論文の概要: Window-Aware Scheduling for Health Messaging under Platform Delivery Constraints: Evidence from an AI-Powered WhatsApp Maternal and Infant Health Chatbot in Nigeria
- arxiv url: http://arxiv.org/abs/2611.02834v1
- Date: Mon, 02 Nov 2026 09:34:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 23:36:30.587685
- Title: Window-Aware Scheduling for Health Messaging under Platform Delivery Constraints: Evidence from an AI-Powered WhatsApp Maternal and Infant Health Chatbot in Nigeria
- Title（参考訳）: プラットフォーム配信制約下でのヘルスメッセージングのためのウィンドウアウェアスケジューリング:ナイジェリアのAI駆動型WhatsApp母子保健チャットボットからの証拠
- Abstract要約: WhatsAppは、企業がユーザーの最後のメッセージから24時間以内にフリーフォームメッセージを送れるようにする。
このカスタマーサービスウィンドウの外では、承認済みのテンプレートのみが配信されます。
ナイジェリアのWhatsAppの母体健康チャットボットが3,696人の母親に送った98,607件のメッセージを分析します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: WhatsApp lets a business send free-form messages only within 24 hours of a user's last message; outside this customer service window, only pre-approved templates are delivered. Health chatbots inherit this rule, but its cost is rarely measured. We analyse 98,607 messages sent to 3,696 mothers by a WhatsApp maternal health chatbot in Nigeria, with a largely separate export as replication. No free-form message failed with the window open (0 of 35,500), and failure jumped by 93.0 percentage points (95% CI 87.0 to 99.1) at exactly 24 hours. Two flows produced 66.1% of failures, including an offer to speak with a medical professional that, as built, reached 0.3 in 100 mothers whose window had closed. We formalise window-aware scheduling as a decision problem with an action of known zero value. Model-based offline evaluation, with bounds for unconfirmed delivery, estimates that sending the offer as an approved template would reach 81.5 to 86.8 in 100 such mothers, against 16.6 for waiting and 11.6 for a reply prompt. In a calibrated simulation, tabular Q-learning converges to the same template rule and does not beat it in any of 13 stress tests, and opting out does not rise with message volume. The main gain comes from respecting the platform rule, and it needs no learning. All outcomes are deliveries, not health outcomes.
- Abstract（参考訳）: WhatsAppは、企業がユーザの最後のメッセージから24時間以内にフリーフォームメッセージを送れるようにします。
健康チャットボットはこのルールを継承するが、コストを計測することはめったにない。
ナイジェリアのWhatsAppの母体健康チャットボットが3,696人の母親に送った98,607件のメッセージを分析します。
フリーフォームのメッセージはウィンドウが開いても(35,500点中0点)失敗せず、失敗率は93.0ポイント(95% CI 87.0 - 99.1)を正確に24時間で上回った。
2つの流路は66.1%の失敗を生んだが、その中には医療専門家との対話の申し出も含まれており、窓が閉められた100人の母親のうち0.3人に達した。
我々は、既知ゼロ値のアクションを用いて、ウィンドウアウェアスケジューリングを決定問題として定式化する。
モデルベースのオフライン評価では、承認されたテンプレートとしてオファーを送ると、100人の母親が81.5から86.8に到達し、16.6が待ち、11.6が返信のプロンプトとなると見積もられている。
キャリブレーションされたシミュレーションでは、タブ型Qラーニングは同じテンプレートルールに収束し、13のストレステストのいずれかでそれを打ち負かさず、オプトアウトはメッセージ量とともに上昇しない。
主な利益は、プラットフォームルールを尊重することによるものであり、学習する必要がない。
結果はすべて納品であり、健康的な結果ではない。
関連論文リスト
- The Knowledge Layer Model (KLM): Evidence-Visible AI Output, Routing Diagnostics, and Negative Results [0.0]
