論文の概要: Healthcare AI for Automation or Allocation? A Transaction Cost Economics Framework

• arxiv url: http://arxiv.org/abs/2604.16465v1
• Date: Wed, 08 Apr 2026 18:22:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.021836
• Title: Healthcare AI for Automation or Allocation? A Transaction Cost Economics Framework
• Title（参考訳）: 自動化とアロケーションのためのヘルスケアAI : トランザクションコスト経済フレームワーク
• Authors: Ari Ercole,
• Abstract要約: タスクステートメントとO*NETの作業データベースからの頻度重みを利用して、タスクの粒度で医療業務を特徴付ける。 制約付き大きな言語モデルを使用して、各ユニークなタスクを1つの主要なトランザクションコストカテゴリにコーディングしました。 臨床医の役割は非クリニック的役割よりもかなり高い取引コストの強度を示し、主に情報検索と意思決定関連調整の負担が大きかった。
• 参考スコア（独自算出の注目度）: 0.43995631888847014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Healthcare productivity is shaped not only by clinical complexity but by the costs of coordinating work under uncertainty. Transaction-cost economics offers a theory of these coordination frictions, yet has rarely been operationalised at task level across health occupations. Using task statements and frequency weights from the O*NET occupational database, we characterised healthcare work at task granularity and coded each unique task using a constrained large language model into one dominant transaction-cost category (information search, decision and bargaining, monitoring and enforcement, or adaptation and coordination) together with an overall transaction-cost intensity score. Aggregating to the occupation level, clinician roles exhibited substantially higher transaction-cost intensity than non-clinician roles, driven primarily by greater burdens of information search and decision-related coordination, while dispersion of transaction costs within occupations did not differ. These findings demonstrate systematic heterogeneity in the nature of coordination work across healthcare roles and suggest that the opportunities for digital and AI interventions are unevenly distributed, shaped less by technical task complexity than by underlying coordination structure.
• Abstract（参考訳）: 医療の生産性は、臨床の複雑さだけでなく、不確実性の下で仕事をコーディネートするコストによって形成される。 取引コスト経済学は、これらの協調摩擦の理論を提供するが、医療従事者間でのタスクレベルでの運用はめったに行われていない。 タスクステートメントとO*NETの作業データベースからの頻度重みを用いて、タスクの粒度を計算し、制約された大きな言語モデルを用いて、各ユニークなタスクを1つの主要なトランザクションコストカテゴリ(情報検索、意思決定と交渉、監視と実施、適応と調整)に、全体的なトランザクションコスト強度スコアとともに符号化した。 職業レベルに合わせると、臨床医の役割は非クリニック的役割よりもかなり高い取引コストの強度を示し、主に情報検索と意思決定関連調整の負担が大きい一方で、職業内における取引コストの分散は相違しなかった。 これらの結果は、医療分野における協調作業の性質において、体系的な異質性を示し、デジタルとAIの介入の機会は、基礎となる調整構造よりも技術的タスクの複雑さによって、不均一に分散されていることを示唆している。

