強化学習による非標準のサービスタスクのダイナミックな適応,タスク技術フィットとサービスインタラクションのフィット化

科学分野:

• インフォメーションシステム 情報システム
• 人とコンピュータの相互作用です.
• ビジネス・プロセス・マネジメント・マネジメント

背景:

• マイクロ企業は,多様なタスクと標準的なワークフローの欠如により,デジタルトランスフォーメーションのハードルに直面しています.
• 既存のソリューションは,これらのビジネスのユニークでカスタマイズされたサービスニーズに対応することができないことが多いです.

研究 の 目的:

• マイクロエンタープライズのデジタルトランスフォーメーションのための軽量で埋め込まれたプラットフォーム方法論 (タスクサービスHCI) を提案する.
• 適応的なワークフロー生成のための強化学習駆動のタスクテクノロジーフィット最適化 (RL-TTFO) システムを設計する.
• 提案された方法論とシステムの有効性を現実の環境で評価する.

主な方法:

• タスク・テクノロジー・フィット (TTF),サービス・プロセス・カスタマイズ (SPC),ヒューマン・コンピュータ・インタラクション (HCI) を統合したタスク・サービス・HCI (TSH) 方法論を開発した.
• 強化学習駆動のタスク・テクノロジー・フィット・オプティマイゼーション (RL-TTFO) アーキテクチャをセマンティック・タスク・パーシングとアダプティブ・ワークフロー生成のために設計した.
• プロフェッショナル・オーガナイズメント業界にプロトタイププラットフォームを導入し,300人のユーザーから行動と調査データを収集しました.

主要な成果:

• 構造方程式モデリングは,タスク・テクノロジー・フィットがユーザー満足度を大幅に高めることを確認した (β=0.62,p<0.001).
• コンフィギュレーションの参加は,システムと認識されたユーザーコントロールの関係を媒介する (p<0.01).
• RL-TTFOメカニズムは,静的構成 (p<0.001) と比べて,使用頻度を35.4%向上させ,システム知性を27.1%向上させた.

結論:

• TSH 方法と RL-TTFO システムは,マイクロ企業にとって持続可能で低障壁のデジタルトランスフォーメーションソリューションを提供します.
• このアプローチは,異質なタスクとカスタマイズされたサービス環境の課題を効果的に解決します.
• この方法論は,リソースが限られている企業に,ユーザーの満足度とシステムの適応性を向上させることを可能にします.