論文の概要: On the possibilities and limitations of LLM-based multi-agent systems for multi-criteria decision-making in healthcare operations management

• arxiv url: http://arxiv.org/abs/2610.23673v1
• Date: Fri, 16 Oct 2026 16:05:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.016578
• Title: On the possibilities and limitations of LLM-based multi-agent systems for multi-criteria decision-making in healthcare operations management
• Title（参考訳）: 医療経営における多基準意思決定のためのLCMベースのマルチエージェントシステムの可能性と限界について
• Abstract要約: 医療業務のマルチ基準モデルは、ステークホルダーが患者待ち時間や提供者の作業負荷、運用コストをトレードオフする方法を示す重みを必要とする。 本研究では,外来の予約スケジューリング問題における基準の重要性を評価するために,エージェントに対して明示的な選好について検討する。 次に、好みの不確実性を考慮した頑健な重み付きサム最適化モデルを定式化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-criteria models for healthcare operations need weights that express how stakeholders trade off patient waiting time, provider workload, and operating cost, but these weights are difficult to quantify. Teams of large language model (LLM) agents, each prompted to represent a stakeholder, have been used to supply them. We propose a framework for assessing the reliability of LLM-generated preferences as inputs to multi-objective optimization and quantifying how their uncertainty affects decisions. We study explicit preferences by asking agents to rate the importance of the criteria in an outpatient appointment scheduling problem, and implicit preferences by inferring trade-offs from the agents' pairwise choices between emergency department configurations. The computational experiments show that the explicit preferences respond to the clinic's operating conditions and differ across roles, but deliberation among the agents can erase these differences, whereas simple averaging preserves them. The pairwise choices used to reveal the agents' implicit preferences depend largely on which option is presented first, and we find limited evidence that a statistical model using contextual information alongside presentation order predicts the agents' choices on new comparison pairs better than a model using presentation order alone. We then formulate robust weighted-sum optimization models to account for preference uncertainty. In most cases, these models select different schedules or configurations from those obtained using average preference weights. These results indicate that LLM-generated preferences need an audit of this kind before they are used as optimization weights in healthcare decision support.
• Abstract（参考訳）: 医療業務のマルチ基準モデルは、ステークホルダーが患者待ち時間、提供者の作業負荷、運用コストをどう引き離すかを示す重みを必要とするが、これらの重みは定量化が難しい。 大型言語モデル(LLM)エージェントのチームは、それぞれステークホルダーを表すように促され、それらを供給するために使われてきた。 本研究では,多目的最適化への入力としてLLM生成された嗜好の信頼性を評価し,不確実性が意思決定に与える影響を定量化する枠組みを提案する。 本研究は、外来予約スケジューリング問題における基準の重要性を評価するためにエージェントに指示することによる明示的な選好と、救急部門構成間のエージェントのペア選択からトレードオフを推測することで暗黙的な選好について検討する。 計算実験は、明示的な嗜好が診療所の手術条件に反応し、役割によって異なることを示しているが、エージェント間の協議はこれらの違いを消し去ることができる一方で、単純な平均化はそれらを保存している。 エージェントの暗黙の選好を明らかにするために使用されるペア選択は、どの選択肢が最初に提示されるかに大きく依存する。 次に、好みの不確実性を考慮した頑健な重み付きサム最適化モデルを定式化する。 ほとんどの場合、これらのモデルは平均的な好みの重みを使って得られたものと異なるスケジュールや構成を選択する。 以上の結果から, LLM生成の嗜好は, 医療意思決定支援における最適化ウェイトとして用いられる前に, この種の監査が必要であることが示唆された。

関連論文リスト

• Tabular Foundation Models for Discrete Choice Estimation [8.167439804974467]
  Tabular foundation model (TFMs) は、タスク固有の推定をすることなく、コンテキスト内学習を通じて構造化データの予測を生成する。 マーケティング・オペレーションにおける中心的需要推定フレームワークである, 個別選択に対して, TFMを効果的に適用できるかどうかを問う。 行ベースの学習フレームワークにおいて,選択集合依存と個々の不均一性の両方を符号化する再構成を提案する。
  論文  参考訳（メタデータ） (2026-07-14T22:34:00Z)
• Selective Ensemble Based on Preference-Directed Multi-Objective Bandits [90.75513823660775]
  我々は、部分的に指定された線形選好の下で逐次決定問題を定式化する。 次に、嗜好指向の高信頼度境界(PrefUCB)アルゴリズムを提案する。 大規模な事前学習型モデル選択アンサンブルタスクと,機関委任下でのオンラインアセットアロケーションの実験により,本手法が検証された。
  論文  参考訳（メタデータ） (2026-06-20T07:52:46Z)
• Can Revealed Preferences Clarify LLM Alignment and Steering? [23.175180848107093]
  LLMの観測した選択が最適化するインプリート嗜好を推定するための経験的パイプラインを提案する。 提案手法は,モデルが一貫したゴール指向の振る舞いをするかどうかの厳密な評価を可能にすることを示す。
  論文  参考訳（メタデータ） (2026-05-08T23:26:35Z)
• RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
  RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。 関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。 逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
  論文  参考訳（メタデータ） (2026-01-29T12:14:31Z)
• Mitigating Judgment Preference Bias in Large Language Models through Group-Based Polling [26.377421806098187]
  自動評価器としての大規模言語モデル(LLM)が注目されている。 LLMは自分自身が生み出す反応を好む傾向があり、判断の信頼性を損なう。 本稿では,教師なしマルチエージェント協調最適化フレームワークであるグループベースポーリング最適化(Genii)を紹介する。
  論文  参考訳（メタデータ） (2025-10-09T12:32:31Z)
• Beyond Predictions: A Participatory Framework for Multi-Stakeholder Decision-Making [3.3044728148521623]
  本稿では,意思決定をマルチステークホルダー最適化問題として再編成する参加型フレームワークを提案する。 我々のモジュラー・モデルに依存しないフレームワークは、ユーザが提供する予測モデルを微調整するためにk-foldクロスバリデーションを採用している。 合成スコアリング機構は、複数のメトリクスにまたがってユーザ定義の嗜好を集約し、戦略をランク付けする。
  論文  参考訳（メタデータ） (2025-02-12T16:27:40Z)
• Few-shot Steerable Alignment: Adapting Rewards and LLM Policies with Neural Processes [50.544186914115045]
  大きな言語モデル(LLM)は、日々のアプリケーションにますます組み込まれています。 個人ユーザの多様な嗜好との整合性を確保することは、重要な課題となっている。 数発のステアライメントのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:14:59Z)
• AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
  我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。 これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。 AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
  論文  参考訳（メタデータ） (2024-11-26T10:13:39Z)

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。