関連論文リスト

• The Headless Firm: How AI Reshapes Enterprise Boundaries [5.856292656853395]
  我々はエージェントAIが調整コストのスケール方法に構造的変化をもたらすと主張している。 我々はこの主張を2つの実証的予測を持つ調整コストモデルとして定式化する。
  論文  参考訳（メタデータ） (2026-02-24T22:13:14Z)
• Completion $\neq$ Collaboration: Scaling Collaborative Effort with Agents [48.95020665909723]
  タスク完了エージェントの構築と評価から,協調エージェントの開発への移行を議論する。 エージェントのユーティリティがユーザ関与の増加とともにどのように成長するかをキャプチャするフレームワークであるコラボレーティブ・ワーク・スケーリングを紹介します。
  論文  参考訳（メタデータ） (2025-10-29T17:47:18Z)
• A Multi-Objective Genetic Algorithm for Healthcare Workforce Scheduling [0.764671395172401]
  本稿では,多目的遺伝的アルゴリズム (MOO-GA) を提案する。 コスト、患者ケアのカバレッジ、スタッフの満足度を客観的に定義することにより、GAは膨大な検索スペースをナビゲートし、高品質で非支配的なソリューションの集合を特定する。
  論文  参考訳（メタデータ） (2025-08-28T16:16:10Z)
• Shapley-Coop: Credit Assignment for Emergent Cooperation in Self-Interested LLM Agents [19.76624432791744]
  大規模言語モデル(LLM)は、事前に定義された役割と役割を持つマルチエージェントシステムにおいて、強力な協調的なパフォーマンスを示す。 コーディネーションの 中心的な課題は 信用の割り当てにある Shagley-CoopはShapley Chain-of-Thoughtを効果的な価格マッチングのための構造化プロトコルに統合する。
  論文  参考訳（メタデータ） (2025-06-09T03:24:01Z)
• Controlled Data Rebalancing in Multi-Task Learning for Real-World Image Super-Resolution [51.79973519845773]
  実世界の画像超解像(Real-SR)は、低解像度画像の複雑な劣化パターンのために難しい問題である。 本稿では,データヘテロジニアスなマルチタスク学習問題としてReal-SRの枠組みを改良したパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-05T21:40:21Z)
• A Demonstration of Adaptive Collaboration of Large Language Models for Medical Decision-Making [38.2229221645303]
  大規模言語モデル(LLM)は、膨大な医療知識とマルチモーダルヘルスデータを合成することで、このプロセスを合理化することを約束する。 我々のMDAgentsは、タスクの複雑さに基づいて協調構造をLLMに動的に割り当てることで、このニーズに対処します。 このフレームワークは、診断精度を改善し、複雑な現実世界の医療シナリオにおける適応応答をサポートする。
  論文  参考訳（メタデータ） (2024-10-31T22:58:08Z)
• Heterogeneous Graph Reinforcement Learning for Dependency-aware Multi-task Allocation in Spatial Crowdsourcing [33.915222518617085]
  本稿では,依存性を考慮したマルチタスクアロケーション(DMA)の問題点を公式に検討する。 Heterogeneous Graph Reinforcement Learning-based Task Allocation (HGRL-TA)として知られる、それを解決するためのよく設計されたフレームワークを提供する。 実験結果は、提案されたHGRL-TAのDMA問題を解決する効果と一般性を示し、メタヒューリスティック法を用いて達成したよりも21.78%高い平均利益をもたらす。
  論文  参考訳（メタデータ） (2024-10-20T17:00:45Z)
• A Task-Interdependency Model of Complex Collaboration Towards Human-Centered Crowd Work [0.5439020425818999]
  我々は、相互依存を中心としたモデルを提示し、これはコラボレーションの核心にあるとよく理解されている現象である。 我々は、複雑な協調作業のスケールアップ、専門家の重要さの明確化、調整力と職業賃金の関係について説明する。
  論文  参考訳（メタデータ） (2023-08-31T22:37:47Z)
• Adaptive Value Decomposition with Greedy Marginal Contribution Computation for Cooperative Multi-Agent Reinforcement Learning [48.41925886860991]
  現実世界の協力はしばしばエージェント間の集中的な調整を必要とする。 単調なユーティリティの単調混合として値関数を学習する従来の方法は、非単調なリターンでタスクを解くことはできない。 非単調な問題に対処するための新しい明示的な信用割当手法を提案する。
  論文  参考訳（メタデータ） (2023-02-14T07:23:59Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Reinforcement Learning with Efficient Active Feature Acquisition [59.91808801541007]
  実生活では、情報取得は患者の医療検査に該当する可能性がある。 本稿では,アクティブな特徴獲得ポリシーを学習するモデルに基づく強化学習フレームワークを提案する。 この成功の鍵は、部分的に観察された状態から高品質な表現を学ぶ新しい逐次変分自動エンコーダである。
  論文  参考訳（メタデータ） (2020-11-02T08:46:27Z)

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。