L'épidémie comme un dialogue : comment les modèles de langage apprennent aux épidémiologistes à écouter les comportements ✛
Contexte
Les épidémies constituent des systèmes couplés comportementaux et biologiques : le comportement des gens détermine où et entre qui se produisent les contacts, et le risque d'infection ainsi que les restrictions modifient en retour ce comportement. Cependant, le comportement reste l'une des composantes les moins observées du système épidémique. Les enquêtes sur les contacts enregistrent le brassage de la population, mais elles sont rares et avec un délai ; les données de mobilité fournissent un signal indirect, mais ne reflètent pas la structure par âge des contacts. Les modèles existants soit s'appuient sur des comportements déjà réalisés, soit prédéfinissent des fonctions de réaction au risque, ce qui limite leur capacité à anticiper la réaction à de nouvelles conditions. Ces travaux se situent aux côtés des recherches qui utilisent de grands modèles de langage pour reproduire les jugements et comportements humains, ainsi que des tentatives de relier les gènes et les maladies ou de prédire la santé de pays entiers, mais ils se distinguent en intégrant le modèle de langage directement dans la boucle de rétroaction dynamique de l'épidémie.
Méthodes
Les auteurs ont proposé une couche GABLE (Generative Adaptive Behavioral Layer for Epidemics) qui, à chaque étape de modélisation, transmet au modèle de langage les conditions politiques actuelles, les indicateurs épidémiques et les journaux de contacts d'avant la pandémie. Le modèle de langage décide lesquels des contacts enregistrés une personne aurait conservés dans ces conditions, et ces décisions sont agrégées en une matrice de contacts par âge. La matrice pilote un modèle stochastique de transmission du SARS-CoV-2 par âge, qui simule la dynamique des hospitalisations. Ensuite, l'état épidémique actualisé revient dans la couche comportementale, bouclant la boucle de rétroaction. Pour générer le comportement, trois modèles de langage ont été utilisés : GPT-4o mini, Gemini 2.5 Flash et Grok 3 mini. L'approche a été évaluée sur les données de COVID-19 en France de mars 2020 à juillet 2021, en la comparant à des matrices basées sur la mobilité et à une matrice statique d'avant la pandémie.
Résultats
Les trois modèles de langage ont reproduit la dynamique temporelle globale des contacts : pendant le premier confinement, le nombre moyen de contacts est passé de 12,67 à 3,15–3,74 par personne et par jour, ce qui est proche de la valeur de 3,44 pour les matrices basées sur la mobilité. La corrélation avec la mobilité variait de 0,60 à 0,85. La structure par âge différait entre les modèles : par exemple, pendant le deuxième confinement, Gemini 2.5 Flash conservait plus de contacts chez les adultes, mais moins chez les adolescents, que la mobilité. Lors de la reconstruction rétrospective, toutes les configurations ont reproduit les vagues cumulées d'hospitalisations avec une erreur de 2,3–3,6 %, mais les modèles de langage ont réduit le déséquilibre entre adultes et personnes âgées par rapport à la matrice statique. Dans la prévision à court terme sur 4 semaines, GABLE avec GPT-4o mini a obtenu un score intervalle pondéré moyen de 1298 contre 2443 pour la mobilité et 3047–4148 pour les méthodes statistiques, avec une couverture des intervalles à 95 % de 96,2 %. Lors de l'évaluation de politiques alternatives, un retard du confinement de deux semaines augmentait les contacts de 46 % et les hospitalisations de 45,8 %, tandis que des mesures maximales les réduisaient de 17,2 % et 14,0 % respectivement.
Implications
Ces travaux se distinguent des recherches voisines en ce qu'ils n'utilisent pas simplement les modèles de langage pour reproduire des enquêtes ou prédire des effets de traitements, mais les intègrent dans un système dynamique en boucle fermée, où le comportement et l'épidémie s'influencent mutuellement. Cette approche élimine la nécessité de prédéfinir des fonctions de réaction pour chaque facteur et permet d'évaluer les conséquences de mesures pas encore mises en œuvre. Les matrices de contacts par âge obtenues portent une information épidémiologiquement significative même après calibration de l'intensité globale de transmission, ce qui confirme l'importance de la structure du brassage, et non seulement du nombre total de contacts.
Développements futurs
La méthode peut être étendue à d'autres agents pathogènes et à d'autres types de comportements, tels que le dépistage, la vaccination ou le recours aux soins. Il est prometteur d'explorer des ensembles de modèles de langage et de prendre explicitement en compte l'incertitude des réactions comportementales. Une tâche importante reste la validation sur des épidémies réellement nouvelles, non représentées dans les données d'entraînement des modèles de langage, afin d'exclure une fuite d'informations historiques.
