Mills 0.79
and Joachim Schleich. そしてヨアヒム・シュライヒ。 0.45
Residential Energy-Efficient Technology Adoption, Energy Conservation, Knowledge, and Attitudes: An Analysis of European Countries. 住宅エネルギー効率の高い技術の導入、省エネルギー、知識、および態度:欧州諸国の分析。 0.76
Energy Policy, 49, 2012. エネルギー政策、2012年、49。 0.78
[Zhang and Vorobeychik, 2016] Haifeng Zhang and Yevgeniy Vorobeychik. [Zhang and Vorobeychik, 2016]Haifeng ZhangとYevgeniy Vorobeychik。 0.80
Empirically Grounded Agent-Based Models of Innovation Diffusion: A Critical Review. 経験に基づいたエージェントベースのイノベーション拡散モデル:批判的レビュー。 0.69
CoRR, 1608.08517, 2016. CoRR, 1608.08517, 2016 0.90
how agents behave and a deeper insight on how innovation diffuses in the population. エージェントがどう振る舞うか イノベーションが人口にどのように拡散するか より深い洞察を与えます 0.62
As a future work, we will upgrade this model by expanding its agents to BDI agents, now that the model has been translated to GAMA, which allows BDI architecture. 今後は、エージェントをBDIエージェントに拡張し、モデルがGAMAに翻訳され、BDIアーキテクチャが可能になったことで、このモデルをアップグレードしていきます。 0.74
We will then add different human factors to these agents and observe how they affect the spread of the diffusion of an innovation and it’s speed and whether the results will stay in line with the original model. 次に、これらのエージェントに異なる人的要因を加え、それがイノベーションの拡散の拡散にどのように影響するかを観察し、その速度と結果が元のモデルに合致するかどうかを観察する。 0.71
References [Adam and Gaudou, 2016] Carole Adam and Benoit Gaudou. 参考資料[Adam and Gaudou, 2016] Carole AdamとBenoit Gaudou。 0.84
BDI agents in social simulations: a survey. 社会シミュレーションにおけるBDIエージェント:調査。 0.83
The Knowledge Engineering Review, 31(3):207–238, Cambridge University Press, 2016. The Knowledge Engineering Review, 31(3):207–238, Cambridge University Press, 2016 0.91
[Bass, 1969] F. M Bass. [Bass, 1969] F.M Bass. (英語) 0.76
A new product growth for model consumer durables. モデル消費者耐久性のための新しい製品成長。 0.80
Management Science, 15(5):215–227. 経営科学、15(5):215-227。 0.74
[Bohlman et al., 2010] J. Bohlman, R. Calantone and M. Zhao. [Bohlman et al., 2010]J. Bohlman, R. Calantone, M. Zhao. 0.98
The effects of market network heterogeneity on innovation diffusion: An agent-based modeling approach. 市場ネットワークの不均一性がイノベーション拡散に及ぼす影響:エージェントベースのモデリングアプローチ 0.83
Journal of Product Innovation Management, 27(5):741– 60. Journal of Product Innovation Management, 27(5):741– 60。 0.94
[Delre et al., 2010] Sebastiano A. Delre. [Delre et al., 2010]Sebastiano A. Delre. 0.85
Will it spread or not? それは広がるかどうか? 0.73
: The effects of social influences and network topology on innovation diffusion. 2)社会的影響とネットワークトポロジがイノベーションの拡散に及ぼす影響。 0.72
The journal of product innovation management : an international publication of the Product Development & Management Association, 27(2), 2010. the journal of product innovation management: a international publication of the product development & management association, 27(2), 2010 0.76
[Delre et al., 2007] Sebastiano A. Delre, W. Jager, T. H. A Bijmolt and M. A. Janssen. [Delre et al., 2007]Sebastiano A. Delre, W. Jager, T. H. A Bijmolt, M. A. Janssen 0.92
Targeting and timing promotional activities: An agent-based model for the takeoff of new products. ターゲットとタイミングのプロモーション活動:新製品のテイクオフのためのエージェントベースのモデル。 0.87
Journal of Business Research, 60(8):826– 35. Journal of Business Research, 60(8):826– 35。 0.93
[van Eck et al., 2011] Peter S. van Eck, Wander Jager and Peter S. H. Leeflang. [van Eck et al., 2011] Peter S. van Eck, Wander Jager, Peter S. H. Leeflang 0.90
Opinion leaders’ role in innovation diffusion : a simulation study. イノベーション拡散における意見指導者の役割 : シミュレーション研究 0.77
The journal of product innovation management : an international publication of the Product Development & Management Association., 28.2011(2):187–203, Oxford, Blackwell Publishing, 2011. the journal of product innovation management: an international publication of the product development & management association., 28.2011(2):187–203, oxford, blackwell publishing, 2011 0.91
[Goldenberg et al., 2009] J. Goldenberg, S. Han, D. R. Lehmann and J. W. Wong. [Goldenberg et al., 2009]J. Goldenberg, S. Han, D. R. Lehmann, J. W. Wong. 0.91
The role of hubs in the adoption process. 採用プロセスにおけるハブの役割。 0.56
Journal of Marketing, 73(2):1–13. Journal of Marketing, 73(2):1–13。 0.87
[Jensen and Chappin, 2017] Thorben Jensen and Emile J.L. [Jensen and Chappin, 2017]Thorben JensenとEmile J.L. 0.91
Chappin. Automating agent-based modeling: Data-driven generation and application of innovation diffusion models. Chappin エージェントベースモデリングの自動化:データ駆動生成とイノベーション拡散モデルの適用 0.70
Environmental Modelling & Software, 92:261–268, 2017. Environmental Modelling & Software, 92:261–268, 2017 0.84
[Kiesling et al., 2012] Elmar Kiesling, Markus G¨unther, Christian Stummer and Lea M. Wakolbinger. Kiesling et al., 2012] Elmar Kiesling, Markus G sunther, Christian Stummer, Lea M. Wakolbinger。 0.83
Agent-based simulation of innovation diffusion: A review. イノベーション拡散のエージェントベースのシミュレーション:レビュー。 0.76
Central European Journal of Operations Research, 20:183–230, 2012. Central European Journal of Operations Research, 20:183–230, 2012 0.89
[Laciana et al., 2017] Carlos E. Laciana, Gustavo Preyra and Santiago L. Rovere. [Laciana et al., 2017]Carlos E. Laciana, Gustavo Preyra, Santiago L. Rovere 0.86
Size invariance sector for an agentbased innovation diffusion model. エージェントに基づくイノベーション拡散モデルのためのサイズ不変セクタ 0.84
ARXIV, 1706.03859, 2017. ARXIV, 1706.03859, 2017 0.91
               ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。