論文の概要: Agent-based Simulation for Online Mental Health Matching
- arxiv url: http://arxiv.org/abs/2303.11272v1
- Date: Mon, 20 Mar 2023 17:04:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 14:21:08.684434
- Title: Agent-based Simulation for Online Mental Health Matching
- Title(参考訳): オンラインメンタルヘルスマッチングのためのエージェントベースシミュレーション
- Authors: Yuhan Liu and Anna Fang, Glen Moriarty, Robert Kraut, Haiyi Zhu
- Abstract要約: 我々は、エージェントベースのシミュレーションフレームワークを開発するために、世界最大のオンラインメンタルヘルスコミュニティの1つと協力します。
提案手法は,1対1のチャットにおいて,遅延受容アルゴリズムを用いることで,サポート検索者の体験を著しく改善できることがわかった。
- 参考スコア(独自算出の注目度): 16.968538290877444
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Online mental health communities (OMHCs) are an effective and accessible
channel to give and receive social support for individuals with mental and
emotional issues. However, a key challenge on these platforms is finding
suitable partners to interact with given that mechanisms to match users are
currently underdeveloped. In this paper, we collaborate with one of the world's
largest OMHC to develop an agent-based simulation framework and explore the
trade-offs in different matching algorithms. The simulation framework allows us
to compare current mechanisms and new algorithmic matching policies on the
platform, and observe their differing effects on a variety of outcome metrics.
Our findings include that usage of the deferred-acceptance algorithm can
significantly better the experiences of support-seekers in one-on-one chats
while maintaining low waiting time. We note key design considerations that
agent-based modeling reveals in the OMHC context, including the potential
benefits of algorithmic matching on marginalized communities.
- Abstract(参考訳): オンラインメンタルヘルスコミュニティ(OMHC)は、精神的および感情的な問題を持つ個人に対して社会的支援を与え、受けられる効果的なチャンネルである。
しかし、これらのプラットフォームにおける重要な課題は、ユーザとマッチするメカニズムが未開発であることを考えると、適切なパートナーを見つけることである。
本稿では,世界最大規模のOMHCと協力し,エージェントベースのシミュレーションフレームワークを開発し,異なるマッチングアルゴリズムにおけるトレードオフについて検討する。
シミュレーションフレームワークにより、プラットフォーム上の現在のメカニズムと新しいアルゴリズムマッチングポリシーを比較し、様々な結果指標に対する異なる効果を観察することができる。
その結果,遅延受容アルゴリズムは1対1のチャットにおいて,待ち時間を低く保ちながら支援者体験を大幅に改善できることがわかった。
我々は,omhcの文脈においてエージェントベースモデリングが示す重要な設計上の考察に注目する。
関連論文リスト
- Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [55.65482030032804]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
提案手法は,軌道予測器が将来の状態を生成するために使用する関係の進化を捉えるために,動的に進化する関係グラフとハイパーグラフを推論する。
論文 参考訳(メタデータ) (2024-01-22T18:58:22Z) - AntEval: Evaluation of Social Interaction Competencies in LLM-Driven
Agents [65.16893197330589]
大規模言語モデル(LLM)は、幅広いシナリオで人間の振る舞いを再現する能力を示した。
しかし、複雑なマルチ文字のソーシャルインタラクションを扱う能力については、まだ完全には研究されていない。
本稿では,新しいインタラクションフレームワークと評価手法を含むマルチエージェントインタラクション評価フレームワーク(AntEval)を紹介する。
論文 参考訳(メタデータ) (2024-01-12T11:18:00Z) - Interventionally Consistent Surrogates for Agent-based Simulators [8.129944388402839]
エージェントベースのシミュレータは、システムの構成要素エージェントの相互作用を直接モデル化することで、複雑なインテリジェントシステムの粒度の表現を提供する。
それらの高忠実性の性質は、超局所的な政策評価と、何のシナリオかのテストを可能にするが、大きな計算コストに結びついている。
我々はエージェントベースシミュレータのための干渉的一貫した代理モデルを学習するためのフレームワークを開発する。
論文 参考訳(メタデータ) (2023-12-18T12:55:40Z) - Exploring Collaboration Mechanisms for LLM Agents: A Social Psychology
View [64.43238868957813]
本稿では,理論的洞察を用いた実用実験により,現代NLPシステム間の協調機構を解明する。
我々は, LLMエージェントからなる4つの独特な社会をつくり, それぞれのエージェントは, 特定の特性(容易性, 過信性)によって特徴づけられ, 異なる思考パターン(議論, ふりかえり)と協調する。
以上の結果から, LLMエージェントは, 社会心理学理論を反映した, 適合性やコンセンサスリーディングといった人間的な社会的行動を示すことが明らかとなった。
論文 参考訳(メタデータ) (2023-10-03T15:05:52Z) - Emergence of Theory of Mind Collaboration in Multiagent Systems [65.97255691640561]
ToMとエージェント間の効果的な協調を開発するための適応的学習アルゴリズムを提案する。
アルゴリズムはToMをモデル化せずに従来の分散実行アルゴリズムを全て上回る2つのゲームで評価する。
論文 参考訳(メタデータ) (2021-09-30T23:28:00Z) - Balancing Rational and Other-Regarding Preferences in
Cooperative-Competitive Environments [4.705291741591329]
混合環境は利己的で社会的利益の衝突で悪名高い。
個人と社会的インセンティブのバランスをとるBAROCCOを提案します。
メタアルゴリズムは、Qラーニングとアクタークリティカルの両方のフレームワークと互換性があります。
論文 参考訳(メタデータ) (2021-02-24T14:35:32Z) - Federated Multi-Agent Actor-Critic Learning for Age Sensitive Mobile
Edge Computing [16.49587367235662]
モバイルエッジコンピューティング(MEC)は、さまざまな分散通信コンピューティングシステムのための新しい処理スキームを導入します。
年齢に敏感なMECモデルを定式化し、関心事の平均年齢(AoI)最小化問題を定式化する。
共同作業のパラダイムとして, ヘテロジニアス多エージェントアクタ批判(H-MAAC)と呼ばれる新しいポリシーに基づく多エージェント深層強化学習(RL)フレームワークを提案する。
論文 参考訳(メタデータ) (2020-12-28T08:19:26Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳(メタデータ) (2020-03-19T13:10:20Z) - Multi-Agent Interactions Modeling with Correlated Policies [53.38338964628494]
本稿では,マルチエージェントインタラクションモデリング問題をマルチエージェント模倣学習フレームワークに実装する。
相関ポリシー(CoDAIL)を用いた分散型適応模倣学習アルゴリズムの開発
様々な実験により、CoDAILはデモレーターに近い複雑な相互作用をより良く再生できることが示されている。
論文 参考訳(メタデータ) (2020-01-04T17:31:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。