Impact
L'approche pourrait influencer la modélisation épidémiologique, le soutien à la décision en santé publique et les sciences sociales computationnelles, où il est nécessaire de modéliser les comportements adaptatifs en réponse à des conditions changeantes.
Prochaines étapes
Les prochaines étapes comprennent la validation dans d'autres pays et pour d'autres agents pathogènes, l'étude des différences entre les modèles de langage et le développement de méthodes pour faire face à des situations épidémiques véritablement nouvelles.
Problèmes ouverts clés
Ces travaux sont directement liés au problème fondamental de l'épidémiologie : comment prédire le comportement humain dans des conditions qui n'ont pas encore existé. Les modèles traditionnels soit ignorent l'adaptation, soit la définissent par des règles rigides, ce qui limite leur puissance prédictive. Cette approche propose un mécanisme flexible qui apprend du contexte, mais la question demeure de savoir dans quelle mesure elle se généralise au-delà des données historiques.
Le regard de la machine du savoir
Cette section s'adresse à l'auteur du travail et à ses collègues. Les travaux voisins ont été trouvés par une recherche sémantique dans notre archive, et non par correspondance de mots. Nous n'évaluons pas : nous montrons le champ autour.
Ce que fait ce travail
Les auteurs ont combiné de grands modèles de langage avec un modèle mécaniste de l'épidémie de COVID-19 en France. À partir d'une description des politiques et de la situation épidémique, le modèle de langage générait des matrices de contacts par âge qui pilotait la transmission de l'infection. Cette approche a permis de reproduire les vagues réelles d'hospitalisations, d'améliorer les prévisions à court terme et d'évaluer les conséquences de scénarios politiques alternatifs avant même leur mise en œuvre.
Où est sa force
Ce travail intègre le modèle de langage directement dans la boucle de rétroaction dynamique de l'épidémie, ce qui permet de modéliser des comportements adaptatifs sans fonctions de réaction au risque prédéfinies.
Vers où avancer
- Il pourrait être intéressant de confronter la couche comportementale de GABLE avec des modèles de jeux où les individus prennent des décisions sur la base d'un calcul personnel de risque et de bénéfice, ce qui permettrait de comparer les réactions agrégées des LLM avec des stratégies rationnelles.appui : L'épidémie comme un jeu : comment le calcul personnel change la vague d'infections arXiv:2604.04305
- À proximité se trouve un travail sur le jumeau numérique de la santé d'un pays entier : il utilise des mégadonnées pour prédire les trajectoires individuelles. Combiner un tel jumeau avec la couche comportementale pourrait donner une image plus détaillée du lien entre comportement et issues.appui : Un jumeau numérique pour la santé de tout un pays arXiv:2608.16273v1
À essayer
- Comparer les matrices de contacts générées par le LLM avec les résultats d'enquêtes de contact, si disponibles pour la même période.
- Tester comment le choix du modèle de langage influence la structure d'âge des contacts et les trajectoires épidémiques finales.
- Tester l'approche sur d'autres pays ou d'autres épidémies afin d'évaluer sa transférabilité.
Pourquoi cela peut compter
Une telle approche pourrait réduire la dépendance à des données comportementales rares et tardives, ouvrant la voie à des prévisions épidémiques plus flexibles et plus opportunes.
Travaux voisins dans notre archive
- Un jumeau numérique pour la santé de tout un paysproximité 0.62
- Pourquoi tout contact ne mène pas à la maladieproximité 0.57
- Le virus comme un coup : pourquoi les épidémies ne frappent pas selon la moyenneproximité 0.57
- Les épidémies respirent en cadenceproximité 0.54
- L'épidémie comme un jeu : comment le calcul personnel change la vague d'infectionsproximité 0.53
Le travail le plus proche de l'archive se situe à 0.62 par le sens — le niveau habituel de notre corpus.
Pendant le premier confinement en France, le nombre moyen de contacts quotidiens a chuté d'environ quatre fois : de 12,67 à 3,15–3,74. C'est comme si chaque personne, au lieu d'un bus complet, ne parlait qu'à trois compagnons de voyage.
L'idée d'un modèle qui prédit le comportement de la foule en réponse à des conditions changeantes évoque la psychohistoire de la Fondation d'Isaac Asimov, où des modèles mathématiques prédisaient les destins de civilisations. Ici, l'échelle est plus modeste : non pas une galaxie, mais un seul pays et une seule épidémie.
Chiffres clés
- chute des contacts lors du premier confinement: de 12,67 à 3,15–3,74 par personne et par jour
- score intervalle pondéré moyen de GABLE: 1298 contre 2443 pour la mobilité
- couverture des intervalles de prévision à 95 %: 96,2 %
- augmentation des hospitalisations en cas de retard du confinement de 2 semaines: 45,8 %
- réduction des contacts avec des mesures maximales: 17,2 %