Este artículo aborda el problema de programación de consultas para la comunicación semántica orientada a objetivos en un sistema de actualización de estado basado en pull. Consideramos un sistema donde múltiples agentes de detección (SA) observan fuentes caracterizadas por diversos atributos y, utilizando la información recibida, proporcionan actualizaciones a múltiples agentes de actuación (AA) que actúan para alcanzar objetivos heterogéneos en un destino final. Un concentrador actúa como intermediario, consulta a los SA para obtener actualizaciones sobre los atributos observados y mantiene una base de conocimiento que posteriormente se transmite a los AA. Los AA utilizan este conocimiento para realizar sus tareas eficazmente. Para cuantificar el valor semántico de las actualizaciones, introducimos la métrica Grado de Efectividad (GdE). Además, integramos la Teoría de la Perspectiva Acumulativa (CPT) en el análisis de la efectividad a largo plazo para considerar la percepción del riesgo y la aversión a las pérdidas del sistema. Utilizando este marco, calculamos una política de programación consciente de los efectos que maximiza la suma descontada esperada del GdE total basado en CPT proporcionado por las actualizaciones transmitidas, respetando una restricción de costo de consulta dada. Para lograrlo, proponemos una solución basada en modelos, basada en programación dinámica, y una solución sin modelos, que utiliza algoritmos de aprendizaje profundo por refuerzo (DRL) de última generación. Nuestros resultados muestran que la programación basada en efectos mejora significativamente la eficacia de las actualizaciones de comunicación en comparación con los métodos de programación de referencia, especialmente en entornos con limitaciones de costes estrictas, donde una programación óptima de consultas es crucial para el rendimiento del sistema y la eficacia general.
