L'épidémie comme dialogue : comment les modèles de langage apprennent aux épidémiologistes à écouter les comportements humains ✛
En mars 2020, la France s'est vidée : les gens ont cessé d'aller au travail, à l'école et au café, et les rues se sont remplies de silence. Les épidémiologistes regardaient les courbes et comprenaient que le virus ne se propageait pas tout seul, mais par les poignées de main, les conversations et les trajets en métro. Mais comment prédire combien de contacts une personne conservera si le gouvernement annonce de nouvelles restrictions ? La réponse à cette question a été cherchée grâce à une alliance inhabituelle : un modèle de langage et un modèle mathématique d'épidémie.
Le modèle de langage fonctionne ici comme un traducteur qui lit un bulletin d'information et décide comment une personne ordinaire réagirait. On lui montre quels contacts les gens avaient avant la pandémie, et on lui décrit la situation actuelle : les écoles sont-elles fermées, les rencontres sont-elles autorisées, combien de personnes sont hospitalisées. Le modèle répond quels contacts il conserverait et lesquels il romprait. Ces décisions sont rassemblées dans un tableau qui indique combien de contacts se produisent entre les différents groupes d'âge. Ce tableau s'appelle une matrice de contacts par âge, et c'est elle qui pilote la transmission du virus de personne à personne dans la simulation informatique.
La simulation ne se contente pas de compter les infections : elle renvoie les résultats au modèle de langage. Le modèle voit que les hôpitaux se remplissent et, au tour suivant, réduit encore davantage les contacts. On obtient une boucle de rétroaction où le comportement des gens et la propagation du virus s'influencent mutuellement. Auparavant, les épidémiologistes fixaient ces réactions manuellement, avec des règles rigides, mais désormais le modèle de langage le fait de manière flexible, en s'appuyant sur le texte décrivant les mesures. Cette approche a été nommée GABLE, pour Generative Adaptive Behavioral Layer for Epidemics, c'est-à-dire couche comportementale adaptative générative pour les épidémies.
Les chercheurs ont testé trois modèles de langage : GPT-4o mini, Gemini 2.5 Flash et Grok 3 mini. Tous ont reproduit la tendance générale : pendant les confinements, les contacts chutaient fortement, puis se rétablissaient partiellement entre les deux. La corrélation avec les données de mobilité variait de 0,60 à 0,85. Mais la structure par âge différait : par exemple, lors du deuxième confinement, Gemini 2.5 Flash conservait plus de contacts chez les adultes, mais moins chez les adolescents, que ne le montrait la mobilité. Néanmoins, tous les modèles ont reproduit les vagues cumulées d'hospitalisations avec une erreur de seulement 2,3–3,6 %.
Le résultat clé est apparu dans les prévisions à court terme sur quatre semaines. GABLE avec GPT-4o mini a obtenu un score intervalle pondéré moyen de 1298, contre 2443 pour les prévisions basées sur la mobilité et 3047–4148 pour les méthodes statistiques. Cela signifie que les prévisions sont devenues plus précises, et que les intervalles à 95 % couvraient les valeurs réelles dans 96,2 % des cas. De plus, la méthode a permis d'évaluer les conséquences de mesures non encore introduites. Un confinement retardé 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.
Auparavant, on ne savait pas comment modéliser le comportement adaptatif des gens pendant une épidémie sans hypothèses rigides et sans données en temps réel sur les contacts réels. Désormais, il est clair que les modèles de langage peuvent générer des matrices de contacts par âge plausibles, qui améliorent les prévisions d'hospitalisations et permettent de comparer les conséquences de politiques non encore mises en œuvre. La méthode a été intégrée dans une boucle de rétroaction avec un modèle épidémique mécaniste : le modèle décide quels contacts conserver, et l'épidémie répond en montrant comment cela affecte la propagation. Cela pourrait être utile aux épidémiologistes et aux autorités sanitaires pour évaluer rapidement des scénarios d'intervention lorsqu'il n'y a pas de données fraîches sur les contacts. Quand la France se videra à nouveau, un tel outil aidera à entendre comment les gens répondent aux nouvelles règles, avant même que les lits d'hôpitaux ne le montrent.
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.