論文の概要: Modeling Bounded Rationality in Drug Shortage Pharmacists Using Attention-Guided Dynamic Decomposition

• arxiv url: http://arxiv.org/abs/2605.14111v1
• Date: Wed, 13 May 2026 20:53:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.503734
• Title: Modeling Bounded Rationality in Drug Shortage Pharmacists Using Attention-Guided Dynamic Decomposition
• Title（参考訳）: 覚醒誘導動的分解を用いた薬物ショートエイジ薬剤師の相関関係のモデル化
• Authors: Yaniv Eliyahu Amiri, Noah Chicoine, Jacqueline Griffin, Stacy Marsella,
• Abstract要約: 病院薬剤師は、不確実性、時間的プレッシャー、患者のリスクの下で、薬物不足に対して高い評価を下す。 インタビューによると、薬剤師は少量の薬物に注意を向けており、認知的努力を最も緊急なケースに限定している。 これらの知見に触発され、我々は限定的、注意深い意思決定の枠組みを定式化した。
• 参考スコア（独自算出の注目度）: 1.3235873487930905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hospital pharmacists make high-stakes decisions to mitigate drug shortages under uncertainty, time pressure, and patient risk. Interviews revealed that pharmacists focus attention on a small subset of drugs, limiting cognitive effort to the most urgent cases. Motivated by these findings, we formalize a bounded-rational, attention-guided decision framework that dynamically decomposes drugs into a subset for high-cost reasoning and a complementary subset for low-cost monitoring. We develop two agents: an Expert Agent that applies attention weights derived from pharmacist interviews, and a Learner Agent that adapts attention allocation over time through experience. Across simulated scenarios spanning short to long horizons, we show that attention-guided planning supports stable decision-making without complete state reasoning. These results suggest that a primary decision is not what action to take, but where to allocate cognitive effort, and that attention-guided, satisficing strategies can reduce problem complexity while maintaining stable performance.
• Abstract（参考訳）: 病院の薬剤師は、不確実性、時間的プレッシャー、患者リスクによる薬物不足を軽減するために、高い評価を下す。 インタビューによると、薬剤師は少量の薬物に注意を向けており、認知的努力を最も緊急なケースに限定している。 これらの知見に触発され,我々は薬物を高コスト推論のためのサブセットと低コストモニタリングのための補完サブセットに動的に分解する限定的,注意誘導的な決定枠組みを定式化した。 薬剤師インタビューから得られた注意重みを応用した専門家エージェントと、経験を通して時間とともに注意割当を適応する学習者エージェントの2つを開発した。 短い地平線から長い地平線にまたがるシミュレーションシナリオ全体で、注意誘導計画が完全な状態推論なしで安定した意思決定を支援することを示す。 これらの結果は、主要な決定は、どのような行動を取るかではなく、認知的努力をどこに割り当てるかであり、注意を向けた満足度の高い戦略は、安定したパフォーマンスを維持しながら、問題の複雑さを減少させる可能性があることを示唆している。

関連論文リスト

• Integrating Anomaly Detection into Agentic AI for Proactive Risk Management in Human Activity [1.6472101987306018]
  我々は、転倒検出と転倒予測は異常検出問題として有用であり、エージェントAIシステムによりより効果的に対処できると主張している。 即時展開の技術的要件は,本論文の範囲を超えているが,本論文では潜在的な価値を強調する概念的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-04-21T14:57:36Z)
• Agentic Uncertainty Quantification [76.94013626702183]
  本稿では,言語化された不確実性をアクティブな双方向制御信号に変換する統合されたデュアルプロセスエージェントUQ(AUQ)フレームワークを提案する。 システム1(Uncertainty-Aware Memory, UAM)とシステム2(Uncertainty-Aware Reflection, UAR)は、これらの説明を合理的な手段として利用し、必要な時にのみターゲットの推論時間解決をトリガーする。
  論文  参考訳（メタデータ） (2026-01-22T07:16:26Z)
• BAPO: Boundary-Aware Policy Optimization for Reliable Agentic Search [72.87861928940929]
  バウンダリ・アウェア・ポリシー・オプティマイゼーション(BAPO)は、信頼性の高い境界認識を精度を損なうことなく育成する新しいRLフレームワークである。 BAPOは2つの重要な要素を導入する: (i) グループベースの境界対応報酬(i) 推論が限界に達したときのみIDK応答を促進させる) 適応報酬変調器(ii) 早期探索中にこの報酬を戦略的に停止させ、モデルがIDKをショートカットとして利用するのを防ぐ。
  論文  参考訳（メタデータ） (2026-01-16T07:06:58Z)
• RareAgent: Self-Evolving Reasoning for Drug Repurposing in Rare Diseases [40.52507491248964]
  RareAgentは、このタスクをパッシブパターン認識からアクティブエビデンス検索推論に再構成する、自己進化型マルチエージェントシステムである。 総合的な評価によると、RareAgentは推論基準よりもAUPRCの表示を18.1%改善している。
  論文  参考訳（メタデータ） (2025-10-07T10:35:18Z)
• Silence is Not Consensus: Disrupting Agreement Bias in Multi-Agent LLMs via Catfish Agent for Clinical Decision Making [80.94208848596215]
  提案する概念は「Catfish Agent」である。これは、構造的不満を注入し、無声な合意に反するように設計された役割特化LDMである。 組織心理学において「ナマズ・エフェクト」にインスパイアされたカマズ・エージェントは、より深い推論を促進するために、新たなコンセンサスに挑戦するように設計されている。
  論文  参考訳（メタデータ） (2025-05-27T17:59:50Z)
• On the Challenges of using Reinforcement Learning in Precision Drug Dosing: Delay and Prolongedness of Action Effects [42.84123628139412]
  薬物投与にRLを使用する2つの大きな課題は、薬物投与の遅延と長期的効果である。 PAE-POMDPをMDPに変換するための簡便で効果的な手法を提案する。 本研究は,おもちゃの課題に対する提案手法と,臨床に着想を得た報酬関数を考案したグルコース制御課題について検証した。
  論文  参考訳（メタデータ） (2023-01-02T03:16:59Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• A Sui Generis QA Approach using RoBERTa for Adverse Drug Event Identification [0.0]
  本稿では,RoBERTaのロバスト性,マスキング,動的注意力を利用した質問応答フレームワークを提案する。 我々のモデルは、以前の処理を9.53% F1-Scoreで上回っている。
  論文  参考訳（メタデータ） (2020-10-30T19:09:48Z)
• Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
  薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出 本稿では,DDI検出のための2段階関節モデルを提案する。 シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
  論文  参考訳（メタデータ） (2020-08-28T15:30:08Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。