推論レコードのオープンな実装ニュートラル仕様である知識層モデル(KLM)を導入する。
実験材料は、エンドツーエンドの検証ではなく、別の内部実験から成り立っている。
発見は内部および著者によって報告され、歴史的観察は後世の複製と区別される。
論文 参考訳（メタデータ） (2026-10-30T17:26:18Z) - Trust Mechanisms for Offline Generative AI at the Edge: A Connectivity-Regime Framework and an Empirical Study on a Raspberry Pi 5 [45.88028371034407]
ジェネレーティブAIと大規模言語モデル(LLM)がモノのインターネットに移行しつつある。
ほとんどのデプロイメントはクラウド接続を前提としており、多くのIoT設定は断続的、制限的、あるいは接続不能である。
提案するコネクティビティ・レジーム・フレームワーク (C0-C4) は, 推論時信頼機構の分類法であり, 署名されたバージョン付き知識パックである。
論文 参考訳（メタデータ） (2026-10-24T15:23:25Z) - Measure Before You Train: Typed Decision Models vs. a Classical Baseline vs. a Generative LLM for Routing a Personal Multilingual Inbox [0.0]
個人メールエージェントは、メッセージごとに、それが何であるか、緊急かどうか、返信の起草、タスクの作成、無視かを判断する。
本稿では、セルフホスト型の個人用受信箱エージェントであるFoyerについて紹介する。
論文 参考訳（メタデータ） (2026-10-23T17:49:43Z) - CLAP: Closed-Loop Alignment with Pressure for Precise Suction Manipulation [50.72629909392354]
本稿では,真空ラインにタップされた圧力モジュールを通してアタッチメント状態を観測できるCLAPを提案する。
データについては、物理ロボット上でゴール状態の分解を記録し、関節状態のシーケンスをオフラインで反転させる。
実際のUnitree Z1では、1つのマルチタスクチェックポイントが96.67%に達する。
論文 参考訳（メタデータ） (2026-09-26T16:40:23Z) - this-that-model-1.0: A typed decision model that decides in 30 ms, for a millionth of a cent [9.39195684989942]
このモデル1.0は2B型決定モデルである。
1つのラップトップGPU上で30.9msで決定し、それを行う出力トークンをゼロにする。
1つのコンシューマGPU上で毎秒32の意思決定を維持でき、ステートがマシンを離れることはない。
論文 参考訳（メタデータ） (2026-09-20T21:43:03Z) - Agora: Git as Shared Memory for Collective AutoResearch [54.31992252587096]
別々のセッションで作業する調査エージェントは、他の人が試したことと、構築可能な結果を知る必要がある。
各コミットは結果、洞察、仮説、検証、報告を記録し、それを以前の作業とリンクする。
約12日間に渡り,13人の言語モデル労働者がアゴラを重み移動問題の解決に利用したことを報告した。
論文 参考訳（メタデータ） (2026-09-16T04:00:54Z) - Fabrication After Tool Failure: Tool-Augmented Agents Assert Values Their Tools Did Not Return [7.146717861821737]
ツール拡張言語モデルは、ツールの供給に失敗した時に正直に報告するかどうかではなく、正しい回答に達するかどうかで評価される。
16のシステムドメインと8つのツール障害タイプにまたがる1024項目のベンチマークで、この障害後の決定を分離する。
論文 参考訳（メタデータ） (2026-09-13T19:46:42Z) - Feedback That Backfires: Why Small Language Model Agents Repeat the Call They Just Watched Fail [0.0]
障害レコードの修正的なゲインを、失敗するアクションを再発光するログ確率の変化として定義すると、そのゲインは、命令チューニングされたモデル毎に負であることが分かります。
問題は、モデルのエラーメッセージの把握ではなく、ハーネスにある。
論文 参考訳（メタデータ） (2026-08-24T10:19:17Z) - Abliteration Is Not a Scalpel: Off-Target Effects of Refusal Removal on Decision Disposition Across Model Families [51.56484100374058]
放棄 — モデルの拒絶方向を重みから取り除く — は、一般的な"アンセンソルド"なオープンウェイトモデルの標準的なレシピである。
ディスポジションプローブとして21,600個の決定を不確実性の下で使用し、凍結パイプラインを通じて再生することにより、決定層モデルが唯一の変数となる。
3つのエフェクトは2つのファミリーにまたがって複製される(ゼロを除く週間クラスターCI)
4つ目の効果は符号を逆転する:同じ操作によりGemmaで読み取られた方が自信が弱まり、Qwenで読み取られたものがより多くなる(ファミリーCIは重複しない)。
論文 参考訳（メタデータ） (2026-07-19T22:27:00Z) - Evaluating Commercial AI Chatbots as News Intermediaries [85.32040752972836]
ベストシステムは、数時間前に報告されたイベントに関する質問に対して、90%以上の多重選択精度を達成する。
すべてのモデルはヒンディー語で最小の精度を達成する。
原因ではなく検索は エラーの70%以上を 引き起こします
論文 参考訳（メタデータ） (2026-05-21T17:42:07Z)
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。